Los algoritmos Beam-ACO son métodos híbridos que combinan la metaheurística de optimización basada en colonias de hormigas (Ant Colony Optimisation, ACO) con la búsqueda en haz (beam-search). Estos algotitmos dependen en gran medida de una función de estimación precisa y computacionalmente poco costosa que permita elegir entre diferentes soluciones parciales durante el proceso de construcción de soluciones. En este trabajo proponemos usar muestreo estocástico como una alternativa viable a la función de estimación para casos en los que calcular una cota fiable es demasiado costoso. Como caso aplicado, hemos elegido el conocido problema del viajante de comercio con ventanas de tiempo (Traveling Salesman Problem with Time Windows, TSPTW). Nuestros resultados demuestran claramente que Beam-ACO, aún después de reemplazar la función de estimación por el muestreo estocástico, tiene importantes ventajas sobre algoritmos ACO estándar.

Peer Reviewed