Este repositorio contiene implementaciones de diversos algoritmos heurísticos y metaheurísticos aplicados a problemas de optimización, incluyendo el Problema de la Mochila (Bin Packing Problem - BPP).
A continuación, se presenta una lista de los algoritmos y las implementaciones encontradas en este proyecto:
- Descripción: ACO es una metaheurística inspirada en el comportamiento de las hormigas para encontrar el camino más corto entre el nido y la fuente de alimento. Se utiliza para resolver problemas de optimización combinatoria.
- Archivos:
ACO_BPP_SClass.pyACO_optimizado.pyAntColonyOpt_BPP.py
- Descripción: Los algoritmos genéticos son metaheurísticas inspiradas en el proceso de selección natural y la genética. Son adecuados para la optimización y la búsqueda en espacios de soluciones complejos.
- Archivos:
GGA_BPP_2.0.pyGGA_BPP_Op.pyLab_Genetico.ipynb
- Descripción: Hill Climbing es una heurística simple de optimización local que busca mejorar iterativamente una solución actual moviéndose hacia una solución vecina superior, hasta que no se encuentran mejoras.
- Archivos:
BPP_Hill-Climbing.pyBPPHillClimbing.pyHillClimb11_BPP.pyHillClimb21_BPP.pyHillClimbing_Revision.ipynb
- Descripción: SA es una metaheurística probabilística para encontrar una buena aproximación al óptimo global de una función en un espacio de búsqueda grande. Está inspirado en el recocido en metalurgia.
- Archivos:
BPP_SimAnnealing.py
- Descripción: GRASP (Greedy Randomized Adaptive Search Procedure) es una metaheurística que construye soluciones con un componente aleatorizado greedy y luego las mejora con una búsqueda local.
- Archivos:
PruebaGrasp.py