Skip to content

Procesos de optimización. Factor clave para solucionar problemas complejos

En nuestro primer post “¡Descubriendo qué es la inteligencia artificial y desmintiendo falsos mitos!”, definimos qué es la inteligencia artificial (IA) y clarificamos otros términos que suelen crear confusión. Para complementarlo, en este post profundizaremos un poco más en la definición de la IA, y su conexión con los procesos de optimización. También analizaremos los tipos de optimización, especificando sus ventajas e inconvenientes.

 

¿Y qué es un proceso de optimización?

Es un proceso matemático en el que se busca el mejor resultado dados unos criterios y unas condiciones. Además, este proceso se puede usar en combinación con técnicas de IA, consiguiendo que se alcancen unos resultados óptimos de una forma más eficiente, solo explorando un porcentaje pequeño de todas las posibles soluciones.

Las áreas de aplicación son numerosas y abarcan, desde la resolución de complejos problemas de ingeniería, hasta el entrenamiento de IA, pasando por problemas de economía y transporte, entre otros.

 

Diferentes tipos de optimización

Con el fin de obtener un resultado optimizado, múltiples técnicas de optimización han sido estudiadas y diseñadas a lo largo del tiempo. Podemos distinguir dos categorías dependiendo de si garantizan el mejor resultado u “óptimo global” (técnicas exactas), o no (técnicas aproximadas).

 

Aunque siempre se desea encontrar ese óptimo global, para aplicar las técnicas exactas se requiere una definición matemática del problema. Esta definición se torna complicada a medida que incrementa el grado de complejidad del problema a optimizar, por lo que es necesario recurrir a técnicas que no garantizan el óptimo global.

Dentro de las técnicas aproximadas, que no aseguran un óptimo global, podemos encontrar dos subcategorías: heurísticas y metaheurísticas. Aunque ambas están enfocadas a intentar obtener los mejores resultados dado un problema y sus condiciones, existe una diferencia clave.

 

¿Cuál es dicha diferencia clave?

Las técnicas utilizadas para optimización metaheurística se definen por ser más complejas y refinadas, abarcando así, una mayor diversidad de problemas a costa de penalizar el rendimiento. Esta pérdida de rendimiento se debe a que no se implementan las particularidades del problema, sin embargo este tipo de optimización ya está listo para ser implementado, siendo esta última su principal ventaja.

En cambio, la optimización heurística, consiste en un proceso diseñado ad-hoc para un tipo de problema dado, permitiendo un alto rendimiento en el problema. Sin embargo, implementar estas particularidades en el problema, conlleva un incremento del coste debido al tiempo requerido para llevar a cabo la personalización.

 

Entonces, ¿qué es mejor?

No hay técnicas mejores o peores, dependerá del problema y de los objetivos que queramos alcanzar. Si los resultados obtenidos mediante el proceso de optimización metaheurística son “suficientemente” buenos, no existe una justificación para utilizar un proceso de heurística. En caso contrario, sería necesario incluir a las particularidades del problema convirtiéndose así en un proceso de optimización heurístico.

Además, es reseñable el hecho de que un problema sea suficientemente complejo y costoso de simular conlleva una serie de restricciones. Esto puede hacer que el proceso pueda extenderse en el tiempo o, incluso, ser inviable. Con la finalidad de solventar o atenuar dicho inconveniente, entran en juego los algoritmos subrogados. Estos se encargan, mediante técnicas de IA, de sustituir la costosa simulación por una aproximación de la misma, que en este caso es instantánea.

En Lurtis aconsejamos que se estudie hasta donde se quiere llegar y cuáles van a ser los beneficios y los costes de esta implementación, para poder analizar si merece la pena esta adaptación ad hoc del problema.

 

Proyectos de Lurtis

Aunque la inteligencia artificial lleva décadas de investigación, no se ha visto impulsada en el mundo empresarial hasta los últimos años. Esto ha sido posible gracias a los avances en computación, que han permitido romper las barreras que impedían la implementación de la IA en las empresas.

En el departamento de I+D de Lurtis queremos que las empresas puedan implementar esta tecnología de una forma rápida y sencilla. Para ello, estamos desarrollando Lurtis EoE (Engineering Optimisation Engine), una plataforma de optimización que integra un mecanismo de combinación inteligente que permite integrar múltiples heurísticas y metaheurísticas, como también la opción de incluir algoritmos subrogados en el proceso, de este tema conoceremos más en uno de los siguientes posts.

Algunos de los proyectos que actualmente se están desarrollando en Lurtis y que integran procesos de optimización son los siguientes.

 

Proyecto de investigación de metamateriales

Este proyecto consiste en el diseño automatizado de metamateriales mediante la optimización de su estructura, usando métodos metaheurísticos y algoritmos subrogados para resolverlo. Con esta investigación se pretende ser capaz de modelar el comportamiento de los materiales ante determinados estímulos de tipo fuerza o desplazamiento. Para ello se interconectan el simulador de elementos finitos Abaqus con la librería de optimización de Lurtis. Como resultado se obtuvo una mejora de la respuesta del metamaterial ante un estímulo de un 30% respecto a la propuesta del estado del arte.

Eficiencia energética

Dentro de nuestro departamento de desarrollo aplicado al sector AEC, se están desarrollando aplicaciones que ofrecen soluciones en las etapas preliminares al diseño de edificios. Uno de ellos, relacionado con la disminución del impacto medioambiental, teniendo como finalidad la optimización de los materiales de la envolvente respecto a varios objetivos, algunos de ellos son el consumo de energía, la huella de carbono y los costes de los materiales. Para ello, se toma la evaluación de la simulación energética y el cálculo de la huella de carbono entre otros, como funciones de calidad para impulsar la búsqueda heurística de optimización, el cual usa modelos subrogados basados en Machine Learning.

 

 

En este punto concluimos la introducción al concepto de optimización. En unos de los siguientes posts aprovecharemos para contar más sobre los algoritmos subrogados, así como sus ventajas, inconvenientes y los proyectos en los que los aplicamos.

 

Pablo Sánchez Naharro – Lead Researcher & Project Manager

Podrían Interesarte

Aún no hay comentarios, ¡añada su voz abajo!


Añadir un comentario

Tu dirección de correo electrónico no será publicada.

Our website uses Analytical Cookies to know how the website is used and improve our website. By clicking “Accept Cookies”, you agree to the storing of cookies on your device to enhance site navigation, analyze site usage, and assist in our marketing efforts.