| An Agent-Based Model of Follow-the-leader Search Using Multiple Leaders | Este artículo presenta CIAO (Collective Intelligence Algorithm for Optimization), una metaheurística basada en inteligencia colectiva y modelada mediante agentes para resolver problemas de optimización continua sin restricciones. El objetivo de la propuesta es encontrar las coordenadas que minimizan una función de costo mediante la interacción entre dos tipos de agentes: solucionadores (solvers) y usuarios (users). La metodología se fundamenta en la representación del conocimiento de cada solucionador mediante distribuciones gaussianas que describen tanto su área principal de experiencia como la dispersión de dicha experiencia dentro del espacio de búsqueda. Los usuarios solicitan soluciones a los solucionadores, quienes generan múltiples candidatos dentro de sus regiones de conocimiento. A partir de los resultados obtenidos, el sistema incorpora mecanismos de aprendizaje adaptativo, reputación y selección de expertos, permitiendo que los solucionadores ajusten progresivamente sus áreas de especialización hacia regiones más prometedoras. Adicionalmente, el algoritmo integra estrategias como elitismo, reinicios aleatorios para evitar convergencia prematura y muestreo inicial mediante Latin Hypercube Sampling. La propuesta fue evaluada utilizando un amplio conjunto de 33 funciones benchmark de optimización continua, entre ellas Ackley, Rastrigin, Rosenbrock, Himmelblau, Eggholder y Sphere, que representan diferentes niveles de complejidad y multimodalidad. Los resultados muestran que la combinación de aprendizaje colectivo, adaptación de la experiencia y mecanismos de reputación permite identificar soluciones de alta calidad en diversos paisajes de búsqueda, manteniendo un equilibrio entre exploración y explotación. Asimismo, los experimentos evidencian que estrategias como el elitismo y los reinicios controlados contribuyen a mejorar la convergencia y reducir el riesgo de quedar atrapado en óptimos locales. Finalmente, los autores concluyen que CIAO constituye una alternativa efectiva para problemas de optimización continua inspirada en procesos de inteligencia colectiva, y proponen como trabajos futuros la incorporación de mecanismos avanzados de memoria, colaboración entre solucionadores, representación más compleja del conocimiento, extensión a espacios de mayor dimensionalidad y adaptación a dominios binarios y otros tipos de problemas de optimización. |  |
| | | |
Binary Optimisation with Urban Pigeon-inspired Model | Este artículo presenta una extensión de un modelo basado en agentes inspirado en el comportamiento de búsqueda de alimento de las palomas urbanas para resolver problemas de optimización binaria. La propuesta adapta un algoritmo originalmente diseñado para dominios continuos a espacios donde las variables solo pueden tomar los valores 0 o 1, permitiendo abordar problemas de decisión frecuentes en ingeniería y gestión. El modelo representa a las soluciones mediante una población de palomas divididas en dos grupos principales: seguidoras y exploradoras. Las palomas seguidoras se desplazan hacia un líder que representa la mejor solución encontrada, favoreciendo la explotación de regiones prometedoras del espacio de búsqueda, mientras que las exploradoras realizan movimientos aleatorios para descubrir nuevas áreas con potencial. Para transformar las posiciones continuas internas de los agentes en soluciones binarias, se emplea un mecanismo de mapeo basado en un umbral de corte. La metodología fue evaluada utilizando funciones benchmark de optimización binaria, entre ellas oneMax, powSum y squareWave, analizando el desempeño del algoritmo en diferentes configuraciones y dimensiones del problema. Los resultados muestran que la combinación de exploración y explotación permite encontrar soluciones de alta calidad y escapar de óptimos locales mediante cambios periódicos en el comportamiento de la población. Asimismo, el modelo mantiene una estructura simple y flexible, conservando la inspiración biológica de las dinámicas colectivas observadas en las bandadas de palomas. Finalmente, los autores plantean como trabajo futuro la incorporación de mecanismos adaptativos para ajustar dinámicamente los parámetros de movimiento, la integración con técnicas de búsqueda local y la aplicación del algoritmo a problemas combinatorios más complejos, como el problema de la mochila (Knapsack) y el problema de las N reinas. |  |
| | | |
COVID-19 epidemics with Non-Pharmaceutical Interventions and zonal restraints | Este artículo presenta un modelo basado en agentes para simular la propagación de la COVID-19 y evaluar el impacto de diferentes intervenciones no farmacológicas en una ciudad hipotética. La propuesta se fundamenta en una extensión del modelo epidemiológico SIRE denominada SIRE+CARDS, que incorpora características individuales de los agentes, como la presencia de síntomas, factores de riesgo, gravedad de la enfermedad y estado de confirmación del contagio. El modelo permite analizar estrategias de mitigación y supresión de la pandemia, incluyendo distanciamiento social, aislamiento de casos, cuarentena domiciliaria, confinamiento total, pruebas masivas, uso de mascarillas y restricciones zonales de movilidad. Cada agente sigue rutinas diarias de desplazamiento e interacción, mientras que la transmisión del virus ocurre cuando individuos susceptibles entran en contacto cercano con agentes infectados. Los autores evaluaron el efecto de estas intervenciones mediante indicadores epidemiológicos como morbilidad, mortalidad, tasas de letalidad, número de reproducción, tiempo de duplicación de casos y evolución temporal de infecciones, recuperaciones y fallecimientos. Los resultados muestran que la combinación adecuada de intervenciones puede reducir significativamente la propagación de la enfermedad y aplanar la curva epidemiológica, destacando especialmente el potencial de las estrategias zonales para limitar contagios sin imponer restricciones uniformes a toda la ciudad. Asimismo, el modelo ofrece una herramienta flexible para analizar distintos escenarios de respuesta sanitaria y sus consecuencias. Finalmente, el estudio propone como trabajo futuro la incorporación de factores adicionales como períodos de incubación, estructuras de edad y género, hábitos individuales, centros de alta concentración poblacional, impactos económicos de las intervenciones y nuevos mecanismos de transmisión y control epidemiológico. |  |
| | | |
COVID-19 mitigation with personal habits and intermittent short lockdowns | Este artículo presenta una extensión de un modelo basado en agentes para simular la propagación de la COVID-19 y evaluar el impacto de diversas intervenciones no farmacológicas sobre la dinámica de la epidemia. La propuesta amplía una versión previa del modelo incorporando hábitos de cuidado personal como el uso voluntario de mascarillas y el lavado frecuente de manos, además de nuevas estrategias de restricción de movilidad, entre ellas un confinamiento intermitente tipo “3x4” o accordion lockdown, en el que las restricciones se aplican durante tres días consecutivos y se levantan durante los cuatro días siguientes. El modelo se fundamenta en el esquema epidemiológico SIRE+CARDS, que representa a cada individuo mediante características relacionadas con el estado de salud, el riesgo clínico, la gravedad de la enfermedad y la confirmación del contagio. Asimismo, permite analizar medidas como aislamiento de casos, cuarentena, distanciamiento social, pruebas masivas, restricciones zonales y desbloqueo selectivo de sectores específicos de la ciudad. Los resultados muestran que la combinación de hábitos individuales de protección con otras intervenciones puede reducir significativamente la transmisión del virus, especialmente cuando se complementa con estrategias de distanciamiento físico. Además, las simulaciones sugieren que los confinamientos intermitentes y las restricciones focalizadas por zonas pueden contribuir al control epidemiológico mientras se mitigan algunos efectos negativos sobre la movilidad y la actividad económica. Finalmente, los autores concluyen que el modelo constituye una herramienta útil para evaluar políticas sanitarias complejas y proponen como trabajo futuro la incorporación de factores como períodos de incubación, estructuras demográficas, comportamientos sociales más realistas, impactos económicos, mecanismos indirectos de contagio y procesos adaptativos que permitan la aparición espontánea de hábitos de protección en la población. |  |
| | | |
FLW-HD: Optimisation based on Follow-the-Leader and random Walk in High Dimensions | Este artículo presenta FLW-HD, una metaheurística basada en agentes diseñada para resolver problemas de optimización continua en espacios de búsqueda de alta dimensionalidad. El objetivo principal es encontrar soluciones óptimas de funciones matemáticas complejas mediante una combinación equilibrada de exploración global y explotación local. La metodología se fundamenta en un sistema multiagente compuesto por tres tipos de individuos: líderes, seguidores y exploradores (walkers). Los líderes representan las mejores soluciones encontradas y guían a los seguidores hacia regiones prometedoras del espacio de búsqueda mediante la estrategia Follow the Leader, mientras que los exploradores realizan movimientos aleatorios (Random Walk) para descubrir nuevas áreas con potencial. Adicionalmente, el algoritmo incorpora mecanismos de elitismo para intensificar la búsqueda alrededor de las mejores soluciones halladas y reinicios controlados (warm restarts) para evitar la convergencia prematura hacia óptimos locales. La propuesta fue evaluada utilizando un conjunto de funciones benchmark ampliamente reconocidas, incluyendo Sphere, Rastrigin, Rosenbrock, Himmelblau y Eggholder, en problemas de distintas dimensiones. Los resultados muestran que la combinación de múltiples líderes, exploración aleatoria, elitismo y reinicios estratégicos mejora la capacidad del algoritmo para mantener la diversidad poblacional y localizar soluciones de alta calidad en espacios complejos. Asimismo, el enfoque multi-líder permite explorar simultáneamente diferentes regiones del espacio de búsqueda, reduciendo el riesgo de estancamiento y aumentando la probabilidad de encontrar el óptimo global. Finalmente, los autores plantean como líneas futuras de investigación la adaptación del algoritmo a problemas dinámicos, el desarrollo de estrategias adaptativas para combinar operadores de búsqueda de manera más eficiente y la extensión del modelo a dominios discretos, binarios y combinatorios. |  |
| | | |
Follow the Leader + Random Walk (FLW) Swarm Algorithm | Este artículo presenta un algoritmo de optimización basado en enjambres y modelado mediante agentes, denominado FLW (Follow the Leader and Random Walk), cuyo objetivo es encontrar soluciones óptimas de funciones matemáticas continuas de manera más eficiente que una búsqueda exhaustiva. La metodología combina dos mecanismos principales de exploración: Follow the Leader, donde grupos de agentes seguidores se desplazan hacia líderes ubicados en regiones prometedoras del espacio de búsqueda, y Random Walk, donde agentes exploradores recorren el entorno de forma independiente para descubrir nuevas áreas potencialmente óptimas. El modelo permite operar tanto con un único líder como con múltiples líderes simultáneos, incorporando además mecanismos de relevo de liderazgo, prevención de colisiones entre líderes, monitoreo de convergencia prematura y estrategias de elitismo para preservar las mejores soluciones encontradas. La propuesta fue evaluada sobre diferentes funciones benchmark de optimización, entre ellas Sphere, Rastrigin, Rosenbrock, Himmelblau y Eggholder, representadas como paisajes discretizados bidimensionales. Los resultados muestran que la combinación de múltiples líderes, exploración aleatoria y reinicios controlados mejora la capacidad del algoritmo para explorar distintas regiones del espacio de búsqueda y evitar el estancamiento en óptimos locales. Asimismo, el mecanismo de elitismo contribuye a conservar información valiosa durante los reinicios de la población, aumentando la probabilidad de converger hacia soluciones de alta calidad. Finalmente, los autores concluyen que el enfoque logra un equilibrio efectivo entre exploración y explotación, y proponen como trabajos futuros la incorporación de nuevas funciones de prueba, la extensión a espacios de búsqueda de mayor dimensionalidad, la adaptación a dominios discretos y binarios, y la aplicación del algoritmo a problemas dinámicos donde las características del entorno cambian con el tiempo. |  |
| | | |
| Urban Pigeon-inspired Model for Unconstraint Optimisation | Este artículo presenta un algoritmo de optimización basado en enjambres inspirado en el comportamiento de búsqueda de alimento de las palomas urbanas, modelado mediante un enfoque basado en agentes. El objetivo es encontrar soluciones óptimas en problemas de optimización continua mediante la exploración eficiente de un paisaje de búsqueda que representa una función matemática de costo. La metodología organiza a los agentes en tres roles diferenciados: un líder, que corresponde a la mejor solución encontrada en cada instante; seguidores, que se desplazan hacia el líder para explotar regiones prometedoras del espacio de búsqueda; y exploradores (walkers), que realizan movimientos aleatorios para descubrir nuevas áreas con potencial. El algoritmo combina dos mecanismos principales de búsqueda: Follow the Leader, encargado de la explotación local alrededor de soluciones de alta calidad, y Random Walk, orientado a la exploración global del entorno. A lo largo de la ejecución, los agentes pueden cambiar de rol dinámicamente según la calidad de las soluciones encontradas, mientras que el sistema mantiene un registro de la mejor solución obtenida durante toda la simulación. La propuesta fue evaluada utilizando diversas funciones benchmark de optimización continua, entre ellas Sphere, Rastrigin, Rosenbrock, Himmelblau y Eggholder, además de paisajes aleatorios generados dinámicamente. Los resultados muestran que la interacción entre seguidores y exploradores permite al enjambre desplazarse entre diferentes óptimos locales y mejorar progresivamente la calidad de las soluciones encontradas, manteniendo un equilibrio adecuado entre exploración y explotación. Finalmente, los autores concluyen que el enfoque constituye una alternativa simple y efectiva para problemas de optimización continua, y plantean como trabajo futuro la incorporación de mecanismos adaptativos para el ajuste dinámico de parámetros, la aplicación a problemas no estacionarios y la extensión del modelo a dominios de mayor dimensionalidad, así como a problemas binarios y combinatorios. |  |
| | | |
| Biomorphs Suite | Este artículo presenta un sistema interactivo de evolución artificial basado en biomorfos, organismos digitales representados mediante estructuras recursivas similares a árboles y definidos por un conjunto de nueve genes enteros. El objetivo de la propuesta es explorar cómo procesos de selección acumulativa pueden generar formas complejas y variadas a partir de reglas geométricas simples. La metodología se fundamenta en un algoritmo de dibujo recursivo donde cada rama genera dos ramas descendientes, cuyas características geométricas —como ángulos, longitud, escala y profundidad de recursión— son controladas por el genoma del biomorfo. El sistema incorpora un módulo denominado Biomorph Evolver, en el que el usuario actúa como agente de selección al elegir individuos de cada generación para reproducirse, permitiendo observar procesos de deriva morfológica y evolución dirigida. Asimismo, ofrece mecanismos de mutación configurables, distintos tamaños de poblaciones, modos de representación genética simplificados o completos, registro histórico de ancestros (fossil record) y una galería de organismos seleccionados. Complementariamente, incluye una herramienta de diseño denominada Biomorph Creator, que permite modificar parámetros genéticos de manera directa y visualizar en tiempo real los cambios morfológicos generados. Los resultados evidencian que, mediante la acumulación progresiva de pequeñas variaciones genéticas y la selección iterativa del usuario, pueden emerger estructuras que recuerdan organismos naturales como insectos, helechos, murciélagos, arañas o crustáceos, sin que dichas formas hayan sido programadas explícitamente. Finalmente, el trabajo demuestra el potencial de los sistemas evolutivos interactivos para estudiar fenómenos de complejidad emergente y evolución artificial, utilizando una implementación ligera basada exclusivamente en tecnologías web estándar y ejecutada completamente del lado del cliente. |  |
| | | |
| UML Annotator | Este artículo presenta una herramienta de anotación y validación diseñada para la construcción de conjuntos de datos semánticos a partir de diagramas de clases UML escritos a mano. El objetivo principal es capturar la estructura conceptual de estos diagramas para generar datos de referencia (ground truth) destinados a investigaciones en aprendizaje automático, visión por computador y reconocimiento automático de diagramas. La metodología se organiza en dos modos de trabajo complementarios: un modo de anotación, donde los usuarios cargan imágenes y registran información relacionada con descripciones, clases, atributos, métodos y relaciones entre entidades; y un modo de verificación, en el que anotaciones previamente realizadas son revisadas, aprobadas o rechazadas por un segundo evaluador. El sistema admite distintos tipos de relaciones UML, incluyendo asociación, herencia, agregación, composición, dependencia y realización, además de un flujo de estados que permite rastrear el progreso de cada anotación desde “no iniciada” hasta “verificada”. Los datos generados pueden exportarse en formato JSON, facilitando su integración con procesos de entrenamiento y evaluación de modelos computacionales. A diferencia de otros enfoques centrados en detección de objetos o reconocimiento óptico de caracteres, la propuesta se enfoca exclusivamente en la representación semántica de los diagramas, registrando clases, atributos, métodos y relaciones sin utilizar cuadros delimitadores ni técnicas de OCR. Los resultados permiten construir conjuntos de datos estructurados y validados que preservan el significado de los diagramas UML, proporcionando información de alta calidad para tareas de análisis automático. Finalmente, el trabajo demuestra la utilidad de un proceso colaborativo de anotación y verificación para garantizar la consistencia de los datos y apoyar futuras investigaciones en comprensión automática de diagramas de software. |  |
