Elsa, miembro de nuestro equipo, nos hizo el favor de escribir esta reseña ya que domina a la perfección el tema.
Solución:
Podría pensar en una heurística como una solución aproximada (no aproximación) a un problema. La diferencia entre aproximado y aproximación es que el primero se trata de obtener una buena suposición de la solución de un problema, pero que realmente no sabes qué tan bueno es. El segundo se trata de obtener una solución para la cual pueda probar qué tan cerca está de la solución óptima.
Entonces, las heurísticas a menudo dependen del problema, es decir, usted define una heurística para un problema dado. Las metaheurísticas son técnicas independientes del problema que se pueden aplicar a una amplia gama de problemas. Una heurística es, por ejemplo, elegir un elemento aleatorio para pivotear en Quicksort. Una metaheurística no sabe nada sobre el problema al que se aplicará, puede tratar funciones como cajas negras.
Se podría decir que una heurística explota información dependiente del problema para encontrar una solución ‘suficientemente buena’ para un problema específico, mientras que las metaheurísticas son, como patrones de diseño, ideas algorítmicas generales que se pueden aplicar a una amplia gama de problemas.
Para dar una cita adecuada, en relación con Alejandro responde:
« Una metaheurística es un marco algorítmico independiente del problema de alto nivel que proporciona un conjunto de pautas o estrategias para desarrollar algoritmos de optimización heurística […] Una implementación específica de un problema de un algoritmo de optimización heurística de acuerdo con las pautas expresadas en un marco metaheurístico también se denomina metaheurística » (Sörensen, Glover en http://scholarpedia.org/article/Metaheuristics)
Para estar completamente completo. Debemos distinguir entre algoritmos exactos, aproximados y heurísticos. Un algoritmo exacto encuentra una solución exacta. Un algoritmo aproximado debe encontrar una solución aproximada, en un tiempo aceptable, así como indicar su rango de discrepancia con la supuesta solución óptima. Una heurística simplemente encuentra una solución lo suficientemente buena, dentro de un tiempo aceptable.
Por cierto, el ejemplo de Alejandro quicksort no parece del todo adecuado por dos o tres razones diferentes.
- De hecho, las heurísticas y las metaheurísticas forman parte del campo de la optimización. El problema que intentan abordar es, por tanto, el de buscar un óptimo, no el de clasificar.
- Las heurísticas generalmente se usan cuando los problemas que desea abordar son demasiado complejos, en el sentido computacional, que no es el caso del problema de clasificación.
- Lo que se señaló a través del ejemplo de clasificación rápida, si lo entiendo bien, es el elemento aleatorio. En principio, puede tener heurísticas deterministas: nunca encontré una metaheurística determinista, pero probablemente uno podría codificarla. Puede ser un poco “jugar con palabras”, pero el elemento aleatorio caracteriza más adecuadamente la “búsqueda estocástica” que la (meta) heurística.
Para una explicación detallada, consulte:
Sorensen, K. (2015). Metaheurísticas: la metáfora expuesta. Transacciones internacionales en investigación operativa, 22(1), 3-18.
Una metaheurística es un marco algorítmico independiente del problema de alto nivel que proporciona un conjunto de pautas o estrategias para desarrollar algoritmos de optimización heurística. El término también se usa para referirse a una implementación específica de un problema de un algoritmo de optimización heurística de acuerdo con las pautas expresadas en dicho marco (Sörensen, 2015).
Las heurísticas son las pautas, las metaheurísticas son el marco que las utiliza.
Más adelante puedes encontrar los comentarios de otros gestores de proyectos, tú asimismo puedes dejar el tuyo si lo deseas.