Algunos tipos de problemas de optimización son relativamente fáciles de resolver, ya que sus características intrínsecas permiten el uso de técnicas deterministas capaces de encontrar su solución optima. Este es el caso, por ejemplo, de los problemas lineales, que pueden ser resueltos con el método Simplex.
Sin embargo, la gran mayoría de problemas reales no pueden ser resueltos con algoritmos determinista, bien porque sus características no han permitido el desarrollo de ninguna técnica "exacta" que asegure la localización de la solución óptima, o porque aun pudiendo ser las técnicas exactas utilizadas, el tiempo necesario para obtener la solución del problema resulte prohibitivo. La alternativa para estos casos, la constituyen los métodos heurísticos, que mediante diferentes mecanismos buscan una solución "buena" - aunque no necesariamente óptima- en un tiempo razonable.
En esta asignatura se introduce al alumno en el uso de los métodos iterativos heurísticos, clasificándolos en dos grupos: (a) métodos basados en búsquedas locales; y (b) métodos basados en poblaciones. En los primeros, se realiza una búsqueda de la solución del problema en el entorno de la solución anteriormente localizada. En los segundos, se realiza una búsqueda global del óptimo, combinando la información del conjunto de posibles soluciones que constituyen la población.
Muchos de los algoritmos de ambos grupos son algoritmos de optimización estocásticos, ya que sus procesos de búsqueda utilizan mecanismos aleatorios. El problema de optimización en si mismo también puede tener una componente estocástica que haga necesaria de un método de simulación de Monte Carlo en el proceso de evaluación de las posibles soluciones. Por lo tanto, en esta asignatura también se introducen algunas técnicas de simulación de Monte Carlo, y se discute su uso en la solución de problemas tanto deterministas como estocásticos.
Por último, además del estudio de los diferentes métodos, se propondrán prácticas que muestren la aplicación de los mismos a problemas concretos.
