Revista IEEE: Avances de la Computación Evolutiva en IA y Optimización
El último número de IEEE Transactions on Evolutionary Computation, Volumen 29, Número 4, publicado en agosto de 2025, ofrece una instantánea completa de la investigación de vanguardia en algoritmos inspirados en la selección natural y los procesos biológicos. Estas técnicas computacionales son cada vez más vitales para abordar desafíos complejos del mundo real donde los métodos tradicionales a menudo se quedan cortos.
Una parte significativa del número está dedicada a los avances en la optimización multiobjetivo, un campo que se ocupa de encontrar soluciones óptimas cuando múltiples objetivos, a menudo conflictivos, deben considerarse simultáneamente. Los investigadores están empujando los límites de estos algoritmos para manejar escenarios cada vez más intrincados. Por ejemplo, varios artículos exploran la optimización multiobjetivo dinámica, donde el problema mismo cambia con el tiempo, requiriendo estrategias adaptativas para rastrear soluciones óptimas en evolución. Esto incluye trabajos sobre el aprendizaje para expandir o contraer conjuntos de Pareto —el conjunto de soluciones no dominadas— y la predicción de mejoras direccionales en entornos dinámicos. Otros estudios abordan problemas computacionalmente costosos o de alta dimensión, empleando a menudo técnicas de reformulación y descomposición asistidas por sustitutos para hacer factible la optimización. La robustez de algoritmos líderes como el Algoritmo Genético de Clasificación No Dominada II (NSGA-II) también está bajo escrutinio, estableciéndose nuevas garantías de aproximación. Además, se presentan enfoques novedosos para la optimización multiobjetivo con restricciones, donde las soluciones deben adherirse a reglas o límites específicos, incluyendo métodos para manejar restricciones desconocidas y aquellos basados en dominancia probabilística.
La programación genética, un enfoque evolutivo que evoluciona programas informáticos, surge como otro tema prominente, mostrando su versatilidad en diversas aplicaciones. Los investigadores demuestran su utilidad en la clasificación de imágenes de grano fino, por ejemplo, desarrollando métodos flexibles de detección de regiones o aprendiendo características de color y multiescala. Más allá del análisis de imágenes, la programación genética se está aplicando a problemas industriales cruciales, como la extracción de características para la identificación de la causa raíz en la fabricación, proporcionando soluciones de aprendizaje automático interpretables. El número también presenta un trabajo fundamental sobre cómo guiar la recopilación eficiente de datos para la regresión simbólica a través del aprendizaje activo. Curiosamente, un artículo compara directamente el rendimiento de los grandes modelos de lenguaje (LLM) con la programación genética para la síntesis de programas, ofreciendo información oportuna sobre las fortalezas y debilidades de estos distintos paradigmas de IA en la generación de código.
Más allá de los algoritmos genéticos, la revista destaca innovaciones en otros algoritmos inspirados en la naturaleza. La optimización de enjambres multiagente, con mecanismos de aprendizaje internos y externos adaptativos, se explora para la optimización distribuida compleja basada en el consenso. Los optimizadores de enjambre de partículas se adaptan para problemas de localización de múltiples fuentes a gran escala, como los abordados por enjambres de robots. Los enfoques híbridos, que combinan diferentes paradigmas evolutivos o los integran con otras técnicas de IA, también ocupan un lugar destacado. Los ejemplos incluyen un algoritmo memético basado en el aprendizaje por retroalimentación para la programación de talleres de trabajo flexibles distribuidos y con conciencia energética, y la aplicación del aprendizaje por refuerzo profundo junto con la programación genética para la programación dinámica de camiones portacontenedores.
El impacto práctico de la computación evolutiva es evidente en una amplia gama de dominios de aplicación. Más allá de la fabricación y la logística, el número profundiza en áreas como la programación clínica, la identificación de biomarcadores para enfermedades complejas e incluso la ciberseguridad, con un novedoso “Ataque de Arte Evolutivo” para generar ejemplos adversarios de caja negra. Subyacente a estas aplicaciones, la investigación fundamental continúa refinando la comprensión teórica de los algoritmos evolutivos. Esto incluye estudios sobre el análisis exploratorio del paisaje para problemas con tipos de variables mixtas, el desarrollo de nuevos indicadores de diversidad como la energía s de Riesz, y el cálculo exacto de indicadores de calidad como R2. También se aborda el desafío de optimizar bajo ruido, proponiéndose nuevas métricas de rendimiento. Incluso el acto fundamental de representación de problemas se reexamina, como se ve en el trabajo sobre la transformación de problemas de optimización combinatoria en el espacio de Fourier.
Colectivamente, la investigación presentada en este volumen subraya el papel dinámico y en expansión de la computación evolutiva en la inteligencia artificial. Desde el refinamiento de los fundamentos teóricos hasta la resolución de complejidades del mundo real en diversas industrias, estos algoritmos de inspiración biológica continúan ofreciendo soluciones potentes y adaptables para problemas que desafían los enfoques computacionales convencionales, trazando un camino hacia sistemas más inteligentes y resilientes.