NEW
Font size
WorksheetsOptimización mediante Inteligencia Artificial
Total questions: 20
Worksheet time: 15mins
¿Qué son los algoritmos metaheurísticos?
Un método de búsqueda local que requiere la estimación de un gradiente de la función a optimizar.
Un algoritmo inspirado en un proceso de la naturaleza o una metáfora de un proceso humano que se utiliza para optimizar una función objetivo.
Un algoritmo de optimización que requiere la definición de una heurística admisible.
Un algoritmo de búsqueda informada para ajustar funciones
La convergencia (explotación) implica ir avanzando en el proceso de búsqueda mejorando la calidad de la solución final
Sí, pero solo en las técnicas basadas en trayectorias
Sí, es correcto
No, eso es exploración
No, eso es diversificación
Utilizar un operador de vecino que permita mayores cambios en BL implica una mayor diversificación o exploración
Sí, pero únicamente si no existen restricciones en la función objetivo
No, es al revés, ya que se restringe el tamaño del vecindario
Sí, ya que se incrementa el tamaño del vecindario
No, en realidad se incrementa la convergencia o explotación
El principio más importante en técnicas basadas en metaheurísticas es encontrar un equilibro convergencia / exploración
Sí, es correcto
No, es el principio "diversidad / exploración"
Sí, pero únicamente para los métodos basados en trayectorias
No, es el principio "convergencia / explotación"
La exploración o diversidad en un proceso de optimización implica buscar en un entorno cercano a la solución
No, solamente cuando se está en la fase final de la búsqueda
Sí, es correcto
Sí, al concentrar el foco de la búsqueda
No, no es correcto
¿Cuál es el tamaño del espacio de búsqueda para el problema de la mochila con capacidad (peso) "n" y número de objetos "o"?
2^n
2^{n*o}
2^o
o^n
Un buen procedimiento para generar una solución inicial es utilizando una técnica Greedy
Sí, partimos de una solución de calidad
Sí, cuando el espacio de búsqueda es pequeño
No, porque estaremos en un óptimo local
No, no se debe utilizar greedy
Un operador de vecino clásico para representación binaria es "bitflip" (complementar un valor)
No, ya que es un operador de cruce para algoritmos genéticos
No, se utiliza solo para permutaciones
Sí, es correcto
No existe dicho operador de vecino
La búsqueda local (ascensión de colinas) incluye un mecanismo que evita que nos quedemos atascados en óptimos locales
Sí, se se utiliza la opción del "primer mejor"
Sí, gracias al operador de vecino
No, de hecho es común quedar atrapado cuando existen varios puntos subóptimos
No, la búsqueda local siempre encontrará un óptimo local
¿Cuál es una posible causa del fin de un proceso de Búsqueda Local?
No existe ningún vecino que sea mejor que la solución actual
Se alcanza el límite de iteraciones
Se alcanza el límite de tiempo de ejecución
Todas son correctas
La búsqueda local alcanza la misma solución si se parte desde el mismo punto o vector inicial y la misma semilla (random)
Sí, pero solo cuando la función objetivo está sujeta a restricciones
No, si se utiliza un buen operador de vecino
Sí, pero solo cuando la representación es de tipo binario
Sí, en cualquier caso
El enfriamiento simulado usa una exploración inicial, y una intensificación final para intentar evitar óptimos locales
No, es justo al contrario
Sí, pero únicamente cuando se utiliza la función de Boltzmann
No, esa metodología se aplica en búsqueda multiarranque
Sí, es correcto
En enfriamiento simulado, una solución mejor que la actual podría no aceptarse en función de la temperatura
No, siempre se acepta una solución mejor
Sí, la probabilidad de aceptación controla el cambio de soluciones
No, el enfriamiento simulado solo acepta soluciones mejores que la actual
Sí, puesto que depende del valor "delta" de diferencia en valor objetivo
En el algoritmo de enfriamiento simulado ¿para qué sirve el parámetro de temperatura?
La temperatura permite ajustar los valores de probabilidad de aceptación de soluciones mejores a la actual
La temperatura depende del problema a resolver y nos dice que tan fácil o difícil es encontrar una solución.
La temperatura determina si el algoritmo está trabajando en un régimen de exploración o explotación.
La temperatura define totalmente la probabilidad de aceptar una solución de mayor energía (que sea "peor").
En una búsqueda multiarranque, es bueno empezar siempre desde la última solución encontrada para favorecer exploración
No, porque seguimos en la misma zona del espacio
Sí, pero será necesario aumentar el número de iteraciones
Sí, porque así permite salir del óptimo local
Sí, pero solo en el caso de representación binaria
Búsqueda local iterativa realiza diversos procesos de "hill climbing", modificando la solución final obtenida para "re-arrancar" la búsqueda en otro punto del espacio del problema
Sí, es correcto
No, la búsqueda local iterativa solo incrementa el número de iteraciones para asegurar el óptimo local
No, no se realiza "hill climbing"
No, la solución final no se debe modificar
El orden de fases de un algoritmo evolutivo sería la siguiente:
inicialización, cruce, mutación, selección, reemplazamiento
inicialización, selección, mutación, cruce, reemplazamiento
inicialización, selección, cruce, mutación, reemplazamiento
inicialización, selección, reemplazamiento, cruce, mutación
¿Qué significa asignar el fitness de la población en un algoritmo genético?
Generar aleatoriamente valores para las soluciones candidatas de acuerdo a su calidad.
Evaluar la calidad de una solución candidata a través de una función que asigna mayor valor a las mejores soluciones.
Determinar si un individuo descendiente es demasiado similar a sus "padres"
Utilizar una función heurística para estimar la distancia a la meta.
¿Qué es verdad para la selección tipo ruleta (roulette wheel selection) en algoritmos genéticos?
La probabilidad de seleccionar un cromosoma o individuo dependerá de cuántos cruces se quieran realizar
La probabilidad de seleccionar un cromosoma o individuo es proporcional a su aptitud (fitness).
La probabilidad de seleccionar un cromosoma o individuo es inversamente proporcional a su aptitud.
La probabilidad de seleccionar un cromosoma o individuo es un parámetro de entrada del algoritmo denominado probabilidad de selección.
En los algoritmos tipo PSO (Particle Swarm Optimization) la calidad de una solución (velocidad) se mide en base a diversos factores. ¿Cuál NO es uno de ellos?
Velocidad previa (inercia)
Velocidad inicial (desplazamiento)
Movimiento de la propia partícula (componente cognitivo)
Movimiento del mejor del enjambre (componente social)
