Mejoramiento del modelo sustituto basado en codificación dispersa

Resolver problemas de la vida real generalmente requiere de una búsqueda numérica o algorítmica de parámetros que minimicen o maximicen una función y está a la vez se basa en una evaluación reiterada de dicha función, funciones que en su mayoría son complejas, con decenas de parámetros y de alto costo de evaluación.

En procesos de optimización multiobjetivo con funciones objetivo de alto costo de evaluación, definidas a partir de las denominadas "cajas negras", reducir el número requerido de evaluaciones costosas contribuye a la eficiencia, convergencia y rapidez de los resultados, además de reducir el consumo de recursos de los algoritmos para llegar al óptimo buscado.

En ese sentido, esta propuesta se formula para dar continuidad al trabajo doctoral de la investigadora Cindy Calderón Arce, titulado “Reducción de evaluaciones a funciones costosas en estrategias de optimización multiobjetivo”, desarrollado bajo la asesoría del investigador José Pablo Alvarado Moya y en la cual participó el investigador Juan Pablo Soto Quirós en el comité evaluador. Como parte del trabajo doctoral se propuso un modelo sustituto basado en codificación dispersa, denominado “SESM: Sparse-encoded surrogate model”, utilizado para reconstruir y sustituir funciones de alto costo de evaluación en problemas de optimización multiobjetivo.

Si bien es cierto, existen propuestas de algoritmos de optimización multiobjetivo que sustituyen las funciones costosas por modelos con bajo costo de evaluación, la construcción de dichos modelos depende de un número considerable de evaluaciones de la función original. Así, SESM extiende técnicas de codificación dispersa, utilizadas en aplicaciones como segmentación de imágenes y procesamiento de señales, para generar modelos sustitutos a partir de un conjunto de datos observados o muestras. Reemplaza las funciones costosas por modelos sustitutos, en procesos de optimización multiobjetivo, reduciendo la cantidad de evaluaciones de alto costo de evaluación y contribuyendo con la reducción en el consumo de recursos al buscar soluciones a problemas de optimización.

Los primeros resultados de SESM han sido satisfactorios y probados en problemas reales de alto costo de evaluación, pero su biblioteca actualmente se encuentra en una plataforma de acceso restringido, por lo que no es accesible ni está disponible para uso de toda la comunidad científica. Además, como resultado de la investigación doctoral se plantearon algunos trabajos futuros, como complemento y mejora a la primera versión de SESM. Por lo que la principal contribución de esta propuesta es la mejora de SESM en cuanto a eficiencia, estabilidad, robustez, adaptabilidad y accesibilidad. Para ello se incorporarán nuevos estudios y estrategias de algoritmos de detección comprimida, minimización de errores al ajustar parámetros, reconstrucción de objetos en espacios complejos y clústering en la partición de espacios, para generalizarlos y adaptarlos a SESM.