Nuevos desarrollos en computación optimizan problemas graves

Un grupo de investigadores del Departamento de Arquitectura y Tecnología de Sistemas Informáticos (DATSI) de la FIUPM, en colaboración con el Centro de Supercomputación y Visualización de Madrid (CeSViMa), lleva varios años trabajando en el diseño e implementación de una plataforma de computación evolutiva, que logre integrar técnicas clásicas con otras nuevas, para que juntas puedan resolver problemas complejos de una manera óptima.

La plataforma está basada en Algoritmos Evolutivos que optimizan la búsqueda de soluciones en problemas complejos de ciencia en ingeniería. Estos resultados son aplicables a múltiples campos, como la química molecular, la resistencia de materiales, la robótica o la teoría de juegos. Según consigna Fi.upm.es; el desarrollo de esta investigación, fue dirigido por los profesores José María Peña Sánchez y Antonio Latorre de la Fuente.

Los Algoritmos Evolutivos son una familia de algoritmos, dentro del mundo de la Inteligencia Artificial (AI), que permiten obtener soluciones a problemas de búsqueda y optimización no lineales y muy complejos, buscando el mejor balance entre la calidad de las soluciones y el tiempo de cómputo requerido. Dentro de este tipo de problemas podemos encontrar desde problemas matemáticos clásicos, hasta problemas más reales del mundo de la ciencia y la ingeniería. Estos métodos se inspiran en la teoría evolutiva postulada por Darwin en 1859 y, siguiendo la metáfora biológica, van "evolucionando" desde una población de soluciones candidatas, como si de individuos se tratara, hasta obtener la mejor solución posible.

La aportación realizada por los investigadores de la FIUPM consiste en el desarrollo de una metodología denominada MOS, que permite utilizar diferentes técnicas evolutivas simultáneamente y aprovechar el máximo rendimiento de cada una, combinándolas de una manera inteligente. De esta manera, MOS es capaz de trabajar con varios modelos evolutivos, como los populares Algoritmos Genéticos (GA), los Algoritmos de Estimación de la Distribución (EDA) basados en modelos probabilísticas, o técnicas más recientes como la Evolución Diferencial (DE). Hoy por hoy, la vía de investigación sigue abierta con varias tesis doctorales en ciernes.

El grupo trabaja tanto en la inclusión de nuevas técnicas, como en la mejora de los procesos de hibridación de las mismas.