Algoritmos Metaheurísticos la lista definitiva.

En su intento por dotar de inteligencia a los ordenares, múltiples cientificos han acudido a analogias inspiradas en la naturaleza para desarrollar algoritmos eficientes que resuelvan problemas difíciles “inteligentemente”.

Los algoritmos metaheurísticos son diseñados con el objetivo de realizar búsquedas aleatorias inteligentes que encuentren la configuración de los parámetros óptimos de un sistema o problema. Usualmente se aplican en problemas complejos o imposibles de resolver con métodos deterministas, es decir de forma matemática.

Aunque no hay garantía alguna que estos algoritmos devuelvan el valor optimo global, han comprobado ser útiles para otorgar “buenas” soluciones en tiempos razonables, aun para problemas complejos.

En la actualidad existe una gran variedad de estos algoritmos metaheurísticos y siguen agregándose más y más por cada año. En los últimos 10 años, al menos 6 nuevas estrategias han sido publicadas cada año.

Realizando un survey de algunos de estos algoritmos nos hicimos a la tarea de conseguir una lista de todos los algoritmos metaheurísticos publicados hasta el momento. Comenzando desde 1964 con el algoritmo de estrategias evolutivas, hasta el 2016 con algoritmos como Comportamiento del Grillo y el algoritmos inspirado en el Futball Americano, disponemos de esta lista para todos ustedes:

https://thesciencematrix.com/Apps/metaheuristics/

La lista puede ser fácilmente filtrada por nombre del algoritmo, autor y año de publicación, y para cada uno se otorgo el resumen incluido en la publicación y el enlace del articulo publicado.

 

Algoritmos Metaheurísticos la lista definitiva.

Modelos Humanos vs AI

Usualmente el conocimiento se ha considerado como encontrar el orden en el caos. Las personas hemos buscado reducir el comportamiento físico de las cosas a modelos matemáticos que nos permitan interactuar de manera precisa con nuestro entorno.

Mientras mas simple y exacto sea el modelo matemático, le consideramos más elegante.

Consideramos que existe conocimiento cuando se tiene un tren de ideas lógico, que nos conducen a un resultado coherente. De esta forma puede explicarse el origen de las consecuencias, como el porque de un movimiento en un juego de ajedrez.

Sin embargo con el avance en el aprendizaje computacional, el hombre se ha visto superado en sus capacidades de comprensión, debido a que las computadoras no están limitadas a trabajar con modelos simples como nosotros.

Dada una fuente de información amplia, estas técnicas de aprendizaje permiten a los ordenadores generar sus propios modelos numéricos internos. Estos modelos, después de entrenados, han probado producir resultados eficientes y exactos, sin embargo, incomprensibles para los hombres, ya que son resultado de infinidad de variables y enlaces en múltiples capas de abstracción.

Por ejemplo, puede entrenarse a una computadora a reconocer un dígito escrito manualmente, mediante la exposición de un conjunto de ejemplos. Supongamos el numero 8. A diferencia de nosotros, que reconocemos este dígito por reglas estructurales donde dos circunferencias se unen parcialmente en un orden vertical, la computadora analiza posiciones en los pixeles de la imagen, y genera su propio conjunto de reglas, incomprensibles a nuestros ojos, para determinar si la imagen representa un 8 o no.

Anteriormente este tipo de conocimiento numérico se consideraba incompleto, ya que carece de una representación matemática elegante. Sin embargo, ante la evidencia de la funcionalidad de estos métodos, no queda mas que reconocer la limitante en la capacidad de la mente humana, para representar fenómenos complejos.

Ante la insaciable sed de conocimiento, podemos solo aceptar esta nuestra frontera intelectual, y dar paso a nuevo conocimiento generado no por hombres.

Pensamiento corto despues de leer este buen articulo:

Our Machines Now Have Knowledge We’ll Never Understand

David Weinberger

Modelos Humanos vs AI