Dr. Romeo Sánchez Nigenda

romeo.sanchez@gmail.com

romeo.sanchezng@uanl.edu.mx

El Dr. Romeo Sánchez Nigenda estudió Ingeniería en Sistemas Computacionales en el Instituto Tecnológico de Tuxtla Gutiérrez, obtuvo una Maestría y un Doctorado en Ciencias Computacionales por parte de la Universidad de Arizona State University. El Dr. Romeo es miembro del Sistema Nacional de Investigadores en el Nivel 1 y líder del cuerpo académico de Sistemas Inteligentes Aplicados de la UANL. Sus intereses de investigación son la aplicación de inteligencia artificial a la planificación, optimización multicriterio, sistemas multiagente distribuidos, sistemas de apoyo a la toma de decisiones e interfaces de usuario avanzadas.

From Partial Plans Refinements to Parallel Search Diversification: Exploring Ideas

 16/abril/2021  Seminario PISIS-UANL 2021      Asistencia : 23

Introducción

En esta ocasión el Dr. Romeo nos habla de la implementación de un POP (Partial Order Planning) aumentado en el que se utiliza la metaheurística de Recocido Simulado (Simulated Annealing) para su solución. El objetivo de esta charla se centra en introducir al auditorio conceptos relacionados a la planeación, aprendizaje máquina y programación en paralelo. Además, se presenta una metodología basada en POP para la búsqueda de soluciones a problemas de planeación, en esta metodología implementa criterios heurísticos diferentes a procedimientos greedy con su inconveniente de posiblemente caer en óptimos locales.

Resumen

En esta ocasión se presenta una interesante integración de la heurística de recocido simulado al algoritmo POP. La metodología diversifica el proceso de búsqueda de soluciones para problemas de planeación y también para su paralelización. A diferencia del “state space” (planificación por estados) donde cada nodo representa un “estado del mundo” y los arcos representan las acciones de transformación o transición de un estado a otro; en el entorno POP cada nodo representa un plan parcial o conjunto de acciones que pudieran estar o no ordenados y los arcos representan una secuencia de refinamiento para transformar ese plan parcial en un plan factible que satisfaga todos los objetivos. Dichos refinamientos se efectúan bajo criterios heurísticos de “temperatura” de tipo recocido simulado, donde si el siguiente plan parcial a seleccionar tiene un mejor estimado que el actual y se actualiza y si no se escogerá con una cierta probabilidad. Dentro de las ventajas que esta metodología aporta se encuentra una mayor flexibilidad en la representación del orden de las actividades, diversificación del proceso de búsqueda visitando regiones inexploradas del espacio de solución las cuales son generalmente ignoradas por otros algoritmos por no ser de buena calidad (como lo haría un algoritmo greedy) y de esta forma incrementar el conjunto de soluciones.

Los principales inconvenientes que se encontraron en esta investigación es la complejidad del diseño de una función de evaluación heurística abstracta que permitiera calcular una estimación para guiar el proceso de búsqueda evitando caer en óptimos locales, como ocurriría con un algoritmo greedy.

Conclusiones

De acuerdo con los métodos de solución presentados y con los resultados obtenidos se tiene un método que explora bastante bien el espacio de soluciones, que tiene una flexibilidad en cuanto a representación del orden de las actividades para el problema de planeación y que además es paralelizable. Como trabajo a futuro se podría utilizar esta metodología en otros problemas de optimización para paralelizar la búsqueda en un algoritmo de planeación y de esta forma poder utilizar todos los recursos de los sistemas de cómputo para resolver problemas de planeación.