Contenido sugerido

1. Metaheurísticas.
1.1. Introducción.
1.1.1. Algoritmos exactos.
1.1.2. Algoritmos aproximados.
1.1.3. Heurísticas.
1.1.4. Metaheurísticas.
1.1.5. Clasificaciones de metaheurísticas.
1.1.6. Evaluación de rendimiento.
1.1.7. Exactos vs. aproximados.
1.1.8. Tiempos vs. evaluaciones.
1.1.9. Distribuciones del tiempo de búsqueda.
1.1.10. Test estadísticos.
1.1.11. Aplicaciones.
1.2. Metaheurísticas de trayectoria.
1.2.1. Búsquedas locales básicas.
1.2.2. Métodos tradicionales.
1.2.3. Inconvenientes.
1.2.4. Enfriamiento simulado.
1.2.5. Búsqueda tabú.
1.2.6. Búsqueda en entorno variable.
1.2.7. Métodos basados en trayectorias múltiples.

2. Computación evolutiva.
2.1. Algoritmos evolutivos.
2.1.1. Historia.
2.1.2. Algoritmos genéticos.
2.1.3. Programación evolutiva.
2.1.4. Estrategias evolutivas.
2.1.5. Relación con otras metaheurísticas poblacionales.
2.2. Operadores en algoritmos evolutivos.
2.2.1. Selección de padres.
2.2.2. Mutación.
2.2.3. Cruce.
2.2.4. Reemplazamiento.
2.2.5. Esquemas de control y afinamiento de parámetros.
2.3. Diversidad y algoritmos de nicho.
2.3.1. Exploración e intensificación.
2.3.2. Gestión de la diversidad.
2.3.3. Optimización multi-modal.
2.4. Algoritmos de estimación de distribuciones.
2.4.1. Principios fundamentales.
2.4.2. Inicio: Population-Based Incremental Learming (PBIL) y Boltzmann estimation distribution algorithm.
2.4.3. Discretos: Bivariate Marginal Distribution Algorithm (BMDA) dependence trees de Chow-Liu.
2.4.4. Continuos: Estimation of Multivariate Normal distribution Algorithm (EMNA).
2.5. Evolución diferencial.
2.5.1. Conceptos básicos.
2.5.2. Estrategias de generación de hijos.
2.5.3. Esquemas adaptativos.
2.6. Otros conceptos.
2.6.1. Algoritmos meméticos.
2.6.2. Algoritmos evolutivos multi-objetivo.
2.6.3. Algoritmos evolutivos paralelos.

Sugerencias de Bibliografia

1. El-Ghazali Talbi. Metaheuristics: From Design to Implementation. Wiley, 2009.
2. J. Dréo, A. Pétrowski, P. Siarry, E. Taillard. Metaheuristics for Hard Optimization.
3. F. Glover, G. A. Kochenberger. Handbook of Metaheuristics. Kluwer Academic Publishers, 2003.
4. Michel Gendreau, Jean-Yves Potvin. Handbook of Metaheuristics. Springer, 2010.
5. S. Luke. Essential of Metaheuristics. 2013.
6. B. Melián, J.A. Moreno Pérez, J.M. Moreno Vega. Metaheurísticas: un visión global. Revista Iberoamericana de Inteligencia Artificial 19 pp. 7-28, 2003.
7. A. E. Eiben, J. E. Smith. Introduction to Evolutionary Computing. Springer, 2003.
8. M. Ĉrepinsêk, S. Liu, M. Mernik. Exploration and Exploitation in Evolutionary Algorithms: A Survey. ACM Computing Surveys, Vol. 45 (3), 2013.
9. T. Bäck. Evolutionary Algorithms in Theory and Practice: Evolution Strategies, Evolutionary Programming, Genetic Algorithms. Oxford University Press, 1996.
10. M. Mitchell. An Introduction to Genetic Algorithms, MIT Press, 1999.
11. Z. Michalewicz, Genetic Algorithms + Data Structures = Evolution Programs. Springer, 1996.
12. F. J. Lobo, C. F. Lima, Z. Michalewicz. Parameter Setting in Evolutionary Algorithms. Springer, 2007.
13. Z. Michalewicz, D. Fogel. How to Solve It: Modern Heuristics. Springer, 2000.
14. P. Larrañaga, J. A. Lozano. Estimation of Distribution Algorithms, Springer, 2002.
15. K. Price, R. Storn, J. Lampinen. Differential Evolution: A Practical Approach to Global Optimization. Springer, 2005.
16. E. Alba. Parallel Metaheuristics: A New Class of Algorithms. Wiley, 2005.
17. C. Coello, G. B. Lamont, D. Van Veldhuizen. Evolutionary Algorithms for Solving Multi-Objective Problems. Springer, 2007.
18. F. Neri, C. Cotta, P. Moscato. Handbook of Memetic Algorithms. Springer, 2012.