New Kid in the Classroom: Exploring Student Perceptions of AI Coding Assistants
Objetivo
Proponer una metaheurística paralela basada en Búsqueda Tabú para resolver problemas de optimización multiobjetivo, mejorando la calidad del frente de Pareto y la eficiencia computacional mediante cooperación entre procesos.
Metodología
- Extensión multiobjetivo de Tabu Search
- Implementación de un esquema paralelo y cooperativo:
- Múltiples procesos exploran el espacio de soluciones simultáneamente
- Intercambio de información entre procesos mediante:
- Un conjunto de soluciones no dominadas compartido
- Uso de:
- Listas tabú para evitar ciclos
- Criterios de aspiración
- Evaluación con benchmarks estándar:
- ZDT1
- ZDT2
- ZDT3
Resultados
- Obtención de frentes de Pareto de alta calidad
- Mejor desempeño frente a algoritmos clásicos como:
- NSGA-II
- SPEA
- Mejor equilibrio entre:
- exploración global y explotación local
- Eficiencia mejorada gracias a la paralelización
- Métricas evaluadas:
- Convergencia
- Diversidad de soluciones
Trabajo futuro
- Escalabilidad a:
- Problemas de mayor dimensión
- Entornos dinámicos
- Integración con:
- Algoritmos evolutivos
- Sistemas multiagente más complejos
- Adaptación automática de parámetros
- Aplicaciones en problemas reales de ingeniería
