Resumen Técnico: Optimización de Selección de Replicador con Historia Acumulada (Optimización de Redes Miceliales)

1. Planteamiento del Problema

Los algoritmos de optimización basados en poblaciones (por ejemplo, Optimización de Enjambre de Partículas, Evolución Diferencial) emplean típicamente un mecanismo de selección "sin memoria". En estos sistemas, la supervivencia de un candidato a la siguiente generación se determina únicamente por su aptitud instantánea en el tiempo $t$. Este diseño descarta toda la información histórica de rendimiento, tratando a un agente que ha ocupado consistentemente el decil superior de la población durante cincuenta iteraciones de forma idéntica a un agente recién generado con una aptitud actual marginalmente mejor.

El artículo argumenta que esta ceguera temporal sacrifica una señal crítica: la persistencia de la calidad a lo largo del tiempo. La aptitud instantánea es suficiente para paisajes suaves y separables, pero no logra capturar la información geométrica inherente en paisajes estructurados y no separables, donde el rendimiento pasado indica la viabilidad a largo plazo. Los autores postulan que los sistemas de selección biológica explotan esta persistencia, y que las metaheurísticas actuales carecen de un mecanismo formalmente fundamentado para hacerlo.

2. Metodología: Optimización de Redes Miceliales (MNO)

El artículo introduce el marco de Selección de Replicador con Historia Acumulada (AHRS), implementado como el algoritmo de Optimización de Redes Miceliales (MNO). Inspirado en los micelios fúngicos que acumulan recursos citoplasmáticos a lo largo del tiempo y los comparten mediante anastomosis, el MNO reemplaza la aptitud instantánea con una variable de recurso acumulado como el criterio principal de supervivencia.

Componentes Principos

1. Flujo Citoplasmático (Selección de Historia Acumulada):
   Cada agente $i$ mantiene una variable de recurso $R_i(t)$, actualizada como una media móvil ponderada exponencialmente de su historial de calidad normalizada $Q_i(t)$:
   $$R_i(t+1) = (1-\gamma)R_i(t) + \gamma Q_i(t)$$
   donde $\gamma$ es la tasa de flujo. Los agentes son eliminados si su recurso acumulado cae por debajo de un umbral dependiente del presupuesto. Esto asegura que la supervivencia dependa de la trayectoria completa de calidad, no solo del estado actual.

2. Anastomosis de Proximidad de Aptitud:
   Cada tres iteraciones, los agentes con valores de aptitud similares (dentro de un umbral de nicho $\delta_a$) experimentan una transferencia de recursos. El "ganador" recibe una fracción de los recursos del "perdedor", seguido de un paso de reposicionamiento quimiotáctico codicioso hacia el ganador. Esto facilita el flujo de recursos entre agentes que ocupan nichos similares.

3. Paso de Gradiente Natural:
   El movimiento es guiado por un paso de gradiente natural ponderado por recursos. La elipse de búsqueda se alarga a lo largo de las dimensiones de alta varianza (valles o crestas productivas) basándose en la distribución de los pesos de recursos $p_i = R_i / \sum R_j$.

4. Esporulación:
   Si la población cae por debajo de la mitad de su tamaño, se introducen nuevos agentes (60% aleatorios, 40% basados en oposición) para mantener la diversidad.

3. Fundamentación Teórica

El artículo proporciona una base matemática riguroosa para el MNO, distinguiéndolo de los algoritmos puramente inspirados en la biología metafórica:

• Dependencia de la Historia: El Teorema 1 demuestra que la variable de recurso $R_i(t)$ es un estadístico suficiente para la trayectoria completa de calidad pasada de un agente. En consecuencia, el criterio de selección no es sin memoria; dos agentes con la misma aptitud instantánea pero diferentes historias tienen diferentes probabilidades de supervivencia.
• Conexión con la Ecuación del Replicador: El Teorema 2 demuestra que el límite de tiempo continuo de la actualización de flujo corresponde exactamente a la Ecuación del Replicador de la teoría de juegos evolutivos:
  $$\frac{dp_i}{dt} = \gamma p_i (Q_i - \bar{Q})$$
  Se muestra que la actualización discreta es la discretización de Euler de esta ecuación con un error de truncamiento local acotado por $O(\gamma^2)$.
• Garantía de Convergencia: Al aplicar el Teorema Fundamental de Fisher a la Ecuación del Replicador, el artículo demuestra que la calidad media ponderada por recursos $\bar{Q}(t)$ es no decreciente en expectativa a lo largo de la ejecución.

4. Resultados Experimentales

El MNO fue evaluado contra siete líneas base (PSO, DE, SHADE, L-SHADE, JADE, ABC, CMA-ES) a través de:

• 20 funciones de referencia clásicas.
• 15 funciones CEC 2017 (D=30, D=50).
• 6 problemas de diseño de ingeniería con restricciones.

Hallazgos Clave

• Paisajes Estructurados vs. Separables: El MNO supera significativamente a PSO y DE en funciones no separables y estructuradas (por ejemplo, Rosenbrock, Schwefel 1.2, Trigonométrica). Por ejemplo, en Rosenbrock (30D), el MNO logró un resultado aproximadamente 1,400 veces mejor que PSO.
• Rendimiento en Funciones Suaves: En funciones suaves y separables (por ejemplo, Sphere, Ackley), el MNO tiene un rendimiento inferior comparado con las variantes de DE adaptativas de parámetros (SHADE, JADE, L-SHADE). Los autores lo atribuyen al teorema de "No Free Lunch", señalando que los mecanismos que explotan la estructura temporal no ofrecen ventajas en paisajes que carecen de dicha estructura.
• Estudio de Ablación: Los experimentos confirmaron que tanto el operador de flujo como el operador de anastomosis contribuyen de forma independiente al rendimiento. El algoritmo combinado mejoró 15/20 funciones clásicas, superando el rendimiento de cualquiera de los operadores por separado.
• Aplicaciones de Ingeniería: El MNO logró resultados comparables a los de vanguardia en el diseño de resortes (brecha del 0.4%) y despacho económico de carga (brecha del 0.01%). Una brecha mayor (23.6%) en el problema de la viga soldada se atribuyó a las limitaciones del método de penalización exterior utilizado para el manejo de restricciones, no al mecanismo de selección en sí.

5. Significado y Reivindicaciones

El artículo realiza una reivindicación modesta pero específica sobre su novedad y significancia:

• Novedad: La contribución no es el uso de suavizado exponencial (que existe en la herencia de aptitud) ni la Ecuación del Replicador en sí. La novedad reside en la combinación específica de usar una historia de calidad exponencial acumulada individualmente como el criterio de supervivencia directo, con su dinámica formalmente conectada a la teoría de juegos evolutivos a través de la Ecuación del Replicador.
• Contribución Teórica: El MNO es el primer metaheurístico que formula explícitamente su mecanismo de selección a nivel individual como una discretización de la Ecuación del Replicador con errores verificados formalmente ($O(\gamma^2)$).
• Implicación Práctica: Los resultados identifican la "historia acumulada" como una señal de selección previamente no explotada que es particularmente efectiva en paisajes de búsqueda estructurados y no separables. El artículo sugiere que otros algoritmos basados en poblaciones podrían beneficiarse de la incorporación de la memoria temporal en las decisiones de supervivencia, particularmente donde la geometría del paisaje es compleja.

Los autores reconocen explícitamente que el MNO no es un solucionador universal superior a todos los métodos existentes; más bien, ofrece una alternativa teóricamente fundamentada para clases específicas de problemas de optimización donde la persistencia temporal de la calidad es una señal válida.