Siguiente: Sobre el Uso de Anterior: Ejemplo 3: Recocido Simulado Arriba: Sobre la Utilidad de

FANS como heurística
de propósito general

En los párrafos anteriores mostramos como FANS puede ser ajustado para reflejar el comportamiento cualitativo de otras técnicas, principalmente a través de la manipulación de la valoración difusa. En consecuencia, y como se había planteado, podemos decir que FANS representa un ``framework'' para métodos simples de búsqueda local.

Sin embargo, FANS puede plantearse como una heurística en sí misma capaz de mostrar una variedad de comportamientos muy amplia. Este potencial queda claro si consideramos que la valoración difusa representa el criterio de un decisor buscando soluciones para un problema.

Figura 2: Ejemplos de Valoraciones Difusas.

(a)

(b)

(c)

Por ejemplo, en la Fig. 2 aparecen tres criterios de aceptabilidad. Las definiciones se basan en el costo de cierta solución actual, indicado en los gráficos por una línea de puntos.

La definición triangular (a), representa un decisor buscando soluciones similares en costo pero diferentes en estructura. Este tipo de comportamiento puede aparecer cuando las soluciones presentan características difíciles de cuantificar (por ejemplo, aspectos estéticos) con lo cual el decisor desea obtener un conjunto de opciones de costo similar para luego hacer su elección en términos de otros criterios diferentes al costo. La definición central (b) representa un decisor ``insatisfecho'' con la solución actual. Cualquier opción que la mejore, tendrá un valor máximo de aceptabilidad. Finalmente la tercera opción (c), representa un decisor ``conservador'' en el sentido que para cambiar la solución actual, la mejora obtenida debe ser considerable.

Otra forma de conseguir comportamientos diferentes, es mediante la aplicación de modificadores lingüísticos como muy o algo sobre una definición dada de la valoración difusa.

En síntesis, FANS brinda la posibilidad de variar su comportamiento y en última instancia las soluciones que se pueden obtener, de forma simple y comprensible. Si consideramos que cada comportamiento permite obtener resultados cuantitativamente diferentes, y que para cada problema un algoritmo puede resultar mejor que otro ³, la potencialidad de FANS como herramienta genérica de optimización resulta clara.