Melgarejo Rey, Miguel AlbertoRodríguez Hernández, Angie Patricia2025-03-212025-03-212024-11-18http://hdl.handle.net/11349/94020Este trabajo presenta un enfoque para clasificar la modalidad en paisajes de optimización, combinando muestreo multiescala con técnicas de aprendizaje automático. Se seleccionó un conjunto de funciones de optimización, que fueron etiquetadas según la definición de modalidad propuesta por Kanemitsu et al. Para minimizar el sesgo en la muestra, se desarrolló un algoritmo de muestreo multiescala, el cual se basa en el comportamiento de una caminata guiada por una ley de potencias, complementada con mecanismos de explotación a escala fina, para explorar y a su vez explotar los paisajes de optimización. Las muestras obtenidas se representan como una imagen que se utiliza como entrada para una red neuronal convolucional, responsable de clasificar la modalidad del paisaje. Los resultados experimentales demuestran que el enfoque propuesto presenta un rendimiento competitivo en la clasificación de paisajes previamente no observados. Además, los resultados sugieren que la estrategia multiescala proporciona información más fiable que el muestreo aleatorio, que es la técnica estándar en el análisis de paisajes de optimización. Es importante resaltar que de este trabajo nace la afirmación que el problema de entender los problemas de optimización podría verse como un problema de reconocimiento de patrones.This work presents an approach to classify the modality in optimization landscapes, combining multiscale sampling with machine learning techniques. A set of optimization functions was selected and labeled according to the modality definition proposed by Kanemitsu et al. To minimize sample bias, a multiscale sampling algorithm was developed, based on the behavior of a random walk guided by a power law, complemented with fine-scale exploitation mechanisms, to both explore and exploit the optimization landscapes. The obtained samples are represented as an image, which is used as input to a convolutional neural network responsible for classifying the landscape modality. Experimental results show that the proposed approach achieves competitive performance in classifying previously unseen landscapes. Furthermore, the results suggest that the multiscale strategy provides more reliable information compared to random sampling, which is the standard technique in optimization landscape analysis. It is important to highlight that this work leads to the assertion that the problem of understanding optimization problems could be viewed as a pattern recognition problem.pdfspaAnálisis de paisajes de optimizaciónMuestreo multiescalaAprendizaje automáticoRedes neuronales convolucionalesOptimizaciónmasterThesisMaestría en Ciencias de la Información y las Comunicaciones -- Tesis y Disertaciones AcadémicasArquitectura del paisaje -- ClasificaciónArquitectura del paisaje -- MuestreoAutoaprendizaje -- TécnicasOpenAccessOptimization landscape analisysMulti-scale samplingMachine learningConvolutional neural networksOptimizationAbierto (Texto Completo)