Ottimizzazione e Metaeuristiche

L’ottimizzazione rappresenta un ambito centrale nell’analisi di sistemi complessi, in cui l’obiettivo è individuare soluzioni efficienti in presenza di vincoli e molteplici criteri decisionali. In contesti reali, tali problemi sono spesso caratterizzati da elevata dimensionalità, non linearità e presenza di più obiettivi, rendendo difficile l’applicazione di metodi deterministici tradizionali.

In questo scenario, le metaeuristiche e gli algoritmi evolutivi costituiscono strumenti particolarmente efficaci, in quanto permettono di esplorare spazi di soluzione complessi attraverso strategie ispirate a processi naturali, come la selezione genetica o il comportamento collettivo.

Algoritmi genetici e ottimizzazione evolutiva

Gli algoritmi genetici rappresentano una delle principali metodologie utilizzate per affrontare problemi di ottimizzazione complessi, in particolare in contesti caratterizzati da elevata dimensionalità, non linearità e presenza di più obiettivi. Ispirati ai meccanismi di selezione naturale, questi metodi permettono di esplorare lo spazio delle soluzioni attraverso l’evoluzione di una popolazione di candidati, combinando e adattando progressivamente le soluzioni migliori.

In ambito finanziario, tali approcci risultano particolarmente efficaci per la costruzione di strategie di investimento e per l’ottimizzazione di portafogli in presenza di informazione incerta. In questo contesto, sono stati sviluppati modelli evolutivi avanzati per l’ottimizzazione multi-obiettivo, in cui è necessario bilanciare criteri contrastanti, come rendimento e rischio.

Un esempio significativo è rappresentato da EvoFolio, un modello di ottimizzazione di portafoglio basato su algoritmi evolutivi multi-obiettivo. Il modello consente di costruire soluzioni efficienti attraverso l’esplorazione simultanea di diverse configurazioni, permettendo di identificare frontiere di Pareto che rappresentano compromessi ottimali tra obiettivi in conflitto.

Guarino, A., Santoro, D., Grilli, L., Zaccagnino, R., & Balbi, M. (2024). EvoFolio: a portfolio optimization method based on multi-objective evolutionary algorithms, Neural Computing & Applications.

Parallelamente, l’evoluzione dei mercati finanziari ha portato a una crescente diffusione di agenti computazionali intelligenti, in grado di apprendere strategie di trading attraverso tecniche di machine learning, come il reinforcement learning. Tali agenti sono in grado di adattarsi dinamicamente al mercato, migliorando progressivamente le proprie decisioni sulla base dell’esperienza.

In questo contesto, è stato sviluppato un approccio innovativo basato sull’idea di sfruttare il comportamento collettivo dei migliori agenti. Piuttosto che costruire una singola strategia ottimale, l’attenzione è stata posta sulla possibilità di osservare e combinare le strategie più performanti, in un’ottica simile ai fenomeni di herding behavior.

Questo approccio ha portato allo sviluppo di GGSMZ, un agente neuro-fuzzy in grado di apprendere dalle strategie dei migliori agenti presenti nel sistema e di combinarle in modo adattivo. Il modello integra tecniche di apprendimento e logica fuzzy, consentendo di costruire strategie robuste anche in contesti altamente volatili.

Guarino, A., Grilli, L., Santoro, D., Messina, F., & Zaccagnino, R. (2022). To learn or not to learn? Evaluating autonomous, adaptive, automated traders in cryptocurrencies financial bubbles, Neural Computing & Applications.

L’efficacia di questo approccio è stata analizzata in diversi contesti caratterizzati da elevata turbolenza dei mercati, come le bolle speculative delle criptovalute e le dinamiche dei mercati delle commodity in periodi di crisi. I risultati evidenziano come l’integrazione di strategie multiple e l’apprendimento dal comportamento collettivo possano migliorare significativamente le performance rispetto ai singoli agenti.

Nel complesso, questi approcci mostrano come l’ottimizzazione evolutiva possa essere estesa oltre la semplice ricerca di soluzioni ottimali, diventando uno strumento per modellare sistemi adattivi e dinamici in cui l’interazione tra agenti gioca un ruolo fondamentale.

Metaeuristiche e problemi su grafi

n’altra area rilevante riguarda l’applicazione di metaeuristiche a problemi su grafi e reti, che emergono frequentemente in contesti logistici, infrastrutturali e territoriali. In tali scenari, la complessità combinatoria e la presenza di vincoli strutturali rendono spesso impraticabile l’utilizzo di metodi esatti, rendendo necessarie tecniche di ottimizzazione approssimata.

Tra queste, l’Ant Colony Optimization (ACO) rappresenta un approccio particolarmente efficace, ispirato al comportamento collettivo delle colonie di formiche. L’idea alla base del metodo consiste nella simulazione di agenti che esplorano lo spazio delle soluzioni depositando e seguendo tracce di feromone, permettendo una progressiva convergenza verso percorsi ottimali.

Nel contesto dei problemi su grafi, tali algoritmi risultano particolarmente adatti per la risoluzione di varianti del Chinese Postman Problem, in cui è necessario individuare percorsi minimi che attraversino tutti gli archi di una rete. L’estensione di questi metodi a dati reali introduce ulteriori complessità, legate alla struttura irregolare delle reti e alla presenza di vincoli operativi.

Rappresentazione grafica dello ski resort (Madonna di Campiglio) e modello di mappa come un grafo "directed". Sgarro, G. A., Santoro, D., & Grilli, L. (2024). Ant Colony Optimization for solving Directed Chinese Postman Problem, Neural Computing & Applications.

L’applicazione di questi modelli a dati aperti e contesti reali ha permesso di estendere le formulazioni teoriche a scenari più complessi, introducendo varianti del problema in cui la rete presenta caratteristiche non standard, come archi misti, direzionalità parziale e incompletezza delle informazioni.

Una particolare applicazione riguarda l’analisi della rete stradale dei Monti Dauni, un’area caratterizzata da una morfologia complessa e da una struttura infrastrutturale articolata. In questo caso, il problema è stato modellato come una variante del Chinese Postman Problem, con l’obiettivo di individuare percorsi ottimali in grado di garantire una copertura efficiente della rete.

Comune di Volturino (FG). Sgarro, G. A., Santoro, D., & Grilli, L. (2026). Ant colony optimization for solving mixed Chinese postman problem on open real world data, Neural Computing & Applications.

L’utilizzo di algoritmi ACO in questo contesto ha consentito di affrontare la complessità del problema in presenza di dati reali, evidenziando come approcci basati su intelligenza collettiva possano fornire soluzioni robuste ed efficienti anche in scenari caratterizzati da elevata variabilità e incertezza.

Nel complesso, queste applicazioni mostrano come le metaeuristiche possano rappresentare strumenti fondamentali per la gestione e l’ottimizzazione di sistemi complessi, contribuendo allo sviluppo di modelli avanzati per la pianificazione e il supporto alle decisioni in contesti reali.

Ottimizzazione multi-obiettivo e sistemi complessi

Approcci evolutivi risultano particolarmente adatti a questo tipo di problemi, in quanto consentono di esplorare simultaneamente diverse regioni dello spazio delle soluzioni mantenendo una popolazione di alternative candidate.

In questo contesto, sono stati sviluppati modelli basati su algoritmi genetici per la costruzione di soluzioni ottimali in ambienti complessi, tra cui l’Optimal Multivariate Mixture (OMM). Tali approcci permettono di combinare distribuzioni e strategie decisionali diverse, individuando configurazioni efficienti anche in presenza di elevata variabilità e incertezza.

L’utilizzo di tecniche evolutive in questo ambito consente di affrontare problemi multi-obiettivo in cui è necessario bilanciare criteri contrastanti, fornendo al decisore un insieme di soluzioni efficienti piuttosto che una singola soluzione ottimale.

Sgarro, G. A., Santoro, D., & Grilli, L. (2024). Optimal multivariate mixture: a genetic algorithm approach, Annals of Operations Research.