Indian Wedding System Optimization (IWSO): A Novel Socially Inspired Metaheuristic with Operational Design and Analysis

Resumen Técnico: Optimización del Sistema de Bodas Indias (IWSO)

Enunciado del Problema
Los algoritmos de optimización metaheurística son esenciales para resolver problemas complejos, no lineales y de alta dimensión en ingeniería e inteligencia computacional. Sin embargo, los enfoques clásicos como los Algoritmos Genéticos (GA), la Optimización por Enjambre de Partículas (PSO) y la Evolución Diferencial (DE) enfrentan frecuentemente desafíos persistentes, incluyendo la convergencia prematura, la pérdida de diversidad de la población y una adaptabilidad limitada a entornos dinámicos. Estas limitaciones suelen derivar de parámetros de búsqueda fijos y dinámicas poblacionales rígidas, que restringen el rendimiento en tareas de optimización a gran escala o variables en el tiempo. El artículo aborda la necesidad de un marco adaptativo, inspirado socialmente, capaz de mantener la diversidad y equilibrar la exploración con la explotación de manera más efectiva que las analogías existentes basadas en la naturaleza o la física.

Metodología
Los autores proponen la Optimización del Sistema de Bodas Indias (IWSO), una metaheurística novedosa basada en poblaciones e inspirada en las dinámicas socioculturales de las bodas tradicionales indias. El algoritmo modela el proceso de emparejamiento —caracterizado por la colaboración entre familias, candidatos y casamenteros— como un marco de búsqueda guiado y selectivo.

El diseño operativo de IWSO sigue un ciclo iterativo de siete pasos:

1. Inicialización: Se genera aleatoriamente una población de soluciones candidatas dentro de límites definidos, análogo a familias que consideran múltiples parejas potenciales.
2. Evaluación de Aptitud: Los candidatos se evalúan mediante una función de aptitud multiobjetivo ponderada que agrupa múltiples criterios (por ejemplo, compatibilidad, estabilidad financiera), reflejando la toma de decisiones multifactorial en el emparejamiento.
3. Identificación del Mejor Candidato: Se identifica la solución óptima (la "mejor pareja") para servir como referencia.
4. Influencia Guiada por el Casamentero: Un factor adaptativo de casamentero ($M$) controla la actualización de las posiciones de los candidatos. Este factor disminuye a lo largo de las iteraciones, desplazando el algoritmo desde una exploración estocástica amplia hacia una explotación local intensificada. Las soluciones de élite guían a los candidatos más débiles hacia regiones prometedoras sin requerir parámetros de control externos.
5. Eliminación y Reinicialización Adaptativa: Para prevenir el estancamiento, se eliminan los candidatos que son demasiado similares a la mejor pareja pero no óptimos. Son reemplazados por nuevos candidatos generados mediante una combinación de la solución global óptima, la media de la población y perturbaciones estocásticas controladas. Este mecanismo mantiene la diversidad y previene la convergencia prematura.
6. Selección: La mejor solución se actualiza basándose en comparaciones de aptitud.
7. Terminación: El proceso se repite hasta alcanzar el número máximo de iteraciones o cumplir un criterio de convergencia.

El análisis teórico establece que IWSO exhibe una complejidad temporal lineal de $O(T_{max}n(D + K))$ y una complejidad espacial de $O(nD)$, donde $n$ es el tamaño de la población, $D$ es la dimensionalidad y $K$ es el número de objetivos. El análisis de convergencia demuestra que el algoritmo converge casi seguro al mínimo global bajo condiciones específicas respecto a las perturbaciones estocásticas y la selección elitista.

Contribuciones Clave
El artículo describe cuatro contribuciones principales:

• Marco Impulsado por Metáforas Novedoso: La introducción de IWSO, que mapea componentes socioculturales de las bodas indias (casamenteros, pretendientes, rituales de eliminación) a operaciones algorítmicas para la búsqueda, selección y adaptación.
• Influencia Guiada por el Casamentero: Una estrategia donde las soluciones de élite dirigen la evolución de los candidatos más débiles, mejorando la convergencia y la exploración del espacio de búsqueda sin depender de parámetros de control externos.
• Eliminación y Reinicialización Adaptativa: Un mecanismo que reemplaza dinámicamente a los individuos con bajo rendimiento para mantener la diversidad de la población y prevenir el estancamiento, abordando un modo de fallo común en metaheurísticas clásicas.
• Evaluación Exhaustiva: Un análisis teórico y empírico riguroso que demuestra la eficiencia computacional, la escalabilidad y la superioridad de IWSO frente a algoritmos de inteligencia de enjambre del estado del arte (SoTA).

Resultados Experimentales
El rendimiento de IWSO se evaluó en 23 funciones de prueba de referencia (que abarcan categorías unimodales, multimodales, separables y no separables) y se comparó contra diez algoritmos establecidos: GA, ABC, PSO, ACO, DE, WOA, HS, SA, BHO y CS.

• Convergencia y Estabilidad: IWSO demostró una velocidad de convergencia y una calidad de solución superiores en paisajes de alta dimensión y multimodales. En comparaciones estadísticas sobre 30 ejecuciones independientes, IWSO logró desviaciones estándar más bajas en 18 de las 23 funciones, indicando mayor estabilidad y fiabilidad.
• Eficiencia: El algoritmo superó consistentemente a sus competidores en términos de tiempo de ejecución (RT), requiriendo a menudo un tiempo computacional significativamente menor para alcanzar soluciones óptimas o casi óptimas.
• Análisis de Sensibilidad: El estudio analizó el impacto de los parámetros de control, específicamente el Factor de Casamentero ($M$) y el conteo de iteraciones ($T_{max}$). Los resultados indicaron que IWSO es robusto frente a variaciones en la configuración de parámetros, con los mecanismos adaptativos equilibrando eficazmente la exploración y la explotación independientemente de la complejidad del problema.
• Rendimiento Comparativo: En gráficos de superficie 3D que analizan los valores de aptitud frente al tamaño de la población y los conteos de iteraciones, IWSO guió consistentemente la búsqueda hacia errores de predicción más bajos en comparación con GA y DE, confirmando su adaptabilidad y precisión.

Significado y Afirmaciones
El artículo afirma que IWSO representa un avance significativo al vincular la coordinación inspirada en el ser humano con la inteligencia computacional. A diferencia de los algoritmos convencionales inspirados en la naturaleza que se basan únicamente en analogías físicas o biológicas, IWSO introduce un paradigma de optimización con base social. Los autores afirman que, al integrar jerarquía social, aprendizaje cooperativo y retroalimentación adaptativa en su diseño central, IWSO logra una diversidad poblacional sostenida y una convergencia robusta incluso en espacios de búsqueda complejos, restringidos y de alta dimensión.

El trabajo posiciona a IWSO como una alternativa robusta a las metaheurísticas convencionales, particularmente para escenarios que requieren una convergencia rápida, resiliencia al estancamiento y adaptabilidad en entornos dinámicos. Los autores sugieren que la capacidad del algoritmo para manejar problemas multiobjetivo y de alta dimensión lo hace adecuado para tareas de optimización a gran escala del mundo real, aunque señalan que la investigación futura se centrará en extensiones híbridas y aplicaciones en entornos distribuidos y variables en el tiempo, como la orquestación de recursos en la nube y la programación industrial.