Modelo hiperheurístico HY X-FPSO CBR SII soportado en metaheurísticas X-PSO multiobjetivo para resolver una clase de problemas de optimización combinatoria

Abstract

Las Hiperheurísticas de Selección constituyen métodos de búsqueda concebidos en un nivel de abstracción superior al de las MetaHeurísticas. Para ello, una Función de Selección (FS), cuyo objetivo es decidir cuál de las estrategias MetaHeurísticas se aplica en cada instancia de decisión, evalúa la aptitud de las mismas en cada solución iterativa. En este trabajo se presenta una HiperHeurística de Selección Basada en Razonamiento (CBR) con dominio en MetaHeurísticas X-PSO MultiObjetivo, HY X-FPSO CBR SII, cuya FS se constituye de una Red Neuronal Artificial (RN) de propagación hacia adelante tipo Multi-Layer Perceptron (MLP). La información utilizada por la FS proviene desde Indicadores de Inteligencia de Grupo, propuestos por los autores en trabajos previos, que proporcionan una medida de la habilidad de cada MetaHeurística para resolver cierta instancia del problema. Se aborda el diseño de la FS y el método de optimización asociado al Entrenamiento Basado en Casos de la misma. Este novedoso enfoque, aporte principal del trabajo, permite construir una única FS capaz de resolver dos problemas de optimización combinatoria: el Balance de Cargas de un Sistema Trifásico de Distribución de Energía Eléctrica (SDEE) y la Optimización de la Confiabilidad de un SDEE en Media Tensión.

Selection HyperHeuristics are informed search methods that work in a higher abstraction level than heuristic or MetaHeuristics: they constitute heuristics to choose heuristics. Such selection is realized by a Choice Function (CF), whose target is to decide which heuristic strategy is applied in each decision instance of the algorithm, using for that non-domain data about the problem being solved. In this work a Case Based Reasoning Selection HyperHeuristic with X-PSO MultiObjective domain is presented, whose CF is constituted of a Feed-Forward Artificial Neural Network (ANN) of Multi-Layer Perceptron (MLP) type. The non-domain information used by the CF is composed of Swarm Intelligence Indicators, proposed by the authors in previous papers, which aims to give a measure on the abilities of a swarm to solve a particular problem. The design and the optimization problem associated to the CF Case Based Training are presented, so as the method to carry out such training. Finally, the process is applied to build a CF for a CBR Hyperheuristic that solves two Combinatorial Optimization Problems: the Load Balancing of a Three Phase Power Distribution System and the Reliability Optimization of Electrical Distribution Systems in Medium-Voltage.