Artículos regulares

 

Búsqueda de entorno variable multiobjetivo para resolver el problema de particionamiento de datos espaciales con características poblacionales

 

Multi-Objective Variable Neighborhood Search to Solve the Problem of Partitioning of Spatial Data with Population Characteristics

 

María Beatriz Bernábe Loranca y Carlos Guillén Galván

 

Facultad de Ciencias de la Computación, Benemérita Universidad Autónoma de Puebla, Puebla, Puebla, México beatriz.bernabe@gmail.com, carlosguillen.galvan@gmail.com

 

Artículo recibido el 31/12/2010;
aceptado el 14/11/2011.

 

Resumen

El problema de particionamiento siendo un problema NP difícil, ha sido ampliamente estudiado debido a varias razones, en particular, por su vulnerabilidad al obtener óptimos locales de los criterios que optimiza. Para problemas particionamiento en optimización combinatoria, existen diversos trabajos que han propuesto la inclusión de heurísticas con el fin de lograr óptimos globales. Muchos han sido los esfuerzos para resolver el particionamiento y encontrar buenas soluciones cuando en el proceso de optimización discreta se optimiza un solo objetivo, sin embargo, ha sido poco atendido el problema de particionamiento con más de un objetivo debido a la dificultad de obtener el conjunto de soluciones eficientes, óptimas y no dominadas. En este trabajo se expone el problema de multiobjetivo en particionamiento para datos espaciales con dos objetivos: minimización de distancias y de variables censales. El algoritmo de particionamiento que se ha diseñado es una extensión del grupo geográfico que optimiza solo un objetivo. En este trabajo para escapar de óptimos locales se ha hecho uso de Búsqueda por Entorno Variable (VNS) y para obtener el conjunto de soluciones no dominadas se han aprovechado las propiedades del conjunto Máxima.

Palabras Clave: Algoritmos heurísticos, Máxima, particionamiento multiobjetivo.

 

Abstract

The problem of partitioning is NP hard and has been studied extensively for several reasons including vulnerability to obtain local optima. For partitioning problems in combinatorial optimization, several works have proposed the inclusion of heuristics in order to achieve global optima. There have been made many efforts to solve the partitioning problem and find good solutions when the discrete optimization process optimizes a single objective. However, the partitioning problem with more than one goal has not been addressed due to the difficulty of obtaining the set of efficient optimal and non-dominated solutions. This paper presents the multi-objective partitioning problem with two objectives: minimization of distances and of census variables. The designed partitioning algorithm is an extension of the geographic cluster that optimizes only one objective. In this work, we used Variable Neighborhood Search (VNS) to escape local optima, and to obtain the set of non-dominated solutions, our methodology takes advantage of the properties of the set Maxima.

Keywords: Heuristics algorithms, Maxima, multi-objective partitioning.

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

Referencias

1. Algorithms to identified nondominated solutions in a multi-dimensional set (s.f.). Retrieved from http://www.cs.cinvestav.mx/~emoobook/nodom/nondominated.html        [ Links ]

2. Altman, M. (1997). The Computational Complexity of Automated Redistricting: Is Automation the Answer?. Rutgers Computer and Technology Law Journal, 23(1), 81-141.         [ Links ]

3. Bernábe, B., Osorio, M.A., Espinosa, J., & Aceves, R. (2009). An Adjusted Variable Neighborhood Search Algorithm applied to the Geographical Clustering Problem. Research in Computing Science, 42, 113-126.         [ Links ]

4. Bernábe, M.B., Espinosa, J.E., & Ramírez, J. (2009). Evaluación de un Algoritmo de Recocido Simulado con Superficies de Respuestas. Revista de Matemática: Teoría y Aplicaciones, 16(1), 159-177.         [ Links ]

5. Bernábe, M.B., Rosales, J., Osorio, M.A., Ramírez, J., & García, R. (2009). A comparative study of Simulated Annealing and Variable Neighborhood Search for the Geographic Clustering Problem. The 5th International Conference on Data Mining (DMIN'09), Las Vegas Nevada, USA, 595-599.         [ Links ]

6. Censo General de Población y Vivienda 2000, INEGI (s.f.). Retrieved from http://www.inegi.org.mx/sistemas/microdatos2/default.aspx?c=14061&s=est        [ Links ]

7. Kung, H.T., Luccio, F., & Preparata, F.P. (1975). On Finding the Máxima of a Set of Vectors. Journal of the ACM (JACM), 22(4), 469-476.         [ Links ]

8. Lara, A. (2003). Un estudio de las Estrategias Evolutivas para problemas Multiobjetivo. Tesis de Maestría en Ciencias, Centro de Investigación y de Estudios Avanzados del Instituto Politécnico Nacional, México, D.F.         [ Links ]

9. Mladenovic, N. & Hansen, P. (1997). Variable Neighborhood Search, Computers & Operations Research, 24(11), 1097-1100.         [ Links ]

10. Pizza, E., Murillo, A., & Trejos, J. (1999). Nuevas técnicas de particionamiento en clasificación automática, Revista de Matemática: Teoría y Aplicaciones, 6(1), 51-66.         [ Links ]

11. Ríos, D. (1987). Sobre soluciones óptimas en problemas de optimización multiobjetivo. Trabajos de Investigación Operativa, 2(1), 49-67.         [ Links ]

12. Zoltners, A. & Sinha, P. (1983). Sales territory alignment: A review and model. Management Science, 29 (11), 1237-1256.         [ Links ]