TesisFernandoAquino FinalVersion

Optimización de cadenas de adición
Fernando Oscar Aquino
Entre Ríos, Argentina

Junio de 2018
UNIVERSIDAD TECNOLÓGICA NACIONAL FACULTAD REGIONAL
CONCEPCIÓN DEL URUGUAY
DEPTO. INGENIERÍA EN SISTEMAS DE INFORMACIÓN
Optimización de cadenas de adición
Fernando Oscar Aquino
Tesis para optar al grado de Magister en Ciencias de la

Computación con orientación Bases de Datos
Asesor Científico: Dr. Mario Guillermo Leguizamón

Universidad Nacional de San Luis
Resumen
El presente estudio aborda el problema de la computación óptima de cadenas de

adición, ampliamente tratado con diferentes métodos y enfoques (tanto deterministas
como estocásticos) y de interés en el ámbito de la criptografía. En este trabajo, se
propone el uso del algoritmo de lobos grises o GWO (por sus siglas en inglés: Grey
Wolf Optimizer) para hacer frente a este problema a fin de comparar los resultados
obtenidos con otros enfoques del estado del arte. Si bien el problema en cuestión
ha sido tratado mediante diferentes estrategias y para distintos tipos de exponentes,
particularmente esta propuesta se centra en la optimización de cadenas de adición,
asociadas a exponentes de tamaño moderado.
iii
Agradecimientos
A la Facultad Regional de Concepción del Uruguay de la Universidad Tecnológica

Nacional por haberme permitido concretar esta etapa de mi formación académica.
Mi sincero agradecimiento a mi director Dr. Mario Guillermo Leguizamón por su

apoyo, paciencia y por brindarme todos sus conocimientos y asesoría para alcanzar
este logro.
Quiero dedicar este trabajo a mi familia y amigos que siempre me han acompañado
y me han brindado el apoyo necesario para concretar este desafío y a todos aquellos
que de una u otra manera apoyaron y acompañaron en cada momento.
iv
Índice General
Lista de tablas ix
Lista de figuras xi
1 Introducción 1
1.1 Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Aportes de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Organización del informe . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Marco Teórico 5
2.1 Concepto de criptografía . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Introducción a la criptografía . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Clasificación de la criptografía . . . . . . . . . . . . . . . . . . . . . . 8
2.3.1 Las firmas digitales . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Criptografía de curvas elípticas (Eliptic Curve Cryptography) . . . . 11
2.5 Cadenas de adición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 Clases de Cadenas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6.1 Cadenas de adición euclidianas . . . . . . . . . . . . . . . . . 14
2.6.2 Cadenas de adición vectoriales . . . . . . . . . . . . . . . . . . 14
v
2.6.3 Cadenas de adición – sustracción . . . . . . . . . . . . . . . . 15
2.7 Aplicaciones de las cadenas de adición . . . . . . . . . . . . . . . . . 16
2.7.1 Aritmética modular . . . . . . . . . . . . . . . . . . . . . . . 16
2.7.2 La exponenciación en aritmética modular . . . . . . . . . . . 17
2.7.3 Algoritmo básico de exponenciación modular . . . . . . . . . 17
3 Algoritmos Bioinspirados 22
3.1 Componentes de los algoritmos bioinspirados . . . . . . . . . . . . . . 22
3.2 Algoritmos evolutivos . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Algoritmos de inteligencia colectiva . . . . . . . . . . . . . . . . . . . 23
3.3.1 Algoritmos basados en cúmulo de partículas (PSO) . . . . . . 24
3.3.2 Algoritmos basados en colonias de hormigas (ACO) . . . . . . 25
3.3.3 Algoritmos basados en bacterias (BFOA) . . . . . . . . . . . . 26
3.3.4 Algoritmos basados en enjambres de abejas (ABC) . . . . . . 27
3.3.5 Algoritmo basado en comportamiento de lobos grises (GWO) 29
4 Trabajos relacionados 31
4.1 Métodos determinísticos . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.1 Estrategia binaria . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.2 Estrategia de la ventana . . . . . . . . . . . . . . . . . . . . . 32
4.1.3 Estrategia de la ventana adaptativa . . . . . . . . . . . . . . . 34
4.1.4 Método factor . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2 Métodos estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.2.1 Uso de un algoritmo genético para generar cadenas de adición 38
4.2.2 Algoritmo de recocido genético . . . . . . . . . . . . . . . . . 39
4.2.3 Otra variante de uso de GA con nuevos operadores . . . . . . 41
4.2.4 Uso de un algoritmo inmune para generar cadenas de adición

óptimas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
vi
4.2.5 Uso de un algoritmo basado en cúmulo de partículas para
generar cadenas de adición óptimas . . . . . . . . . . . . . . . 47
4.2.6 Uso de un algoritmo de programación evolutiva para generar

cadenas de adición óptimas . . . . . . . . . . . . . . . . . . . 48
4.2.7 Uso de un algoritmo de optimización basado en colonia de

hormigas (ACO) . . . . . . . . . . . . . . . . . . . . . . . . . 50
5 Algoritmo Propuesto 53
5.1 Algoritmo basado en comportamiento de lobos grises (Grey Wolf

Optimizer) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.1.1 Modelo matemático y el algoritmo GWO . . . . . . . . . . . . 54
5.2 Propuesta inicial - GWOc . . . . . . . . . . . . . . . . . . . . . . . . 57
5.3 Descripción de los experimentos . . . . . . . . . . . . . . . . . . . . . 60
5.3.1 Longitudes acumuladas de GWOc para exponentes en [1, 512] 60
5.3.2 GWOc vs. GA Annealing para exponentes específicos . . . . . 64
5.3.3 Desempeño de GWOc respecto de otras propuestas del estado

el arte para exponentes “difíciles” . . . . . . . . . . . . . . . . 69
5.4 Discusión de los resultados . . . . . . . . . . . . . . . . . . . . . . . . 76
6 Propuesta para abordar exponentes grandes 78
6.1 GWOc ventana deslizante - GWOc_SWM . . . . . . . . . . . . . . . 78
6.2.1 Comparación de GWOc_SWM con propuestas similares para

cadenas acumuladas . . . . . . . . . . . . . . . . . . . . . . . 82
6.2.2 Desempeño de GWOc_SWM respecto de otras propuestas del

estado el arte para exponentes “difíciles” . . . . . . . . . . . . 85
7 Propuesta de combinación de GWOc con Búsqueda Local 89
7.1 GWOc búsqueda local - LGWOc y

LGWOc_SWM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
vii
7.2.1 Longitudes acumuladas de LGWOc para exponentes en [1, 512] 92
7.2.2 Comparación de LGWOc_SWM con propuestas similares para

cadenas acumuladas . . . . . . . . . . . . . . . . . . . . . . . 93
7.2.3 LGWOc vs. GWOc y GA Annealing para exponentes específicos 94
7.2.4 Desempeño de LGWOc respecto de GWOc y otras propuestas

del estado el arte para exponentes “difíciles” . . . . . . . . . . 97
8 Conclusiones y trabajo futuro 107
8.1 Discusión general de las propuestas . . . . . . . . . . . . . . . . . . . 107
8.2 Conclusiones finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
8.3 Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
viii
Lista de Tablas
5.1 Promedio de resultados obtenidos por GWOc sobre los siguientes

rangos de exponentes con 30 ejecuciones independientes. . . . . . . . 60
5.2 Cadenas de adición acumuladas para todas las longitudes de

exponentes e ∈ [1, 512] . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.3 Comparación de los mejores resultados acumulados para GWOc con

otros enfoques, para el mismo rango de exponentes. . . . . . . . . . . 61
5.4 Comparación de GA Annealing [27] y GWOc para el mismo conjunto

de exponentes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.5 Cálculo de las diferencias entre los resultados de las metaheurísticas. 65
5.6 Diferencias de cada metaheurística en valor absoluto para cada

exponente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.7 valores absolutos y número de rango para cada diferencia entre los
resultados de GWOc y GA Annealing. . . . . . . . . . . . . . . . . . 66
5.8 Signos asociados a los rangos de cada diferencia. . . . . . . . . . . . . 66
5.9 Mejores resultados obtenidos por AIS [6], PSO [19], EP [8] y GWOc
para un conjunto de exponentes diversos y difíciles de optimizar. . . . 70
5.10 Conjunto de exponentes que tienen una cadena de adición óptima

asociada de longitud determinada. . . . . . . . . . . . . . . . . . . . . 71
5.11 Desempeño de cada enfoque comparado en términos de cantidad de

evaluaciones realizadas . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.1 Resultado de la mejor ejecución de 10 exponentes del rango de los

128-bits en representación binaria, tomados aleatoriamente: . . . . . . 83
6.2 Comparación de los resultados obtenidos por GWOc_SWM para

un rango de 10 exponentes aleatorios, contra SWM, AIS_SWM y
EP_SWM: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
ix
6.3 Resultados obtenidos con GWOc_SWM para un conjunto de
exponentes difíciles de optimizar, respecto de: AIS, PSO, EP y GA. . 86

evaluaciones realizadas . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.1 Cadenas de adición acumuladas para todas las longitudes de

exponentes e ∈ [1, 512] . . . . . . . . . . . . . . . . . . . . . . . . . . 92
7.2 Comparación de los mejores resultados acumulados para LGWOc

respecto de otros enfoques, para el mismo rango de exponentes. . . . 93
7.3 Comparación de los resultados obtenidos por LGWOc_SWM para

un rango de 10 exponentes aleatorios, contra: SWM, AIS_SWM,
EP_SWM y GWOc_SWM: . . . . . . . . . . . . . . . . . . . . . . . 93
7.4 Comparación de GA Annealing [27], GWOc y LGWOc para el mismo

conjunto de exponentes. . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.5 Mejores resultados obtenidos por AIS [6], PSO [19], EP [8], GWOc y
LGWOc para un conjunto de exponentes “difíciles”. . . . . . . . . . . 98

evaluaciones realizadas. . . . . . . . . . . . . . . . . . . . . . . . . . . 106
x
Lista de Figuras
2.1 Esquema de uso de firma digital. . . . . . . . . . . . . . . . . . . . . 11
2.2 Obtención de una cadena de adición para e=24. . . . . . . . . . . . . 13
4.1 Árbol de factorización. . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.1 Jerarquía de miembros de una manada de lobos grises. . . . . . . . . 54
5.2 Acorrralamiento de la presa. . . . . . . . . . . . . . . . . . . . . . . . 55
5.3 Cadena para e=23. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.4 Cadena para e=55. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.5 Cadena para e=130. . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.6 Cadena para e=250. . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.7 Cadena para e=768. . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
5.8 Cadena para e=5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.9 Cadena para e=7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.10 Cadena para e=11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.11 Cadena para e=19. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.12 Cadena para e=29. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.13 Cadena para e=47. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.14 Cadena para e=71. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.15 Cadena para e=127. . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.16 Cadena para e=191. . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.17 Cadena para e=379. . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
xi
5.18 Cadena para e=607. . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.19 Cadena para e=1087. . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.1 División en ventanas de la representación binaria del exponente. . . . 81
7.1 Cadena para e=23 para GWOc y LGWOc. . . . . . . . . . . . . . . . 95
7.3 Cadena para e=130 para GWOc y LGWOc. . . . . . . . . . . . . . . 96
7.17 Cadena para e=1087 para GWOc y LGWOc. . . . . . . . . . . . . . 104
xii
Capítulo 1
Introducción
Existen diferentes tipos de problemas relacionados al cómputo, dentro de éstos,

algunos nunca tendrán una solución porque no existe un algoritmo para resolverlos,
llamados “indecidibles” [13], tal es el caso de demostrar que la intersección de dos
LICs (Lenguajes Independientes del Contexto) es vacía. Por otro lado, existen otros
problemas que sí pueden resolverse mediante algoritmos pero el tiempo necesario para
obtener la solución los convierten en “intratables”, salvo mediante la modificación de
algunos de sus requisitos y el tratamiento mediante una heurística [13]. Los problemas
que tienen solución y pueden resolver las computadoras en un tiempo razonable se
clasifican dentro de una clase denominada P (“polinomiales”), también existe una
clase llamada NP (“polinómicos no deterministas”) de modo que: P ⊆ NP, para
esta última clase de problemas los algoritmos que se conocen tienen un elevado costo
computacional al igual que los intratables, pero no se ha demostrado aún que no
existe un algoritmo polinomial capaz de resolverlos, tampoco que sean intratables,
ejemplo: problema del viajante de comercio. Si se demostrara que existe para éste
u otro de los problemas de esta clase un algoritmo polinomial, todos los problemas
de dicha clase tendrían una solución de este tipo y se resolvería la pregunta: ¿Es
P = NP? (problema abierto más importante de la Teoría de la Computación). A
este tipo especial de problemas de la clase de complejidad NP se los ha denominado
NP-Completos [13].
La criptografía actualmente constituye un problema de la clase NP, debido a que
está basada en la factorización de números para lo que emplea operaciones como
la exponenciación modular. Los algoritmos asimétricos de criptografía utilizan la
exponenciación modular para cifrar y descifrar datos. El costo computacional
producto de la gran cantidad de operaciones de multiplicación, que implica resolver
potencias de número de orden considerable, se puede evitar mediante el uso del
concepto de “cadenas de adición” [2]. Sin embargo, un exponente no posee un única
cadena de adición válida asociada y por tanto hallar una cadena válida y cuya longitud
resulte mínima constituye un problema NP-Completo. Se denomina exponenciación
modular [8] a la operación cuya finalidad es obtener un valor b (entero, positivo) para
1
satisfacer la siguiente ecuación:
b = Ae modP (1.1)
Dado un valor A entero, arbitrario en el rango [1,P −1] y un número e entero, positivo
y arbitrario, se define exponenciación modular al problema de encontrar un valor único
y entero positivo b ∈ [1,P − 1], capaz de satisfacer la Ecuación (1.1) siendo para el
problema estudiado aquí, la función objetivo a optimizar para poder obtener un valor
b mínimo (i.e., una cadena de adición de longitud mínima). El problema radica en
que a medida que se incrementa el exponente e, aumenta el número de operaciones a
realizar para resolver la Ecuación (1.1), con lo cual se requiere una alternativa para
optimizar el proceso: la alternativa es emplear cadenas de adición para poder reducir
el número de multiplicaciones para resolver una potencia. Ejemplo: dado el exponente
e = 91, en vez de multiplicar la base 91 veces es factible contar con una cadena
asociada al número 91, como ser: C = 1,2,4,6,8,14,22,36,58,80,88,90,91 y entonces
resolver la potencia consistiría en multiplicar la base por cada uno de los exponentes
de C, es decir que para este ejemplo se realizan sólo 13 operaciones. Sin embargo y
teniendo en cuenta que no existe una única cadena para un exponente, hallar una
cadena de longitud mínima, constituye un problema de optimización combinatoria y
puede abordarse empleando una metaheurística para evitar las pruebas por fuerza
bruta para hallar un valor óptimo (cadena de longitud mínima).
1.1 Objetivo General
El objetivo principal de este trabajo de tesis es adaptar una metaheurística no

explorada, según el estado del arte, como el caso de Grey Wolf Optimizer, se usará de
ahora en más sus siglas GWO para referirnos al algoritmo, para abordar el problema
de generación de cadenas de adición de longitud mínima, incluso a exponentes del
rango de 128-bits o cercanos.
1.1.1 Objetivos específicos

• Obtener cadenas de adición de longitud igual o menor, para exponentes
pequeños, utilizados en las pruebas de otros abordajes del estado de arte, a
fin de verificar que la metaheurística propuesta logra resultados competitivos.
• Adaptar la metaheurística elegida para obtener cadenas de adición de longitud

mínima para exponentes pequeños y del orden de los 128-bits o cercanos,
obteniendo resultados superiores o equivalentes a otras propuestas.
2
• Realizar pruebas estadísticas paramétricas y no paramétricas, según
corresponda, para cotejar rigurosamente los resultados obtenidos con la
metaheurística propuesta respecto a los algoritmos del estado del arte.
1.2 Hipótesis
La adaptación del algoritmo basado en manada de lobos grises o GWO, adecuada

al problema, permitirá obtener cadenas de adición de longitud mínima, incluso para
exponentes del orden de los 128-bits, con resultados competitivos respecto de otras
propuestas del estado del arte. El uso de metaheurísticas ha dado buenos resultados
y GWO (ejemplo de otra metaheurística) puede ser un candidato para obtener
resultados competitivos.
1.3 Justificación
Puesto que los sistemas de criptografía asimétricos utilizan cadenas de adición, dotar
a los mismos de un mecanismo para hallar cadenas de longitud mínima sería un
beneficio para ellos, debido a la reducción del costo computacional inherente al proceso
de cifrado y descrifrado de datos.
1.4 Aportes de la tesis
Durante el proceso de elaboración de esta tesis se publicó el siguiente artículo:
• F. Aquino, G. Leguizamón. Optimización de Cadenas de Adición. XVII

Workshop Agentes y Sistemas Inteligentes (WASI). En Actas del XXII Congreso
Argentino en Ciencias de la Computacion (CACIC), páginas 114-126. San Luis,
Argentina, 2016.
• Además se está preparando actualmente un nuevo artículo para revista llamado

“Optimization of Addition Chains Using Gray Wolf Optimizer”.
1.5 Organización del informe
El resto del documento de tesis está estructurado de la siguiente manera. En el

Capítulo 2 se desarrolla el marco teórico de referencia de la temática, se describen
distintos tipos de cadenas de adición y los algoritmos de exponenciación modular
3
presentes en la literatura del tema. El Capítulo 3 cita y describe las distintas
metaheurísticas bioinspiradas que han sido empleadas como instrumento de abordaje
en estudios anteriores. En el Capítulo 4 se describe el trabajo relacionado con
la generación y optimización de cadenas de adición de longitud mínima, teniendo
en cuenta tanto los métodos deterministas como estocásticos. En el Capítulo 5
se describe la propuesta objeto de este trabajo que consta de la adaptación de
la metaheurística: optimización basada en manada de lobos grises GWO para el
problema de generación óptima de cadenas de adición (GWOc), los experimentos
propuestos y discusión de los resultados. En el Capítulo 6 se presenta una propuesta
alternativa de GWO con mecanismo de ventana deslizante para tratamiento de
exponentes de mayor rango numérico (GWOc_SWM), los experimentos asociados
a la propuesta y discusión de los resultados obtenidos. El Capítulo 7 plantea una
propuesta alternativa de mejora de GWOc mediante combinación con Búsqueda
Local (LGWOc), con sus respectivos experimentos y la discusión de los resultados.
Finalmente en el Capítulo 8 se exponen las conclusiones y trabajo futuro propuesto.
4
Capítulo 2
Marco Teórico
2.1 Concepto de criptografía
Criptografía o Criptología (del griego “krypto” y “logos”, significa el estudio de lo

oculto o escondido). Más precisamente, es la ciencia que trata los problemas teóricos
relacionados con la seguridad en el intercambio de mensajes (codificados) entre un
emisor y un receptor a través de un canal de comunicaciones, por ejemplo: una
red de computadoras. La criptografía es una evolución tecnológica de lo que en
la antigüedad se conocía como Esteganografía (encubrimiento) [9] la cual era un
procedimiento para ocultar mensajes y poder enviarlos al receptor sin ser descubiertos,
de tales procedimientos se encuentran detalles desde el siglo V a.C. descriptos por
el célebre historiador griego Heródoto [9]. Mucho más tarde también se conocieron
ciertos procedimientos, durante la segunda guerra mundial, por ejemplo: uno que
básicamente trataba de ocultar un mensaje (microfilmado), reduciendo el mismo hasta
el extremo de un pequeño punto de manera que el mismo podía pasar a simple vista
como un signo de puntuación o un caracter dentro de otro texto, sin revelarse su
contenido más que para quién sabía que dicho caracter albergaba un mensaje [9].
De la mano de los avances de la ciencia la Esteganografía evolucionó al grado de dar
lugar a diversas técnicas que se conocen con el nombre de Criptografía pero ésta, a
diferencia de la Esteganografía no intenta ocultar la existencia de un mensaje sino
más bien de ocultar su significado, mediante algún mecanismo de codificación.
Esta ciencia está dividida en dos grandes ramas: la criptografía, ocupada del diseño
de los artefactos capaces de lograr una codificación robusta para ocultar el significado
de los mensajes (criptosistemas) y el criptoanálisis que trata de descifrar los mensajes
codificados en clave, intentando vulnerar los criptosistemas [9].
5
2.2 Introducción a la criptografía
El criptoanálisis es uno de los componentes o ramas de la criptografía y puede definirse

como la disciplina que se centra en el diseño y estudio de las técnicas tendientes a
descifrar comunicaciones o mensajes codificados sin conocer las claves correctas para
haber generado dicha codificación. Para esto existen diversas técnicas, dentro de las
más comunes y descriptas en [2]:
• Ataques sólo a texto cifrado: en estos casos el atacante (criptoanalista) o sistema

de criptoanálisis no conoce ninguna parte del mensaje original codificado o en
clave y sólo debe trabajar a partir de texto o mensaje cifrado.
• Ataque a texto sin cifrar conocido: el atacante o sistema de criptoanálisis conoce

o puede inferir el texto sin cifrar para algunas partes del texto cifrado. Esta tarea
básicamente consiste en la posibilidad de descifrar el resto de los bloques de texto
cifrado a partir de esta información. Esto es factible de realizar determinando
la clave utilizada para cifrar los datos.
• Ataque a texto sin cifrar elegido: el atacante o sistema de criptoanálisis puede

obtener alguna porción del texto cifrado, a elección. Al igual que el caso anterior,
la tarea consiste en determinar la clave utilizada para el cifrado, para decodificar
el bloque elegido. Algunos métodos de cifrado (por ejemplo, el algoritmo de
clave pública o asimétrico RSA [16]) suelen ser vulnerables a los ataques de
texto sin cifrar elegido.
• Ataque “man-in-the-middle” (hombre en el medio): en este tipo de ataque el

atacante o sistema de criptoanálisis mediante intromisión, se coloca en medio
de las partes legítimas que se comunican (emisor y receptor), el principal
objetivo de este tipo de ataques son los protocolos de intercambio de claves
en las comunicaciones. Este tipo de ataque radica en que cuando dos partes
se intercambian claves (mediante un mecanismo seguro de comunicaciones) el
atacante se coloca entre las partes, en la línea de comunicaciones, ejecutando
un intercambio de clave por separado con cada parte. Las partes finalizarán
utilizando una clave diferente cada una, de manera que ambas son conocidas
por el atacante, descifrando en consecuencia dicha comunicación. Las partes
(emisor y receptor) creerán que se están comunicando de forma segura, pero el
atacante del sistema está “escuchando” y capturando los mensajes.
• Ataque de tiempo: este tipo es más novedoso que los anteriores y se basa en
la medición repetida de los tiempos de ejecución (exacta) de las operaciones
de exponenciación modular [16], algunos de los objetivos de este tipo de
ataques son los métodos criptográficos: RSA, Diffie-Hellman y las técnicas
basadas en Curvas Elípticas. Generalmente los algoritmos en su implementación
realizan cálculos de tiempo de ejecución no constante, debido al proceso de
optimización del rendimiento. Si un sistema de criptoanálisis logra instrumentar
6
un mecanismo capaz de recuperar información estadística de los tiempos de
ejecución de las operaciones o variaciones de dichos tiempos, puede recuperar
a partir de esta información el valor de ciertos parámetros secretos o revelar
detalles de la implementación del algoritmo.
• Criptoanálisis Diferencial, Lineal y Lineal-Diferencial: el criptoanálisis
diferencial es un tipo de ataque que puede aplicarse a codificadores de bloque
iterativos. Dentro de este tipo tenemos los algoritmos simétricos o de clave
secreta: DES (por sus siglas en inglés: Data Encryption Standard), 3DES (por
sus siglas en inglés: Three Data Encryption Standard, es decir DES utilizando
3 claves), etc., de hecho estas técnicas fueron introducidas y posteriormente
mejoradas y se utilizaron para atacar el DES. El criptoanálisis diferencial es
un ataque aplicado sobre textos sin cifrar, escogidos previamente y se basa
en un análisis de la evolución de las diferencias entre dos textos sin cifrar
relacionados cuando se cifran bajo la misma clave. Mediante un cuidadoso
análisis de los datos disponibles, las probabilidades pueden asignarse a cada
una de las posibles claves y eventualmente la clave más probable se identifica
como la correcta. El segundo caso de este grupo es el criptoanálisis lineal que
fue ideado para un ataque sobre FEAL (por sus siglas en inglés: Fast data
Encipherment Algorithm). Fue extendido por Matsui para atacar al DES. Es
un ataque dirigido a texto no cifrado conocido y emplea una aproximación
lineal para describir el comportamiento del cifrador de bloque. En función
de esto, al tener suficientes pares de texto sin cifrar y los correspondientes
textos cifrados, es posible obtener los bits de información acerca de la clave de
cifrado y a medida que aumenta la cantidad de pares (texto no cifrado con sus
correspondientes cifrados) dan lugar a una elevada probabilidad de éxito en
el ataque. Posteriormente, han surgido una serie de mejoras de las cuales ha
resultado un tipo denominado lineal – diferencial que combina elementos de
ambos tipos de criptoanálisis.
• Ataques de diccionario: a diferencia de los casos anteriores, el objetivo de este
tipo de criptoanálisis no es obtener la clave, sino directamente el dato concreto
que se pretende ocultar, ya que el método de cifrado es público y aunque no
se disponga de la clave se puede reproducir. Este es el caso que suele aplicarse
en los sistemas de cifrado de claves de acceso, en sistemas operativos, para
vulnerar claves de usuario, teniendo en cuenta que cuando un usuario se da
de alta, introduce su código y clave de acceso. Luego se cifra dicha clave y
posteriormente se compara el resultado con la clave cifrada (almacenada en
el fichero de claves), al momento de un intento de inicio de sesión con estas
credenciales y si son iguales, el sistema considera que el usuario es quien dice
ser, permitiendo el acceso. Teniendo en cuenta lo anterior, los sistemas de
criptoanálisis dedicados a vulnerar claves, parten del hecho de obtener una copia
del archivo de claves, a fin de comprobar si existe alguna cuenta de usuario sin
clave asociada, para valerse de la misma. Estos sistemas utilizan un diccionario
con grandes cantidades de palabras y combinaciones comunes y válidas como
claves. Dicho diccionario es cifrado empleando la utilidad de cifrado del sistema
7
operativo en cuestión o una copia de dicha herramienta y a continuación se
ejecuta un proceso de comparación del archivo de claves del sistema con el
resultado del cifrado, de modo que si se producen coincidencias para al menos
un caso, se puede inferir cuál es la palabra o combinación de caracteres oculta
bajo una clave.
• Ataques por búsqueda exhaustiva o fuerza bruta: este tipo de ataque se realiza
generando de forma aleatoria todos los posibles valores de las claves de acceso de
un sistema y transformándolas, de manera que se pueda elegir la clave de acceso
cuya transformada coincida con la interceptada. Este criptoanálisis resulta útil
cuando la clave es de tamaño reducido, ya que en caso contrario el número de
combinaciones sería impracticable, sin embargo para claves de gran longitud es
factible agilizar este tipo de ataque mediante técnicas de hardware, pero a un
costo muy elevado.
2.3 Clasificación de la criptografía
En los sistemas de criptografía se contemplan tres aspectos fundamentales [30]:
1. El tipo de operación empleada para la transformación del texto original en

texto cifrado. Estas operaciones se clasifican de forma general en: sustitución
y transposición o permutación.
• Sustitución: este mecanismo básicamente consiste en reemplazar los

caracteres del mensaje original por otros diferentes, siendo los nuevos
caracteres que reemplazan a los del mensaje original de cualquier tipo:
letras, números, símbolos o caracteres especiales.
• Transposición o permutación: mecanismo de cifrado que consiste en
cambiar el orden de los caracteres dentro del mismo texto original.
Básicamente se trata de colocar el texto original en una tabla o matriz
de “n” columnas y una clave de cifrado “c” que consta del número “n”
junto con el orden en el que deben ser leídas las columnas del mensaje
original para dar origen al mensaje cifrado.
2. El método de procesamiento del texto a ser cifrado, este puede ser: mediante
bloques, bits, bytes, etc.
3. El número de claves utilizadas para el mecanismo de cifrado y descifrado de

textos, siendo este número: uno o más y de éstos dos tipos es que surje la
clasificación según dicho aspecto.
Los sistemas criptográficos se pueden clasificar en dos grandes tipos, dependiendo del
número de claves que utilizan [30]:
8
• Sistemas de clave privada: también llamados de criptografía convencional o
simétrica.
• Sistemas de clave pública: también llamados de criptografía asimétrica.
Criptografía de clave privada o simétrica
Es la utilizada por aquellos sistemas o mecanismos de criptografía que emplean la

misma clave para cifrar y descifrar mensajes. Estos mecanismos toman como entrada
el texto original y obtienen otra versión diferente del mismo mediante la clave
simétrica de cifrado. Poseen un complejo intercambio de claves, siendo esto su mayor
desventaja: Requieren n(n − 1)/2 claves por cada “n” puntos que se comunican entre
sí (emisor y receptor) y dichas claves no vuelven a emplearse una vez utilizadas. Por
ejemplo: para 1000 puntos de comunicación que interactúan entre sí, se requieren
499.500 claves por cada uno.
Criptografía de clave pública o asimétrica
Es la utilizada por aquellos sistemas o mecanismos de criptografía que utilizan un

par de claves para el envío de mensajes entre emisor y receptor: una clave privada y
una pública. De modo tal, que el remitente usa la clave pública del destinatario para
cifrar el mensaje, entonces una vez cifrado, sólo la clave privada del destinatario podrá
descifrar el mensaje original. La principal ventaja que aportan frente a los mecanismos
simétricos es que evitan el inconveniente del intercambio de claves. Requieren sólo
“n” pares de claves para comunicar mensajes, por cada “n” puntos que se comunican
entre sí (emisor y receptor).
2.3.1 Las firmas digitales
Con el auge de las comunicaciones y la posibilidad de compartir datos entre sistemas,

muchas veces a través de un medio inseguro como sería la red amplia mundial
(Internet), los Criptosistemas como RSA han tenido que implementar mecanismos a
fin de asegurar que quién recibe un mensaje de un remitente (emisor) tenga seguridad
que dicho mensaje proviene de quién dice ser dicho remitente, y a su vez, que el emisor
tenga certeza de que su mensaje llego sin alteraciones al destinatario (receptor).
Un ejemplo de estos mecanismos son las Firmas Digitales [16], que constituyen
un caso de aplicación de la Criptografía. Dichas firmas se aplican a mensajes de
longitud arbitraria y se generan calculando primeramente un valor hash (resumen)
del mensaje original y luego firmando el mismo con la firma digital obtenida, tal como
se ejemplifica en la Figura 2.1.
9
Una firma digital es una transformación que vincula de forma única un documento
con la clave privada del firmante del mismo (ver Figura 2.1), mediante el uso de una
función para firmar y otra para verificar la firma, tal como se expone en [16]. A
continuación se describen dichos procesos.
• Firma
Esta operación puede describirse de la siguiente manera:
– Considerar un emisor A, un receptor B, un mensaje M y una firma digital

S.
– El firmante F genera una firma digital S para un mensaje M.
– Se ejecuta la firma S= Sa (M), siendo Sa la función que aplica la firma de
A sobre el mensaje M.
– Se envía al receptor B el par (M,S).
• Verificación
– Una vez cumplida la secuencia anterior, B verifica que la firma S aplicada

al mensaje M, haya sido generada por A, para esto:
– B aplicará una función de verificación Va , sobre el par (M,S) recibidos de
A.
– De este modo B calcula: V = Va (M,S)
– El resultado de lo anterior será verdadero o falso, según sea aceptado o
rechazado el resultado de V.
Las firmas digitales trabajan y operan bajo esquemas de clave pública, en donde la
clave privada se utiliza para firmar, y la pública para verificar la firma. Con el fin
de asegurar tanto la integridad del documento como la identidad del remitente. Es
aconsejable que se utilicen diferentes claves para el cifrado y para la firma digital.
Este tipo de criptosistemas utilizan la exponenciación modular para las operaciones
de cifrado y descifrado de datos.
Las firmas digitales entre otros sistemas de cifrado de clave pública han cobrado
importancia en la actualidad producto del desarrollo de los sistemas de cómputo e
información y la importancia de proteger los activos de información de organizaciones
de diversos rubros y sectores de la sociedad, como las empresas del rubro bancario que
deben realizar operaciones y movimientos económicos, intercambiando información
sensible como datos personales, estados de cuenta, etc.; entre entidad y clientes o
bien entre dichas entidades y terceros, asegurando el resguardo de dicha información.
10
Figura 2.1: Esquema de uso de firma digital.
2.4 Criptografía de curvas elípticas (Eliptic Curve

Cryptography)
Este tipo de criptografía está basado en la teoría matemática de las curvas elípticas
sobre la cual sólo se hace una breve introducción conceptual a continuación, debido a
la complejidad del tema, sin embargo para un análisis y revisión detallada se puede
consultar [29].
Curvas elípticas sobre números reales
Las curvas elípticas son ecuaciones cúbicas de dos variables, cuya forma general es
como se ejemplifica en ecuación 2.1. Son curvas sobre números reales.
Y 2 = X 3 + aX + b (2.1)
En principio podemos pensar en una curva elíptica como el conjunto de soluciones

de una ecuación de la forma anterior. Para el empleo de las mismas en criptografía
nos resulta de interés contemplar dichas curvas pero sobre un campo numérico finito
(diferente al de los números reales). En este sentido, el uso más frecuente resulta ser
el campo de los números primos enteros, ya que se aplica aritmética modular de un
número primo p.
Una curva elíptica sobre el campo numérico Zp (conjunto de números enteros primos
p), con un determinado valor de p, es el conjunto de todos los pares ordenados (x, y) ∈
Zp que satisfacen:
Y 2 = X 3 + aX + b mod p (2.2)
11
Así como mediante los sistemas criptográficos tales como el algoritmo RSA (Rivest,
Shamir y Adleman) [16], la finalidad es factorizar números, cuando se trabaja con
curvas elípticas el objetivo es tratar de obtener logaritmos o en realidad un grupo de
logaritmos que mientras más complejo sea, más seguro resulte el criptosistema o el
esquema de cifrado.
En álgebra, un grupo es un conjunto de elementos unidos a una operación matemática,

dicha operación que podríamos denominar (⊗), debe cumplir con ciertas propiedades
a saber:
• La operación debe ser cerrada: esto significa que si dos elementos, por ejemplo:
a, b, pertenecen al grupo, el resultado de a ⊗ b también deberá pertenecer al
grupo.
• La operación debe ser asociativa.
• Debe cumplir con existencia de elemento neutro, de modo que: a ⊗ e = e ⊗ a,
donde e es el elemento neutro respecto de ⊗.
• Debe cumplir con existencia de elemento opuesto.
Éstas son las propiedades que definen a un grupo, en particular para este tipo de
criptosistemas, los que son de interés son los grupos “cíclicos”, es decir, aquellos que
mediante un elemento llamado generador, son capaces de generar todos los elementos
que lo componen [29].
El algoritmo básico de un mecanismo de curvas elípticas tendría por ejemplo, los

siguientes pasos:
1. Elegir una curva elíptica. La curva elíptica tiene un conjunto de soluciones

(x,y).
2. Si los valores (x,y) pertenecen a un campo finito, entonces los puntos (x,y) de
la curva forman un grupo.
3. Tomamos un elemento del grupo, y hallamos su logaritmo discreto para una
base dada.
4. Eso nos servirá de base para establecer algoritmos criptográficos de intercambio
de claves y de firma digital.
El empleo de los sistemas basados en curvas elípticas surge como una alternativa
a los sistemas criptográficos clásicos de clave pública, como el RSA, debido a la
ventaja de poder utilizar claves más reducidas en tamaño con costos computacionales
menores tal como se describe en [29].
12
2.5 Cadenas de adición
Una cadena de adición [31] C cuya longitud podemos expresarla como Lc, es una
secuencia de números enteros positivos C = [c1 ; c2 ; c3 ; ...; ci ; ...; cLc ], con c1 = 1, c2 = 2
y cLc = e y ci−1 < ci < ci+1 < cLc , donde cada elemento ci se obtiene de la suma
de dos elementos previos, no siempre distintos y e resulta ser el número asociado de
dicha cadena, en otras palabras una cadena de adición C para un número dado e, es
una secuencia de números que debe cumplir las siguientes propiedades:
• El primer elemento de la cadena es el número uno.

• Cada número es la suma de dos números anteriores.
• El número dado e se ubica al final de la cadena.
Figura 2.2: Obtención de una cadena de adición para e=24.
A continuación se presentan tres ejemplos de cadenas de adición, para e = 91, e=177 y

e=24. Para este último se muestra en la Figura 2.2 la obtención de cada componente
de la cadena de adicion asociada.
C1 = [1; 2; 3; 5; 6; 11; 22; 33; 36; 58; 80; 91].

C2 = [1; 2; 4; 5; 10; 11; 22; 44; 88; 176; 177].
C3 = [1; 2; 4; 5; 9; 11; 22; 24].
Entonces, una cadena de adición se puede ver como la secuencia numérica asociada
a e, siendo el valor entero Lc la longitud de la cadena de adición C. Vale mencionar
que la longitud es igual al número de elementos de la cadena menos uno.
2.6 Clases de Cadenas
Existen diversos tipos de cadenas de adición, las cuales han sido definidas en el
transcurso del tiempo de acuerdo con las necesidades que involucraban su uso.
13
2.6.1 Cadenas de adición euclidianas
Son una variante de las cadenas de adición definidas anteriormente. La única

diferencia que presenta una cadena Euclidiana respecto de otra que no lo es, radica
en la restricción de no permitir el “doblado” de números, es decir, un número que
conforma la cadena proviene de la suma de dos números previos, distintos.
Dicho lo anterior podemos denotar a una cadena euclidiana Ce con longitud LCe a
un secuencia de número enteros positivos:
Ce = [c1 ; c2 ; c3 ;...; ci ; ... cLCe ]
Donde:
• c1 = 1, c2 =2, cLCe = e,
• ci−1 < ci < ci+1 < cLCe ,
• ci se obtiene de la suma de dos elementos previos pero siempre distintos.

i<j∧k<j
∃ j, k / j , k ∧ ci = cj + ck
Por su naturaleza, la longitud LCe de una cadena de adición euclidiana mínima sería
de mayor o igual longitud a una cadena de adición tradicional.
El uso de este tipo de cadenas en los criptosistemas se justifica en ciertos casos ya que
reducen el riesgo de diversos tipos de ataques criptográficos que se realizan durante
el proceso de cifrado y descifrado.
2.6.2 Cadenas de adición vectoriales
Son un tipo de cadenas [17] que se caracterizan por estar conformadas por vectores,
donde cada vector es producto de la suma de dos vectores pertenecientes a la cadena.
Una cadena vectorial Cv cumple las siguientes propiedades:
• Los vectores iniciales (elementos iniciales) son los vectores unitarios:

[1, 0,..., 0]; [0, 1, 0,..., 0]; ... ; [0 ,..., 0, 1].
• Cada vector es la suma de dos vectores anteriores.
• El último vector de la cadena es igual al vector dado.
14
En [16] se puede ver el siguiente ejemplo de una cadena de adición vectorial:
[1; 0; 0]
[0; 1; 0] → [[0; 1; 1][1; 1; 1][0; 1; 2][1; 2; 3][1; 3; 5][2; 4; 6][3; 7; 11][4; 8; 12][7; 15; 23]]
[0; 0; 1]
En el ejemplo anterior vemos que el vector [0; 1; 1] se conforma de la suma de los

vectores unitarios: [0; 1; 0], [0; 0; 1], luego el vector [1; 1; 1] se conforma de la suma del
primer vector unitario [1; 0; 0] y el elemento número 1 de la cadena: [0; 1; 1] y luego
continua el proceso de generación tomando dos vectores anteriores para dar origen a
un nuevo elemento hasta llegar a [7; 15; 23], obteniéndose una cadena vectorial Cv
cuya longitud LCv = 9.
Este tipo de cadenas de adición pueden emplearse para encontrar las secuencias
mínimas de adición o en exponenciación con vectores.
2.6.3 Cadenas de adición – sustracción
Este tipo de cadenas [31] son similares a las cadenas de adición tradicionales pero
éstas se denotan como se expresa a continuación.
Una cadena de adición – sustracción, en adelante: AS, con longitud Las se puede
definir como aquella secuencia de números enteros positivos de la forma:
AS = [as1 ; as2 ; as3 ;...; asi ; ... asLas ]
Donde:
• as1 = 1; as2 = 2; asLas = e
• asi = asj +− ask ∧ j; k < i
Este tipo de cadena fue desarrollado, al igual que las cadenas vectoriales, debido a
necesidades puntuales que no eran satisfechas por las cadenas de adición tradicionales,
por tanto no son aplicables a todos los tipos de operaciones.
El caso puntual de las cadenas AS tinen aplicación en los algoritmos de criptografía

basados en curvas elípticas [29] y especialmente han demostrado robustes frente a una
técnica específica de criptoanálisis denominada ataque de canal lateral, tal como se
describe en el trabajo [11].
15
2.7 Aplicaciones de las cadenas de adición
Las cadenas de adición tienen aplicación en el cifrado y descifrado de datos

en algoritmos asimétricos o de llave pública, con el objetivo de reducir el
número de multiplicaciones que supone la operación utilizada para estos fines:
exponenciación modular [16]. Estas operaciones implican un gran consumo de
recursos computacionales, tales como el uso de memoria y procesador. Este tipo de
exponenciación es una operación que pertenece al ámbito de la aritmética modular y
a continuación se describe en que consiste.
2.7.1 Aritmética modular
A través de la historia la aritmética modular ha tenido incidencia en diversas

actividades o disciplinas, tales como: la teoría de números, el álgebra abstracta,
las artes, pero sobre todo, en la criptografía y seguridad de la información. En
la actualidad ha cobrado relevancia, debido entre otros factores, a la necesidad de
las grandes empresas de mantener sus activos de información de forma segura sin
impactar en el acceso y disponibilidad; esto se ha podido lograr mediante algunas
estrategias como el uso de códigos, en los que se aplican operaciones como la
factorización de grandes números. Si bien los primeros estudios sobre aritmética
modular se sitúan en una época remota (Siglo I d.C) y fueron los chinos los primeros en
abordar el tema, posteriormente fue Gauss el primero en hacer un estudio sistemático
y metódico de aritmética modular como parte de su obra [12].
Definición de congruencia
Dado m ∈ Z (conjunto de enteros), con m > 1, se dice que a, b ∈ Z son congruentes

módulo m si y sólo si m|(a − b), es decir si m es divisible por la diferencia de dichos
números. Se denota esta relación como a ≡ b (mod m), donde m se denomina
módulo de congruencia.
Cabe mencionar que si m divide al resultado de la operación (a − b), esto supone que
a y b tienen ambos el mismo resto, al ser divididos por el módulo m.
Ejemplo: 23 ≡ 2 módulo 7, se lee: “23 es congruente módulo 7 con 2”, pues 23 =

7∗3+2
La congruencia módulo m es una relación de equivalencia para todo m ∈ Z, por lo

tanto, cumple con: reflexividad, simetría y transitividad. Puesto que es una relación
de equivalencia, es posible definir el conjunto cociente de las clases de equivalencia
16
resultantes de la relación de congruencia, de este modo, la relación clasifica a cualquier
entero según el resto obtenido al dividirlo por el módulo m correspondiente [12].
2.7.2 La exponenciación en aritmética modular
Dentro de la aritmética modular y sus operaciones, para el caso de los algoritmos de

criptografía, nos interesa conocer particularmente la exponenciación.
Las operaciones aritméticas que hacen la mayoría de las computadoras son de este
tipo, donde el modulo es 2b siendo b el número de bits de los valores sobre los que
operamos.
La exponenciación clásica es aquella operación que consiste en multiplicar la base

por sí misma tantas veces como indica el exponente; lo que produce que el número
de multiplicaciones se incrementa en función del exponente. Por otro lado la
exponenciación modular es una técnica de amplio uso en algoritmos criptográficos
de cifrado asimétrico y cuya diferencia con la exponenciación clásica, radica en que
la primera es menos costosa de realizar que su operación homóloga en la aritmética
entera. Esto se debe a que después de cada multiplicación se calcula el modulo del
resultado para que el resultado temporal no se incremente en exceso.
Nótese que a ∗ b mod m = [(a mod m)(b mod m)] mod m, y que por grande que
sea el exponente, nunca es necesario multiplicar por números enteros mayores que el
módulo m.
2.7.3 Algoritmo básico de exponenciación modular
En el Algoritmo 1 la cantidad de operaciones (multiplicaciones y operaciones de

módulo) estará determinada por el valor del exponente, es decir que si dicho valor
es 100.000, se ejecutarán 100.000 multiplicaciones y 100.000 operaciones de módulo
(divisiones donde nos quedamos con el residuo). En resumen si bien la exponenciación
modular es menos costosa que la clásica, vemos que por más que utilicemos esta
variante, cuando el exponente se incrementa a valores elevados, no se reduce la
cantidad de operaciones y en términos de costo computacional el método resulta
ser poco eficiente. Una manera de resolver esta situación es mediante el empleo de
cadenas de adición tal como describe [7] y otros estudios. El Algoritmo 1 resume la
operación de exponenciación modular.
17
Algoritmo 1 exponenciación modular
Entrada: a, e y m.
Salida: exp = ae mod m.
1: exp := a; i := 0;
2: mientras (i < e); i + + hacer
3: exp := (exp × a) mod m
4: fin mientras
5: devolver exp
Donde:
a: base (número entero)

e: exponente (número entero)
m: módulo (número entero)
exp : exponente (número entero)
Por ejemplo, si se desea calcular a17 (mod 9), una manera predecible de realizarlo, es
multiplicar la base a, 16 veces y de manera análoga calcular el módulo. No obstante,
una manera más eficiente de calcularlo es empleando cadenas de adición. Dada la
cadena de adición C, donde C = [1; 2; 4; 6; 10; 16; 17], valiéndonos de las propiedades
de la potencia, el cálculo se reduce a 6 multiplicaciones:
a1 = a (mod 9)
a2 = a1 × a1 (mod 9)
a4 = a2 × a2 (mod 9)
a6 = a2 × a4 (mod 9)
a10 = a4 × a6 (mod 9)
a16 = a6 × a10 (mod 9)
a17 = a1 × a16 (mod 9)
El mecanismo de cómputo descripto anteriormente es el que emplean los algoritmos

criptográficos de clave pública como RSA [16]. Cable destacar que el algoritmo de
clave pública RSA, es uno de los sistemas criptográficos asimétricos más conocidos y
usados. Sus creadores [Rivest - Shamir - Adlman] idearon este algoritmo y fundaron
la empresa RSA Data Security Inc., una de las más prestigiosas en el ámbito de la
protección de datos. El fundamento de RSA es la dificultad de factorizar números muy
grandes, ya que para factorizar un número, el método más lógico consiste en dividir
sucesivamente dicho número entre 2, 3, 4, y así sucesivamente, buscando siempre que
el resultado de la operación sea exacto (cuyo resto sea igual a cero), obteniéndose un
divisor del número en cuestión.
Valiéndose de la exponenciación modular de exponente y módulo fijos, RSA crea sus

claves tal como describe el Algoritmo 2.
18
Algoritmo 2 algoritmo criptográfico RSA
Entrada: p, q (aleatorios)
Salida: d, n
1: obtener los números:
n=p×q
ϕ = (p − 1) × (q − 1);
2: obtener e
3: Se calcula d = e−1 mod ϕ , con mod = resto de la división de números enteros.
Y ya con estos números obtenidos, n es la clave pública y d es la clave privada.

Los números p, q y ϕ se destruyen. También se hace público el número e, necesario
para alimentar el algoritmo.
Donde:
p, q : números primos grandes, por ejemplo del orden de los 100 o hasta 300 dígitos.
n: clave pública.
d: clave privada.
e: número sin múltiplos comunes con ϕ, capaz de satisfacer la ecuación 2.3.
mcd(d; (p − 1) × (q − 1)) = 1 (2.3)
En [16] se muestra un ejemplo sencillo de dicho proceso, construyendo un

criptosistema RSA con la siguiente información.
Dados un mensaje M = 50 (mensaje en texto plano), p = 11 y q = 13. En el
contexto de este ejemplo, llamaremos M a un mensaje en texto plano (no cifrado) y
M̂ a su equivalente cifrado.
El método opera con exponente público y módulo (e; n) = (13; 143), y conserva como
privado, los siguientes datos: d = 113, p = 11, q = 13. De este modo el proceso típico
de cifrado / descifrado se ejecuta según los pasos del Algoritmo 2:
n = p × q = 143
ϕ = (p − 1) × (q − 1) = (11 − 1) × (13 − 1) = 120
e = 17, arbitrario pero que no tenga múltiplos en común con ϕ.
d = e−1 mod ϕ = 17−1 mod 120 = 113
19
En este ejemplo M representa el mensaje en texto plano y M̂ al mensaje cifrado.
M = 50
M̂ = M e (mod n)
M̂ = 5017 (mod 143)
M̂ = 85
M̂ = 85
M = M d ( mod n)
M = 85113 ( mod 120)
M = 50
Ejemplo de algoritmo Criptográfico RSA
A continuación se muestra un ejemplo donde el mensaje M consiste de la palabra

“HOLA”. De este modo si se desea intercambiar el mensaje “HOLA” de manera segura
entre dos partes: A (emisor) y B (receptor), de modo tal, que A cifra el mensaje con
su clave privada y B descifra el mismo con la clave pública de A, y de manera análoga
si B envía un mensaje a A, éste será cifrado con la clave privada de B y descifrado
por A con la clave pública del B.
Suponiendo que la clave privada de A es (53, 143) y su clave pública es (77,143), se

procedería de la siguiente manera:
H 7253 mod 143 = 128

O 7953 mod 143 = 118
L 7753 mod 143 = 15
A 6953 mod 143 = 49
Siendo “HOLA” → H = 72, O = 79, L = 77, A = 69
Nótese que el procedimiento detallado en el Algoritmo 2 debe aplicarse para cada

caracterer del mensaje a cifrar.
En función de lo anterior, para fines prácticos, dicho proceso puede ser optimizado
empleando la siguiente cadena de adición: C = [1; 2; 4; 6; 7; 13; 20; 33; 53] cuya
longitud Lc = 8, puesto que es fácil notar que sólo para cifrar la letra “H” deben
llevarse a cabo 53 multiplicaciones del exponente e igual cantidad de operaciones
módulo. A fin de demostrar de forma práctica la resolución mediante el uso de la
cadena C, se muestra el esquema sólo para cifrar la letra “H” del mensaje, no obstante
para cada letra a cifrar se debe realizar el mismo proceso de forma iterativa.
20
El mecanismo consiste en utilizar productos de potencias de igual base, donde la base
será igual a cada ocurrencia de carácter del mensaje y las potencias que se utilizan
en cada paso son los elementos de la cadena de adición, expresadas como producto
de potencias de igual base. A continuación se muestra, a modo de ejemplo, los pasos
necesarios para cifrar el carácter “H” de la palabra “HOLA”, donde cada elemento ci
es un término de la cadena de adición empleada.
c1 =1: a1 → a1 = 72
c2 =2: a2 → a × a = 72 × 72 mod 143 = 36
c3 =4: a4 → a2 × a2 = 36 × 36 mod 143 = 9
c4 =6: a6 → a4 × a2 = 9 × 36 mod 143 = 38
c5 =7: a7 → a6 × a = 38 × 72 mod 143 = 19
c6 =13: a13 → a7 × a6 = 19 × 38 mod 143 = 7
c7 =20: a20 → a7 × a13 = 7 × 19 mod 143 = 133
c8 =33: a33 → a13 × a20 = 7 × 133 mod 143 = 73
c9 =53: a53 → a20 × a33 = 133 × 73 mod 143 = 128 ≡ H
De esta manera con el empleo de la cadena C, tras 8 operaciones de potencia y 8

de módulo reducimos la complejidad de haber efectuado 53 de cada tipo, por cada
carácter a cifrar dentro del texto. Cada paso del ejemplo anterior constituye un
elemento de la cadena de adición C=[1; 2; 4; 6; 7; 13; 20; 33; 53], empleada para
llevar a cabo el cifrado.
En este Capítulo se ha presentado el marco teórico de referencia de la tesis,

introduciendo al lector en conceptos básicos de Criptografía con algunas reseñas
históricas sobre la misma. Por otra parte se explica el concepto de cadenas de adición
y las operaciones de la aritmética modular, los tipos de cadenas y aplicaciones de las
mismas en el ámbito de la Criptografía.
21
Capítulo 3
Algoritmos Bioinspirados
En virtud de la existencia de diversas formas de resolver un problema de optimización

combinatoria y la dificultad para abordar ciertos problemas con los métodos
tradicionales, las ciencias de la computación, a través de la inteligencia artificial,
han impulsado el estudio de diversas técnicas, sustentadas en el hecho de que en la
naturaleza existen procesos que por sus características pueden ayudarnos a cumplir
con el propósito de resolver problemas que de otro modo serían difíciles de tratar.
De esta manera es que han surgido métodos, que por su similitud con procesos de la
naturaleza, se han denominado bioinspirados [33].
Estos métodos constituyen una opción alternativa cuando los problemas de

optimización plantean dificultad para ser resueltos, en función de:
• El espacio de búsqueda es demasiado grande. Es decir, que el número de posibles

soluciones el alto.
• La complejidad del problema. Esto puede llevar a plantear modelos
simplificados del mismo y por tanto ser poco útil una solución obtenida.
• Es demasiado complejo arribar a, al menos, una solución factible (que cumpla
con las restricciones del problema), debido a que las posibles soluciones están
demasiado restringidas.
• La función de evaluación que determina la calidad de cada posible solución
fluctúa en el tiempo o tiene ruido.
3.1 Componentes de los algoritmos bioinspirados
El funcionamiento de un algoritmo bioinspirado se puede esquematizar de manera

general mediante la secuencia de pasos del Algoritmo 3.
22
Si bien existen diferencias específicas en cada propuesta de algoritmos bioinspirados,
también tienen componentes comunes, como la representación de las soluciones, la
generación de un conjunto de soluciones iniciales (paso 1), mecanismos de selección
(paso 3) y el uso de operadores de variación (paso 4).
Algoritmo 3 Algoritmo bioinspirado

1: Generar un conjunto de soluciones para el problema en cuestión.
2: Evaluar cada solución en función del objetivo a optimizar.
3: Seleccionar las mejores soluciones del conjunto (aquellas que alcanzaron mejor
valor para la función objetivo).
4: Generar nuevas soluciones (a partir de aplicar operadores de variación sobre las
mejores soluciones obtenidas en 3).
5: Evaluar las nuevas soluciones.
6: Seleccionar las nuevas mejores soluciones para la siguiente generación.
7: Iterar a partir de 2 hasta alcanzar un criterio de parada.
De acuerdo con los fenómenos naturales en los que se encuentran inspirados estos
algoritmos se clasifican en dos grandes grupos: algoritmos o procesos evolutivos [32]
y algoritmos de inteligencia colectiva [14]. A continuación se describen estos dos
grupos de algoritmos.
3.2 Algoritmos evolutivos
Los Algoritmos Evolutivos (EAs, por sus siglas en inglés: Evolutionary Algorithms),
son un conjunto de metaheurísticas basadas en principios de la teoría de evolución
de las especies, factibles de aplicar a diversos problemas de optimización numérica
y combinatoria para poder hallar soluciones subóptimas, dentro de un espacio de
soluciones, en tiempo polinomial.
En los EAs se parte de un población (espacio de soluciones) para el problema a
resolver. El proceso de búsqueda sobre este espacio de soluciones, es conducido por
los operadores de variación (mutación y cruce) y selección, aplicados en cada una
de las iteraciones, hasta cumplido un criterio de finalización de las ejecuciones. El
objetivo de estos operadores es crear diversidad en la población, explorando nuevas
zonas del espacio de búsqueda.
3.3 Algoritmos de inteligencia colectiva
Los algoritmos de inteligencia colectiva (SIAs, por sus siglas en inglés: Swarm
Intelligence Algorithms) son aquellos que imitan el comportamiento de seres vivos
que interactúan entre sí con la finalidad de resolver un problema complejo de manera
conjunta. Los SIAs basan su funcionamiento en el comportamiento social de algunas
23
especies de animales, insectos, bacterias, entre otros. A continuación se describen
algunos algoritmos bioinspirados que forman parte de este grupo.
3.3.1 Algoritmos basados en cúmulo de partículas (PSO)
PSO [3] es un proceso inteligente, estocástico, inspirado en el comportamiento social

manifestado por las aves durante el vuelo. Este método ha sido empleado ampliamente
en áreas de ingeniería y procesos de optimización de cómputo debido a su simplicidad
de implementación, ya que se vale de una única búsqueda. PSO (Particle Swarm
Optimization) se basa en una población de partículas (individuos) que se desplazan
por el espacio de búsqueda multidimensional, sujetos a velocidades y aceleraciones.
Estos cambios de posición reflejan la tendencia psico-social de los individuos, a
intentar imitar el éxito de otros individuos (soluciones).
Cada partícula en el enjambre o cúmulo representa una posible solución al problema;

y su posición varía de acuerdo a su propia experiencia y a la de sus partículas vecinas
dentro del espacio. Cada partícula representa, en sí misma, una solución en el espacio
multidimensional mediante 4 vectores con la siguiente información:
• Su posición actual.
• Mejor posición encontrada al momento.
• Mejor posición encontrada por su vecindario al momento.
• Su velocidad y ajuste de posición en el espacio de búsqueda, está basada en la

mejor posición alcanzada por dicha partícula y en la mejor posición alcanzada
por su vecindario, durante el proceso de búsqueda.
Algoritmo 4 Algoritmo PSO

1: Generar el cúmulo e inicializarlo mediante la asignación de una posición aleatoria
en el espacio del problema a cada partícula.
2: Evaluar cada partícula del cúmulo inicial mediante una función de aptitud.
3: mientras no se cumpla criterio de parada hacer
4: Comparar aptitud de cada partícula del cúmulo y seleccionar líder.
5: si la aptitud de la partícula actual es mejor que la aptitud del líder, entonces
6: Establecer partícula actual como líder y actualizar su posición.
7: Evaluar valor de aptitud de cada partícula.
8: fin si
9: fin mientras
El Algoritmo 4 describe como en cada iteración, cada partícula actualiza su posición

y la velocidad. El criterio de parada del método puede ser un número máximo de
iteraciones o un valor suficientemente bueno de adaptación (fitness).
24
3.3.2 Algoritmos basados en colonias de hormigas (ACO)
Los algoritmos ACO (por sus siglas en inglés: Ant Colony Optimization) descriptos
en [3], son metaheurísticas inspiradas en el comportamiento colectivo de las colonias
de hormigas y en un fenómeno denominado Estigmergia [1] que básicamente se
caracterizada por el mecanismo de depositar una señal o rastro de feromonas en el
terreno, como un sistema de auto-organización para propiciar la comunicación entre
seres vivos, modificando características del entorno local. El aspecto más interesante
de este mecanismo colaborativo es la capacidad de encontrar caminos más cortos,
entre la fuente de alimento y los hormigueros, y la posibilidad de comunicarlos a
otros miembros de la colonia mediante senderos trazados con rastro de feromonas que
van depositando las hormigas durante el trayecto entre estos puntos. Estos senderos
en la medida que otras hormigas los transitan y también depositan su rastro de
feromona se intensifican debido a la concentración de feromona, generando que otros
individuos opten por la elección de dicha ruta para llegar desde la fuente de comida
al hormiguero o viceversa.
Desde su formulación estos algoritmos fueron empleados para modelar y abordar con
éxito problemas de optimización combinatoria complejos.
Un algoritmo ACO posee tres etapas o procedimientos fundamentes [3].
• Construcción de soluciones (hormigas).

Función generadora de las soluciones (hormigas artificiales) que conformarán el
espacio de búsqueda del problema. Dichas hormigas se movilizarán de acuerdo
con una regla de transmisión, la cual se puede representar por ejemplo mediante
un grafo dirigido. Cada hormiga se moviliza tomando decisiones basadas en
criterios estocásticos, usando para tal fin la información de los rastros de
feromona e información heurística. Este proceso se realiza de forma iterativa.
• Actualización de feromona.
Los rastros de feromona para las soluciones construidas, son actualizados,
posterior a cada iteración del método, mediante una función. En relación a
este proceso pueden darse dos situaciones: que el rastro se incremente porque
las hormigas depositan feromona en cada componente o conexión que usan para
moverse dentro del espacio de búsqueda, reforzando dicha conexión; o bien que
el mismo se evapore para una conexión por tener pocas “visitas” por dicho
punto, lo que favorece que otras hormigas lo ignoren. De esta manera se van
perdiendo las “malas soluciones”.
• Ejecución de acciones.
Este proceso es opcional y no posee un equivalente en la naturaleza porque
no pueden ser realizados por cada individuo (hormiga). Esto puede incluir la
aplicación de refuerzo del rastro de feromonas a la mejor solución generada.
Pueden incluirse estrategias para mejorar el rendimiento del método como
por ejemplo una actualización del rastro de feromona diferente, introduciendo
cambios localizados en el espacio de búsqueda para favorecer la exploración.
25
La estructura general de un ACO se puede representar de manera general mediante
el Algoritmo 5.
Algoritmo 5 Algoritmo ACO

1: Inicializar valores de feromona.
2: Activar hormigas que iniciarán proceso de búsqueda.
3: mientras no se cumpla criterio de parada hacer
4: Ejecutar proceso de búsqueda con hormigas activas.
5: Por cada hormiga que detenga su búsqueda, actualizar memoria compartida.
6: Actualizar rastro de feromona global (memoria compartida).
7: Reubicar hormigas activas.
8: fin mientras
3.3.3 Algoritmos basados en bacterias (BFOA)
En [20] fue propuesto un método denominado “Biomimicry of Social Foraging

Bacteria for Distributed Optimization” (Biomimetismo de forrajeo bacteriano para
la optimización distribuida, BFOA por sus siglas en inglés) este enfoque simula el
proceso completo de forrajeo de las bacterias, dicho de otro modo, el comportamiento
de una colonia de bacterias en busca de una concentración óptima de nutrientes.
El proceso de búsqueda de alimento que efectúan las bacterias en BFOA se puede

representar mediante el Algoritmo 6. Dicho proceso inicia distribuyendo las bacterias
aleatoriamente sobre el mapa de nutrientes. Luego en una primera etapa se mueven
las bacterias hacia un punto de concentración de nutrientes. Dentro de esta etapa
tendrán lugar diferentes eventos, dispersión de bacterias, eliminación de otras por
ubicarse en regiones que poseen sustancias nocivas, reproducción y agrupamiento de
bacterias que se ubicaron en puntos de mayor concentración de nutrientes [23].
Algoritmo 6 Algoritmo BFOA

1: Inicializar, distribuyendo las bacterias de forma aleatoria sobre un mapa de
nutrientes.
2: Mover las bacterias en busca de puntos de concentraciones de nutrientes (en este
punto se produce la reproducción y algunas bacterias se acercan a sustancias
nocivas y son eliminadas).
3: Comunicación entre las bacterias que han encontrado concentración de nutrientes.
4: Agrupar las bacterias que han encontrado concentraciones de nutrientes.
5: Iterar para dar lugar a un nuevo ciclo. Las bacterias se dispersan nuevamente en
busca de otra concentración de nutrientes, hasta alcanzar criterio de finalización.
26
Durante este proceso de búsqueda de alimento muchas de las bacterias afrontan
situaciones problemáticas, como por ejemplo encontrarse con sustancias nocivas que
pueden causar su eliminación o dispersión y que deberán sortear mediante algún
mecanismo de defensa como la segregación de sustancias químicas empleada como
mecanismo de comunicación.
Debido a que la implementación de BFOA, requiere de muchos parámetros que se

deben ajustar y al alto costo computacional que plantea, se ideó otro método que
consiste en una modificación del modelo, denominado MBFOA (BFOA modificado)
[23].
En esta variante la representación de las soluciones es igual que en BFOA. El

algoritmo inicia generando un cúmulo de bacterias de manera aleatoria (población
inicial). En un segundo paso se evalúa la población generada inicialmente. En cada
generación tendrá lugar un proceso llamado Quimiotaxismo, se trata de un fenómeno
por el cual bacterias y otros organismos celulares dirigen sus movimientos mediante
un mecanismo de comunicación arbitrado por la concentración de ciertas sustancias
químicas, en su medio ambiente [5]. Además se ejecuta dentro de este ciclo el
proceso de reproducción y eliminación o dispersión de bacterias [23]. El Algoritmo 7
esquematiza dicho mecanismo.
Algoritmo 7 Algoritmo MBFOA

1: Inicializar, generando cúmulo inicial (aleatorio) de bacterias.
2: Evaluar población de bacterias
3: mientras No se alcance condición de fin, hacer
5: Ejecutar proceso de quimiotaxismo.
6: fin mientras
7: Ejecutar proceso de reproducción.
8: Eliminar las bacterias no aptas de la población.
9: Generar nuevas bacterias de manera aleatoria.
10: fin mientras
3.3.4 Algoritmos basados en enjambres de abejas (ABC)
Los algoritmos basados en enjambres de abejas (Artificial Bee Colony o ABC, por sus
siglas en inglés) [15], son métodos inspirados en el proceso de búsqueda de alimento
por parte de las abejas.
El modelo conceptual del algoritmo ABC, plantea que las colonias de abejas contienen
tres grupos de abejas artificiales: recolectoras productivas (en adelante, obreras), y dos
tipos de recolectoras no productivas o desempleadas (observadoras y exploradoras).
A continuación se describe cada uno de los tipos.
27
• Obreras: se trata de aquellas abejas que se encuentran explotando una fuente
particular de alimento, es decir, están empleadas con la misma. Las abejas
de este tipo comparten con otros tipos de abejas, como las observadoras, la
información sobre su fuente de alimento, por ejemplo: la ubicación de la
misma respecto de la colmena, la concentración de alimento y la facilidad para
extraerlo.
• Observadoras: se denomina así al tipo de abejas que se encuentran esperando

en la colmena, aguardando por una fuente de alimento que elegirá con base en
la información compartida por parte de una obrera.
• Exploradoras: grupo de abejas que llevan a cabo una búsqueda aleatoria de

nuevas fuentes de alimento en las cercarnías de la colmena.
En los ABCs, usualmente la mitad de la dotación de la colonia consiste de abejas

artificiales obreras y la segunda mitad constituyen las exploradoras y observadoras.
Para cada fuente de alimento, sólo hay una abeja obrera, por ende, el número de abejas
de este tipo, es igual al número de fuentes de alimentos alrededor de la colmena. La
abeja obrera cuya fuente de alimento se agota se convertirá en una abeja exploradora
en busca de una nueva fuente u observadora, debiendo tomar la decisión respecto de
que rol desempeñará.
Los pasos contenidos en cada ciclo del ABC (pasos 4 a 10 del Algoritmo 8) pueden
resumirse en las siguientes acciones:
• Ubicar las abejas obreras en las fuentes de alimento.
• Ubicar las abejas observadoras en las fuentes de alimento.
• Enviar las abejas exploradoras a la zona de búsqueda, para descubrir nuevas

fuentes de alimento.
La primer acción consiste en el envío de la abejas obreras a las fuentes de alimentos y

posteriormente medir las cantidades de néctar recolectado. Luego son seleccionadas
las fuentes de alimentos por parte de las abejas observadoras, después de compartir la
información de las abejas obreras y a partir de ésta determinar la cantidad de néctar
de las fuentes.
En la fase de inicialización del método, se selecciona al azar un conjunto de posiciones

de fuentes de alimento por medio de las abejas. Entonces, estas abejas entran en la
colmena y la información sobre el néctar de las fuentes y ubicación es transmitida
a las abejas que esperaban en la zona de baile dentro de la colmena. Dicho baile
radica en un movimiento que realizan las abejas ya sea cuando se reproducen o van
en búsqueda de alimento. Debido a este tipo de movimientos, los individuos de
la población (abejas) recorren el espacio de búsqueda de tal forma que encuentran
soluciones subóptimas. En la segunda etapa, luego de compartir la información, cada
28
Algoritmo 8 Algoritmo ABC
1: Inicializar población de fuentes de alimento (soluciones).
2: Evaluar desempeño de la población.
4: Generar nuevas soluciones para las abejas empleadas.
5: Evaluar soluciones en base a la función objetivo a optimizar y conservar las
mejores.
6: Seleccionar solución que será visitada por una abeja observadora en base a su
aptitud.
7: Generar nuevas soluciones para las abejas observadoras.
8: Evaluar y conservar las mejores soluciones.
9: Determinar si existen fuentes abandonadas (agotadas) y reemplazarlas (por
medio de una exploradora).
10: Memorizar la mejor solución encontrada hasta el momento.
11: fin mientras
abeja obrera se dirige a la zona (fuente de alimento) visitada por sí misma en el

ciclo anterior, ya que existe una fuente de alimento almacenada en su memoria, y a
continuación, elige una nueva fuente de alimento por medio de la información visual,
en el “barrio” actual. En la tercera etapa, una exploradora buscará una fuente de
alimento con base en la información comunicada por las abejas obreras, en la zona de
baile.
3.3.5 Algoritmo basado en comportamiento de lobos grises

(GWO)
GWO (por sus siglas en inglés: Grey Wolf Optimizer) [24] es una metaheurística
poblacional, basada en inteligencia colectiva, inspirada en el comportamiento social
de las manadas de lobos grises (Canis Lupus) y su organización para la actividad
de caza de presas. GWO plantea que una manada de lobos grises se dividen en tres
tipos de individuos: α (líder o líderes), β y δ (subordinados de los anteriores y que le
asisten en la toma de decisiones) y resto de los individuos son ω.
El proceso de caza de los lobos grises y su organización social para esta actividad, ha
sido modelado metamáticamente para la resolución de problemas complejos, dando
lugar a una metaheurística. Dicho proceso de optimización consta de las siguientes
acciones [24]:
• Seguir, perseguir, y acercarse a la presa.
• Rodear, y acosar a la presa hasta que se “paraliza”.
• Atacar a la presa.
29
El algoritmo GWO será explicado en detalle en el Capítulo 5, pues constituye
el principal objeto de estudio de la propuesta de esta tesis que es adaptar dicha
metaheurística para tratamiento del problema de generación óptima de cadenas de
adición.
30
Capítulo 4
Trabajos relacionados
En esta sección se exponen algunos de los métodos existentes, que son de interés en
el desarrollo de esta tesis y representan el estado del arte para generar cadenas de
adición de longitud mínima. Como se ha mencionado el sustento de las mismas es
la posibilidad de disminuir el número de operaciones (multiplicaciones y divisiones)
que plantea la exponenciación modular empleada en los algoritmos criptográficos
asimétricos. Tales métodos pueden clasificarse de manera general en: determinísticos
y estocásticos. Dentro del grupo de los determinísticos se describe la estrategia
binaria, estrategia de ventana y ventana adaptativa o deslizante y método factor.
Dentro del grupo de los estocásticos se enumeran y describen las metaheurísticas que
resultaron de interés dentro de estado del arte como antecedentes de tratamiento del
problema a tratar y cuyos resultados serán empleados para comparar los obtenidos
por las propuestas de la tesis.
4.1 Métodos determinísticos
Los métodos determinísticos, son algoritmos que se caracterizan por implementar

un procedimiento o conjunto de acciones y obtener la misma salida, a partir de un
parámetro o conjunto de parámetros de entrada, independientemente de las veces que
sea ejecutado.
4.1.1 Estrategia binaria
Dado un exponente e, este método consiste en considerar al mismo en una

representación binaria, de la forma e =(em−1 ... e1 e0 ), siendo: (em−1 ... e1 e0 ),
las componentes binarias (bits) de la cadena asociada a e. Una vez transformado
e en una cadena binaria, la misma se escanea de izquierda a derecha o en sentido
contrario, aplicando la regla de Horner de forma iterativa en base al siguiente criterio
31
[6]:
• Por cada bit de la secuencia escaneado, se multiplica por dos al último número
de la cadena de adición.
• Si el bit escaneado resulta ser uno, se le suma uno al último valor de la cadena
de adición.
Este método requiere un total de m – 1 iteraciones, considerando que la representación

binaria de e posee una longitud de m-bits. Este mecanismo se puede representar
mediante el Algoritmo 9.
Algoritmo 9 Estrategia binaria

Entrada: e=(em−1 ... e1 e0 )
Salida: C = [1;...;e]
1: x = 1 (Se inicializa secuencia en 1).
2: Colocar x en la primer posición de C.
3: para i: [(m-2) .. e0 ] decreciendo, hacer
4: x = 2 × x.
5: Agregar x al término de la cadena C.
6: si i = 1, entonces
7: x = x + 1.
9: fin si
10: fin para
11: devolver C
Donde:
e: exponente dado. Número entero representado por una cadena binaria.

C: cadena de adición asociada a e.
Por ejemplo, dado e = 177, para aplicar este método tomaremos el exponente en
binario, siendo entonces (10110001)2 . Una vez aplicado el Algoritmo 9 se obtiene la
siguiente cadena de adición C = [1; 2; 4; 5; 10; 11; 22; 44; 88; 176; 177].
4.1.2 Estrategia de la ventana
Al igual que el método anterior; éste opera sobre una representación binaria del
exponente e, como una secuencia de bits de la forma e = (em−1 ... e1 e0 ). En este caso
los bits de la representación binaria son particionados en fragmentos de k-longitud
32
denominados cadenas o ventanas, utilizaremos W para referirnos a dichas ventanas.
En este método la ventana tendrá una longitud máxima la cual puede definirse de
acuerdo con el contexto de aplicación y sobre esto existen estudios particulares como
[4], donde se describe el método con un tamaño de ventana de 5 bits.
A continuación describimos de manera más formal el método planteado en [6]. Sea

el valor k un pequeño divisor. Entonces, esta representación binaria del exponente e
puede ser dividida en ventanas o cadenas de ϕ longitud, de tal manera que (k ×ϕ - m)
si no divide de manera exacta, entonces el exponente e expresado de forma binaria,
deberá ser completado con k-1 ceros.
El método o estrategia de la ventana pre-computa primero los valores de xj para j
= 1,2,3 .... 2k - 1. Entonces, el exponente e se escanea k bits a la vez de la ventana
más significativa (Wϕ−1 ) a la ventana o cadena menos significativa (W0 ). En cada
iteración, el resultado parcial actual es elevado a la potencia 2k y multiplicado con
XWi , donde Wi , es la ventana no nula actual que se está procesando en ese momento.
Se puede observar que:
• El primer paso del algoritmo consiste en pre-computar las primeras 2k potencias

de X. Esta operación implica un costo computacional de procesamiento de
multiplicaciones de 2k -2.
• En cada iteración del bucle principal, Y 2k puede ser calculada mediante la

ejecución de sucesivas operaciones de potencia, siendo (ϕ − 1)k – m – k el
número total de operaciones de potencia.
• En cada iteración, se realiza una multiplicación cada vez que la i-ésima ventana
W es diferente de cero. Todos menos uno de los 2k diferentes valores de Wi
es distinto de cero. El número promedio de multiplicaciones requeridas en este
sentido está dado por: (ϕ -1) (1 – 2−k ) – [(m/k) - 1)] (1 – 2−k ).
El Algoritmo 10 muestra de manera detallada los pasos previamente descriptos de la

estrategia de ventana.
33
Algoritmo 10 Estrategia de la ventana
Entrada: e =(em−1 ... e1 e0 ), ϕ = m/k
Salida: C = [1;...;e]
1: Generar y almacenar (pre-computar) xj = 1,2,3,4,...,2k - 1.
2: Dividir e en ventanas de k bits → Wi con i = 1, 2, 3,... ϕ -1.
ϕ−1
3: Y = X W // Agregar este resultado al final de la cadena C.
4: para i: [(ϕ-2) .. e0 ] decreciendo, hacer
5: Y = Y 2k // (es decir, x = 2 × x).
7: si Wi , 0, entonces
8: (es decir, que es el último bit de la ventana actual)
9: Y = Y × X W i.
10: // ubicar como último valor de la cadena el valor en decimal de la ventana
actual.
12: fin si
13: fin para
14: Ordenar (xj unión C).
15: devolver C
Donde:
e: exponente dado. Número entero representado como una cadena binaria.

Por ejemplo, dado e = 177, utilizado para demostrar la estrategia binaria, tomaremos
el exponente en binario siendo entonces (10110001)2 . Con m = 8 y k = 3, con lo
cual para dividir la cadena en 3-bits será necesario completar con un cero la cadena,
obteniéndose (010 110 001)2 .
Una vez aplicado el Algoritmo 10 se obtiene:
xj = 1, 2, 3, 5, 7. La última posición será 7 puesto que resulta de 2k – 1.
C = [2; 4; 8; 16; 22; 44; 88; 176; 177] (secuencia intermedia)
Una vez obtenido lo anterior, resta calcular la operación (xj unión C) cuyo resultado
es la siguiente secuencia final:
C=[1; 2; 3; 4; 5; 7; 8; 16; 22; 44; 88; 176; 177] (cadena de adición para e=177)
4.1.3 Estrategia de la ventana adaptativa
Este método es una variante del anterior y constituye una alternativa para abordar
exponenciaciones con exponentes extremadamente grandes (aquellos cuya longitud
34
supera los 128-bits) debido a su capacidad para ajustar su método de cálculo de
acuerdo con el exponente a trabajar. Dicho ajuste se realiza mediante la división
del exponente e de entrada, en una serie de cadenas de longitud variable (no nulas)
llamada ventanas, tal como se encuentra planteado en [6].
A diferencia de la estrategia de ventana tradicional, el algoritmo que implementa esta

estrategia, suministra una solución compromiso de rendimiento, puesto que permite el
procesamiento de cadenas (ventanas) de longitud variable, mediante una técnica que
consiste en generar ventanas con la particularidad de que habrá algunas conformadas
por ceros y otras por elementos distintos de cero (teniendo en cuenta la representación
binaria del exponente e).
Este método consta de las siguientes fases:
• La primera corresponde a la generación de cadenas (ventanas) de elementos

ceros y otras de elementos distintos de cero, a partir de la representación binaria
del exponente, mediante una estrategia de partición.
• A las ventanas de elementos ceros (que en adelante denominamos VC), se

les permite tener una longitud arbitraria. Sin embargo, para las ventanas de
elementos distintos de cero (en adelante llamadas VNC), su longitud máxima
no deberá exceder los k bits.
• Después de haber realizado la fase de particionamiento, la siguiente tarea

consiste en calcular la secuencia de adición necesaria, para obtener todas las
ventanas de elementos no nulos (VNC).
• El paso posterior consiste en inicializar la cadena a devolver por el método,

mediante el resultado de Y = X W ϕ−1 . Nótese que se supone siempre que W ϕ−1
es distinto de 0.
• En cada iteración del bucle principal, se puede computar Y 2k mediante la

realización de 2k multiplicaciones consecutivas.
• En cada iteración, se realiza una multiplicación cada vez que la i-ésima

ventana de W i es un elemento distinto de cero. Teniendo en cuenta que VNC
representa el número de ventanas de elementos diferentes de cero, el número de
multiplicaciones necesarias en este paso del algoritmo será de VNC – 1.
• El valor exacto de VNCs dependerá de la estrategia de partición instrumentada.
Estos pasos se pueden esquematizar mediante el pseudocódigo del Algoritmo 11 y en

efecto es muy similar al Algoritmo 10. La diferencia radica en la generación de los
dos tipos de ventanas, tal como se expone en [6].
35
Algoritmo 11 Estrategia de ventana adaptativa
Entrada: e=(em−1 ... e1 e0 ), ϕ = m/k
Salida: C = [1;...;e]
1: Generar y almacenar (pre-computar) xj = 1,2,3,4,...,ϕ - 1. // Se generan las
ventanas VC y VNC.
ϕ−1
2: Y = X W // Agregar este resultado al final de la cadena C.
3: para i: [(ϕ-2) .. e0 ] decreciendo, hacer
4: Y = Y 2k // (es decir, x = 2 × x).
6: si Wi , 0, entonces
7: (es decir, que es el último bit de la ventana actual)
8: Y = Y × X Wi .
9: // ubicar como último valor de la cadena el valor en decimal de la ventana
actual.
11: fin si
12: fin para
13: devolver C
Donde:
e: exponente dado. Número entero representado como una cadena binaria.

4.1.4 Método factor
Este método descripto en [16] consiste en factorizar un exponente e, mediante la

operación e = r × s, donde r es un factor primo más pequeño de e y s es un número
menor que 1. Esta factorización consiste en generar un árbol cuyo nodo raíz es el
exponente e y cuyos n nodos lo conforman r y s, tal que e = r × s. El proceso se
repite de forma iterativa para cada nodo hijo, hasta que cada nodo no puede continuar
siendo factorizado, es decir, hasta que se convierte en 1.
Desafortunadamente este método puede llegar a ser dificultoso para grandes

exponentes, debido a las operaciones de factorización necesarias para componer el
árbol y luego tener que obtener la cadena de adición asociada al exponente. A
continuación vemos en la Figura 4.1 un ejemplo de un árbol de factores generados
para un exponente e = 77.
Donde:
n: número entero, equivalente al valor del exponente e en cuestión para el que se
desea obtener una cadena de adición.
r y s: factores.
36
Figura 4.1: Árbol de factorización.
Algoritmo 12 Método factor

Entrada: n
1: Asignar n como nodo raíz del árbol.
2: si n , 1, entonces
3: Tomar r y s de modo que n = r × s.
4: fin si
5: si r = n y s = 1, entonces
6: s = (n – 1); r = 1
7: Agregar r como nodo hijo de la derecha de n y s como nodo hijo a la izquierda
de n.
8: si r > 1, entonces
9: Llamar a la construcción del árbol (con nodo raíz en r).
10: fin si
11: si s > 1, entonces
12: Llamar a construcción del árbol (con nodo raíz en s).
13: fin si
14: fin si
El Algoritmo 12, presenta el esquema del proceso de construcción del árbol de

factorización como un método recursivo. Una vez que se ha generado el árbol
para un exponente e, mediante el Algoritmo 12 deberá calcularse la cadena de
adición correspondiente. Cabe mencionar que este método puede resultar ser poco
eficiente, incluso para exponentes pequeños (por debajo de los 128-bits), en función
del procesamiento que conlleva la factorización para la construcción del árbol.
4.2 Métodos estocásticos
Se sabe que la generación de cadenas de adición óptimas (de longitud mínima)

constituye un problema NP-completo, teniendo en cuenta que para encontrar una
cadena óptima de longitud r, se considera un espacio de búsqueda asociado a dicho
37
problema, comparable al resultado de la operación r! (factorial de r). En virtud de
lo anterior se formularon diversos métodos estocásticos para afrontar la complejidad
del problema, a continuación se describen, en ésta sección, las que resultan de interés
para la tesis.
4.2.1 Uso de un algoritmo genético para generar cadenas de

adición
En [7] se propuso el uso de un algoritmo genético cuya esquematización se puede

representar de la siguiente manera:
Algoritmo 13 Algoritmo genético

Entrada: e=(em−1 ... e1 e0 ), N= tamaño de la población
Salida: C = [1;...;e]
1: Generar de manera aleatoria una población inicial de tamaño N.
2: mientras (no se alcance el número máximo de generaciones), hacer
3: Calcular aptitud (fitness) de cada individuo.
4: Seleccionar N padres para cruzarse // de los individuos del paso 3.
5: Aplicar cruce a los individuos del punto 4 con probabilidad pc . // Para obtener
hijos.
6: Mutar con probabilidad pm los hijos obtenidos en paso 5.
7: Reemplazar los padres por los hijos del paso anterior para nueva generación.
8: fin mientras
9: Calcular aptitudes (fitness) de los individuos de cada iteración.
10: C = individuo de mejor aptitud.
11: devolver C.
Donde:
e: exponente entero.
N: tamaño máximo de población.
pc : probabilidad de cruce.
pm : probabilidad de mutación.
El Algoritmo 13 muestra una adaptación del algoritmo genético o GA (por sus siglas
en inglés), donde se emplean los operadores usuales de mutación y cruce y donde la
aptitud está determinada por la longitud de la cadena de adición.
Este enfoque fue verificado en [7] para exponentes e del rango de longitudes de [1, 1000]
y para exponentes especiales cuyas cadenas de adición óptima, son particularmente
difíciles de hallar. Los resultados obtenidos por este método fueron comparados con
varios algoritmos deterministas superando los resultados de los mismos.
38
En dicho trabajo, se adoptó una codificación de enteros para el GA, con cromosomas
de longitud variable que son el equivalente a las cadenas de adición buscadas.
Cada elemento de la cadena es asignado directamente en cada gen o elemento del
cromosoma, en función de esto, se trata de un GA donde el genotipo y el fenotipo
son iguales.
De este modo, si lo que se busca es minimizar la cadena de adición para un exponente
e = 5288, una solución candidata podría ser: [1; 2; 4; 8; 16; 32; 64; 128; 256;
512; 1024; 2048; 4096; 5120; 5248; 5280; 5288], como cadena de adición óptima, la
cual representa un cromosoma de longitud 16, teniendo en cuenta que este método
permita el “doblado” de números, es decir, que algunos genes del cromosoma puedan
ser generados por la suma de otro elemento consigo mismo, para dar origen a un
nuevo elemento de la secuencia.
Las pruebas utilizando GA en la propuesta [7], se realizaron empleando la siguiente

combinación de parámetros:
Parámetro Valor
Tamaño de población 100
Número de generaciones 300
Probabilidad de cruce 0.6
Probabilidad de mutación 0.5 (con operador de mutación de un punto)
Operador de selección torneo binario
Los resultados fueron obtenidos a partir de 30 ejecuciones independientes del

algoritmo, utilizando diferentes valores de e independientes con semillas aleatorias.
4.2.2 Algoritmo de recocido genético
En [27] se plantea el problema de optimización de cadenas de adición con un algoritmo

denominado “Genetic Annealing Optimization” (“recocido genético”), es decir, una
hibridación que resulta de combinar el GA y el recocido simulado (“Simulated
Annealing”) [18]. El fundamento de esta estrategia combinada radica en el hecho
de que el recocido simulado puede ayudar al GA a escapar de los óptimos locales y
esta sería la principal ventaja que mostró la propuesta [27] respecto del antecedente
de abordaje del problema con GA tradicional.
“Genetic Annealing Optimization” pretende brindar lo mejor de las propuestas que

combina. Su funcionamiento es análogo al de GA puesto que crea nuevas soluciones
a partir del intercambio de material genético entre los miembros de una población.
A diferencia de GA que emplea selección por torneo para decidir qué individuos
pasarán a la siguiente generación, aplica un criterio adaptativo propio del algoritmo
39
de recocido, que se basa en un esquema simple de retroalimentación. El Algoritmo
14 esquematiza la propuesta de [27].
Algoritmo 14 Recocido genético

1: Inicializar energyBank.
2: para cada individuo, hacer
3: mutante = mutante (individuo).
4: si fitness(mutante) < fitness(individuo) + umbral(individuo), entonces
5: diff = fitness(individuo) + Umbral(individuo) - fitness(mutante)
6: energyBank += diff
7: Reemplazar individuo con mutante.
8: fin si
9: energyDiff = energyBank × C / N
10: para cada individuo, hacer
11: Umbral (individuo) += energyDiff
12: fin para
13: fin para
A continuación se resume el funcionamiento del Algoritmo 14:
• Se asigna un umbral de energía a cada individuo.
• Inicialmente cada umbral será igual a la energía del individuo a la que es

asignado. Este proceso puede traducirse como la mutación de los individuos.
• Si la energía de un mutante, supera al umbral que posee el individuo que generó

dicha energía, el mutante es rechazado y el algoritmo se desplaza al siguiente
individuo, por el contrario si resulta menor o igual, el algoritmo acepta el
individuo como reemplazo de aquel que le dio origen (“individuo padre”). Como
se puede observar el proceso de recocido de esta variante de algoritmo genético
es guiado por la aptitud (fitness) de los individuos.
• Se emplea un banco de energía “energyBank”, el cual es inicializado en el paso 1

del Algoritmo 14, y cuya finalidad es seguir los cambios de la energía producto
de la liberación de la misma, cuando los individuos que resultan exitosos son
aceptados por el proceso.
• Por cada individuo mutado que supera el umbral, se añade la diferencia (“Diff”,
ver Algortimo 14) entre el umbral y la energía del mutante, al banco de energía,
para almacenamiento temporal.
• Luego de lo anterior, se restablece el umbral de manera que resulta igual a

la energía del mutante aceptado, para dar lugar al algoritmo a que tome el
siguiente individuo.
40
Una vez que la población de N individuos ha sido mutada de manera aleatoria, tiene
lugar el “recalentamiento” como se expone en [27], elevando los umbrales y dicha
variación será determinada en función de la energía acumulada en el banco de energía
y de la velocidad a que se desea “enfriar” la población.
El recocido genético controla la velocidad de enfriamiento, mediante una configuración

constante de C (número real entre 0 y 1). La importancia de controlar este evento
radica en que es necesario enfriar los individuos lentamente para alcanzar el estado
óptimo de dichas soluciones.
4.2.3 Otra variante de uso de GA con nuevos operadores
En el reciente trabajo [26], se plantea el uso de un AG que emplea una representación

novedosa para las soluciones y nuevos operadores de cruce y mutación para lograr
cadenas de adición de longitud mínima, para un exponente dado. Por otro lado,
también implementa una estrategia de reparación de las soluciones a fin de mejorar
el desempeño del enfoque propuesto por los autores.
Características del algoritmo propuesto en [26]:
• En esta propuesta se trabaja con una codificación de soluciones de manera tal

que cada elemento de la cadena es un número entero pero a nivel interno, cada
elemento está conformado por un par de dos posiciones (i1 , i2 ) que retienen
valores para n1 y n2 , conformando un nuevo valor como la suma de las
posiciones. Debido a que tenemos dos posiciones por cada elemento de la cadena,
la longitud de la misma, codificada con posiciones será siempre dos veces más
que la codificada con valores simples, es decir tomando en consideración una
representación que no calcule cada componentes mediante una suma de otros
dos números.
• A pesar de que la codificación propuesta genera cromosomas (individuos) de

mayor longitud, los valores codificados internamente son mucho más pequeños
y logran optimizarse los requisitos de memoria, para el almacenamiento de cada
individuo.
• El uso de esta codificación particular implica que es necesario contar con un

mecanismo alternativo (personalizado) tanto para la inicialización como para los
operadores de cruce y mutación del algoritmo, solo escapando de esta necesidad
el operador de selección con respecto a los GA tradicionales.
• No se brinda en [26] el nombre de los operadores propuestos pero se describen

sus características. Se proponen 2 operadores de cruce sugiriendo el uso de uno
u otro en función del exponente que se pretende tratar en cada caso (cruce de
un punto y de dos puntos), ambos con sus propias reglas de construcción de
soluciones. El operador de mutación es similar a los presentados en el literatura
41
relacionada, pero buscando mayor diversidad en el proceso de generación.
Ambos tipos de operadores incluirán la repación dentro de su secuencia de
pasos.
• En relación al operador de selección, en las pruebas del trabajo de [26] se utilizó

la selección por torneos de k individuos con k = 3, de modo tal que en cada
torneo, el peor de k tomados al azar se sustituye por la descendencia de los
otros mejores dos del mismo torneo.
• Por otro lado el mecanismo de reparación de soluciones que plantea este método
es necesario en función de que se espera que tanto los operadores de variación
(cruce y mutación) como el de selección, produzcan muchas soluciones no
válidas, tal como lo explicaron sus autores en dicha propuesta.
A continuación se describen los operadores utilizados por esta variante de GA:
Proceso de inicialización de individuos:
1. Establecer como primer y segundo elemento los número 1 y 2, respectivamente.
2. De manera al azar pero uniforme, elegir entre todas las sub cadenas mínimas
formadas por tres elementos (es decir, la segunda, tercera y cuarta posición en
la cadena) y una elección al azar del segundo elemento tomando valor 3 o 4.
3. Con probabilidad igual a 3/5, tomar el doble de los elementos hasta alcanzar la
mitad del tamaño exponente (longitud de la cadena).
4. Comprobar en todo momento que el elemento actual y cualquier elemento

anterior resumen el valor del exponente asociado a la cadena.
5. De manera al azar pero uniforme, generar el próximo valor de la cadena,

aplicando uno de los siguientes mecanismos:
• Suma de dos elementos anteriores.

• Suma del elemento anterior y otro aleatorio de la cadena.
• Suma de dos elementos aleatorios, considerando el siguiente criterio: uno
de los elementos será elegido al azar entre la primera posición y el elemento
medio de la cadena. El segundo será elegido entre el elemento medio y el
valor final de la cadena (exponente).
• Búsqueda, enlazando desde el elemento cuya posición es (i-1) hasta
localizar el elemento más grande que se puede resumir con el último
elemento hallado.
Operadores de variación utilizados
42
Tanto el operador de cruce como el de mutación son similares a los utilizados por
otras propuestas. El operador de mutación empleado es análogo a la mutación de un
solo punto y este enfoque implementa también dos operadores de cruce, en aras de
favorecer la diversidad. Puesto que en [26] no se brindan los nombres dados a los
operadores de variación propuestos, se esquematizan los mismos a continuación (ver
Algoritmos 15 y 16.
Algoritmo 15 Operador de cruce

Entrada: exp > 0; P 1 y P 2
rand = Random (3, exp − 1)
1: para todo i tal que: 0 ≤ i ≤ rand, hacer
2: ei = P 1i
3: fin para
4: para todo i tal que: rand ≤ i + 1 ≤ n, hacer
5: FindLowestPair (P 2, i, pair1, pair2)
6: ei = epair1 + epair2
7: fin para
8: RepararCadena (e, exp)
9: devolver e = e0 , e1 ,...,en
Dónde:
exp: exponente a optimizar.

e: cadena de adición asociada a exp.
P 1, P 2: cadenas de adición (“padres”).
RepararCadena: función de reparación de cadenas (ver Algoritmo 17).
FindLowestPair: función que determina par de elementos, con índices (posiciones)
más bajos.
43
Algoritmo 16 Operador de mutación
Entrada: exp > 0; e = e0 , e1 ,...,en
rand = Random (2, exp − 1 )
rand2 = Random (0,1)
1: si rand2, entonces
2: erand = erand−1 + erand−2
3: si no
4: rand3 = Random (2, rand − 1)
5: erand = erand−1 + erand−3
6: fin si
7: RepararCadena (e, exp)
8: devolver e = e0 , e1 ,...,en
Función de reparación de cadenas
Ambos operadores de variación de esta propuesta utilizan una estrategia de

reparación de soluciones (cadenas). El Algoritmo 17 esquematiza el comportamiento
de dicha función.
Algoritmo 17 Función de reparación de cadenas

Entrada: exp; e
El proceso de reparación consiste en aplicar los siguientes pasos sobre la cadena
a tratar:
1: Eliminar elementos duplicados.
2: Eliminar los elementos de valor superior al exponente (exp).
3: Comprobar y ordenar, si es necesario, para asegurar que todos los elementos
queden en orden ascendente.
4: Asegurar finalización de la cadena con el valor de (exp), por aplicación de las
operaciones, en el orden que se listan a continuación:
1. Hallar dos elementos de la cadena que se traduzcan como el valor de (exp).
2. Aplicar uniformemente al azar las siguientes operaciones:
(a) “Doblar” (sumar un número consigo mismo) último elemento de la

cadena, en tanto sea menor que (exp).
(b) Añadir el último elemento y un elemento aleatorio.
(c) Añadir dos elementos aleatorios.
Al igual que en las otras propuestas de abordaje del problema, en función de que
el objetivo es la reducción al mínimo posible del número de elementos de la cadena
asociada al exponente, la función de aptitud empleada es la longitud de la cadena.
44
En la ejecución de esta propuesta se utilizó una configuración de 50 ejecuciones
por cada experimento y se utilizó el criterio de 100 ejecuciones sin mejora de los
resultados, como criterio de finalización. Por otro lado se empleó un número total
de las generaciones de 1500 y tamaño de población de 300 individuos, en todos los
experimentos.
La observación de los resultados de [26] arrojó que los tamaños de población más
grandes se destacaron, producto de una mayor diversidad inducida por el mecanismo
de inicialización, pero sin embargo, la evolución de los individuos se mantuvo costosa
en tiempo de ejecución para los valores grandes exponente, insumiendo para los
exponente más grandes, menos de una hora.
Los experimentos realizados con esta propuesta contemplaron pruebas con exponentes
hasta el valor 2127 – 3, es decir el número (170 141 183 460 469 231 731 687 303 715
884 105 725).
4.2.4 Uso de un algoritmo inmune para generar cadenas de

adición óptimas
Los algoritmos inmunes AIS (por sus siglas en inglés: Artificial Immune System), son
aquellos inspirados en un principio denominado selección clonal, que es la manera
en que los anticuerpos de un organismo eliminan los antígenos (cuerpos extraños).
En este enfoque un antígeno será representado como el exponente e que se desea
alcanzar, mientras que los anticuerpos, son representados por el par (U, L), donde
U es la secuencia de la cadena de adición, construida previamente mediante alguno
de los métodos ya mencionados y L es un número entero positivo que representa
la longitud de U , que se traduce en el número de pasos necesarios para lograr el
objetivo deseado. La población de anticuerpos representa las posibles soluciones para
el problema. En [6] se propone el uso de la metaheurística AIS, haciendo uso de los
siguientes elementos:
• Construcción de anticuerpos.
• Un operador denominado “Hipermutación”.
• Memoria inmune.
• Un mecanismo de selección, denominado “Selección Clonal”.
Construcción de anticuerpos.
Cada anticuerpo se representa por el par ordenado (U, L), donde U es una cadena de
adición válida de longitud L. En función de esto, se debe definir un procedimiento
para construir cadenas de adición válidas a fin de que la población de anticuerpos del
sistema inmune pueda crearse y ser mutada.
45
Operador de hipermutación.
Este operador es inversamente proporcional a la afinidad de los clones, puesto que

cuanto mayor es la afinidad de un clon, menor tasa de mutación tendrá y viceversa. La
perturbación (mutación) puede ser introducida tanto al inicio (parte inferior) como al
final de la cadena (parte superior). En el primer caso será más notable la perturbación
y la misma será producida por el grado de afinidad de los clones.
Memoria inmune.
Se trata de cadenas de adición almacenadas en memoria para futuras consultas y

podrían servir para aplicar en futuros exponentes.
Algoritmo de selección clonal.
El algoritmo opera ordenando los N anticuerpos de la población asociados al

exponente a optimizar, de manera ascendente de acuerdo con su grado de afinidad
(longitud de las cadenas). Luego selecciona los mejores anticuerpos sobre los que
aplicará la “clonación”.
En [6] se expone un ejemplo para clarificar el funcionamiento del algoritmo:
1. Se construye una población inicial de N anticuerpos cada uno de componentes

(U, L). Suponiendo por ejemplo que el tercero de ellos es la cadena de adición
[1; 2; 4; 8; 16; 24; 48; 49; 98; 196; 294; 588; 612; 1224; 1836; 1844; 1893; 1901;
1903] con una afinidad de 18 (longitud de la cadena).
2. Se clasifica la población de manera ascendente de acuerdo con los valores de

afinidad.
3. Se seleccionan los mejores anticuerpos de la población (que poseen diferente

longitud), es decir solo aquellos que serán clonados.
4. Se determina el número de clones a ser generados, para los anticuerpos

seleccionados.
5. Se crean los clones de los anticuerpos seleccionados.
6. Se aplica a cada clon el operador de hipermutación, de la siguiente manera:
(a) Por ejemplo, un clon generado desde el más alto grado de afinidad (i-ésimo
anticuerpo) obtendrá un punto de mutación seleccionada a partir de la
mitad superior de su cadena. Digamos por ejemplo que este punto es i =
14.
(b) Se selecciona un número j aleatorio con (0 ≤ j < i < e) por ejemplo j = 7.
(c) El nuevo valor de la cadena de adición clonada en el punto de mutación,
será: Ui+1 = Ui + Uj , entonces tenemos por ejemplo: U15 = 1836 + 49 =
46
1885. En este punto nuestra cadena es [1; 2; 4; 8; 16; 24; 48; 49; 98; 196;
294; 588; 612; 1224; 1836; 1885].
(d) Se repara la parte superior de la cadena {Uk > i + 1} con la operación
de llenado, donde k es la ubicación a partir de donde se aplicará dicha
operación. Supongamos entonces que la cadena de adición es [1; 2; 4; 8;
16; 24; 48; 49; 98; 196; 294; 588; 612; 1224; 1836; 1885; 1901; 1903] con
afinidad L = 17 (longitud de cadena).
7. Se calculan los valores de afinidad asociados a los clones mutados.
8. Se seleccionan los N mejores, del conjunto de anticuerpos originales y clones

modificados. El resto son desechados.
9. Se reemplazan los anticuerpos que mostraron menos afinidad por otros nuevos.
Por ejemplo, digamos que uno de los flamantes candidatos así producidos es [1;
2; 3; 6; 12; 15; 30; 33; 66; 99; 198; 213; 426; 852; 885; 1737; 1836; 1869; 1902;
1903].
10. Se calculan los valores de afinidad relacionados a los nuevos individuos.
11. Se repite desde el paso 3 un determinado número de iteraciones.
12. Se selecciona el mejor anticuerpo B.
13. Puesto que e aún no es = 1903, se continúa con el siguiente paso.
14. Se almacena B en memoria.
15. Se reporta B como la mejor solución encontrada.
En el estudio reportado en [6] se observa que AIS para grandes exponentes se emplea
en combinación con el método determinista de ventana adaptativa (deslizamiento de
ventana) para la generación de cadenas de adición subóptimas.
4.2.5 Uso de un algoritmo basado en cúmulo de partículas

para generar cadenas de adición óptimas
En [19] se describe una propuesta de abordaje del problema de optimización de

cadenas de adición mediante un algoritmo de optimización basado en cúmulo de
partículas, PSO (por sus siglas en inglés: Particle Swarm Optimization).
El Algoritmo 18 muestra la adaptación de PSO para la problemática de referencia

y al igual que otras propuestas las cadenas de adición es una partícula generada de
manera estocástica.
47
Algoritmo 18 Algoritmo PSO para generar cadenas de adición.
Entrada: e
Salida: C = [1;...;e]
1: Generar población inicial de partículas (cadenas).
2: mientras El número máximo de generaciones no sea alcanzado, hacer
3: para cada partícula, hacer
4: Calcular aptitud (fitness) de cada individuo.
5: si aptitud de la partícula es mejor que la mejor patícula, entonces
6: mejor partícula = aptitud de la partícula actual
7: fin si
8: Buscar al mejor vecino y asignarle la posición de la mejor partícula.
9: Actualizar la posición y velocidad de la partícula actual.
10: fin para
11: fin mientras
12: devolver C
Donde:
e: número entero.
C: cadena de adición. Partícula de menor longitud.
Los resultados publicados para PSO en [19], se centraron en la búsqueda de cadenas

de longitud mínima para exponentes pequeños y no reportan casos de prueba sobre
conjuntos de exponentes difíciles.
4.2.6 Uso de un algoritmo de programación evolutiva para

generar cadenas de adición óptimas
En [8] se propone un algoritmo de programación evolutiva EP (por sus siglas en inglés)

para la generación de cadenas de adición de longitud mínima. El fundamento del autor
para optar por este método radica en la sencillez de implementar un algoritmo EP
en comparación con otras metaheurísticas del grupo de las estrategias evolutivas [10]
y la falta de pericia de trabajo relacionado con EP, en el estado del arte, para la
problemática de referencia.
La sencillez de implementación que encuentra el autor radica en el uso de un único

operador (de mutación) a diferencia de los GA que implementan operadores de cruce,
mutación y un mecanismo de selección.
Un algoritmo EP posee los siguientes pasos:
48
• Generar población inicial aleatoriamente de n individuos.
• Posteriormente, mutar cada individuo para generar un solo hijo.
• Aplicar torneo estocástico sobre los individuos generados en paso anterior.
• Los individuos con mayor número de victorias en torneos estocásticos pasarán

a la próxima generación, a diferencia de otros algoritmos que seleccionan los
individuos con mayor grado de adaptación. Este proceso genera diversidad y
pretende evitar la convergencia prematura.
Cabe destacar que EP no requiere efectuar selección de padres ya que todos los
individuos de la población generan un hijo mediante el operador de mutación.
• En este enfoque cada individuo de la población estará representado por una

cadena: U = [u1 ; u2 ; ... ; ui ; ... ; uLu = e], donde Lu es la longitud de cadena;
secuencias numéricas de enteros que cumplan con las propiedades de las cadenas
aditivas, ya mencionadas.
• El valor de aptitud de cada individuo estará determinado por su longitud.
• En función de que cada individuo será una secuencia de números enteros

positivos (cadena de adición), al igual que la propuesta [6], las soluciones
(individuos) estarán representadas a nivel de fenotipo, por lo que no es necesario
un mecanismo de decodificación de las soluciones.
A continuación se describen los elementos fundamentales que plantea este enfoque.
Población inicial
Tomando como base las características de las cadenas de adición, cada individuo será
generado en base a estas reglas:
1. Se permite el doblado de un número como elemento de la cadena. De este modo

en una cadena U , un componente ui podrá ser igual a: 2 × ui ≡ (ui+1 = ui +
ui ), por ejemplo para cadena [1; 2; 3; 6; 9; 12; 15; 21] el cuarto elemento se
compone de sumar el tercer elemento consigo mismo.
2. Suma de dos números previos, de modo que: ui+1 = ui + ui−1 . Tomando como
ejemplo la misma cadena que en punto 1, el quinto elemento (9) es igual al
tercero sumado al cuarto.
3. Suma de un número previo más un número aleatorio de la cadena, es decir:

ui+1 = ui + urand . Siguiendo el mismo ejemplo anterior, el elemento (15) se
conforma de la suma del sexto (12) y tercer elemento (3).
49
Esta reglas se aplican para generar los términos teniendo en cuenta la premisa de
que los dos primeros elementos de las cadenas serán el 1 y 2 de forma consecutiva,
seguidos de 3 o 4 (tomado de forma aleatoria) de acuerdo con las 3 reglas anteriores,
posteriormente se puede aplicar para obtener nuevos términos una función como la
que se presenta en [6].
Operador de variación (Mutación)
Este estudio propuso utilizar como operador de variación una búsqueda local donde
se generan t mutantes para cada individuo de los cuales se toma como individuo hijo
aquel de mejor valor de adaptación.
En este mecanismo la población inicial y sus hijos (individuos mutados) se agrupan

formando un único conjunto. Cada individuo compite con otra q cantidad de
individuos escogidos aleatoriamente, mediante enfrentamientos (torneos), donde el
criterio para definir el vencedor será la longitud de los individuos. Cada individuo
tendrá asociado un número de victoria (contador). Se ejecutará un incremento del
contador de número de victorias por cada individuo que resulte mejor respecto de
otro de los q individuos elegidos al azar. Por último se ordenan los resultados según
el número de victorias, y de este conjunto se tomará la primer mitad de elementos
para la siguiente generación y la otra mitad será descartada.
En [8] se efectuaron pruebas con el modelo basado en EP, sobre exponentes

pequeños y grandes. Cabe destacar que se considera pequeño a todo exponentes de
longitud menor a los 128-bits. Estos experimentos condujeron a tener que proponer
modificaciones del EP para el tratamiento de exponentes pequeños y por otro lado
se observó también que EP se quedaba “atrapado” en óptimos locales para algunos
problemas con exponentes grandes, lo que se evidenció frente a la dificultad de hallar
cadenas más cortas que los métodos deterministas para los casos de exponentes de
longitud mayor a los 128-bits.
4.2.7 Uso de un algoritmo de optimización basado en colonia

de hormigas (ACO)
En [25] fue propuesto un algoritmo ACO (por sus siglas en inglés: Ant Colony
optimization) para la optimización de cadenas de adición. La novedad de este
aporte radica en el uso de un algoritmo basado en inteligencia colectiva (esquema
multiagente).
El enfoque de ACO propone ver el método como un sistema multiagente donde

se emplea una memoria compartida a través de la cual se comunican las hormigas
(agentes) y una memoria local que almacena información sobre las soluciones
alcanzadas.
50
Aquí se representa la estructura general de un sistema de hormigas, en el que Ai
representa cada agente de orden i (i-ésima hormiga) y LMi la memoria local de la
misma, respectivamente. Por otro lado, la memoria compartida SM , contiene la
información del rastro de feromona, mientras que la memoria LMi local (de cada
hormiga) mantiene la solución (posiblemente parcial), es decir, que tan lejos llegó el
agente Ai . El Algoritmo 19 esquematiza el funcionamiento de ACO, cuyos parámetros
son (N, C), detallado en [25].
Algoritmo 19 Artificial Ant Colony.

Entrada: (N, C)
Salida: S
1: Inicializar SM con valores iniciales de feromona.
2: para i : [1..N ], hacer
3: Comienzo búsqueda con (Ai , LMi )
4: Activar = Activar � Ai // activar hormigas.
5: hacer,
6: Actualizar SM .
7: Cuando una hormiga (Ai ) comunica que se detiene, hacer:
8: Activo: Activo = {Ai }
9: Φ: = Feromonas (LMi )
10: Actualizar SM con valor (Ψ)
11: S = ExtractSolution (LMi ) // se extrae solución del agente Ai y se asigna a S.
12: hasta características (S) = CorActive = ϕ

13: mientras Activa = ϕ, hacer
14: Detener la hormiga Ai | Ai � activo.
15: Activo: Activo = {Ai }
16: hasta características (S) = C
17: fin mientras
18: fin para
19: devolver S
Donde:
Ai : cada uno de los agentes (hormigas).

LMi : memoria local de la i-ésima hormiga.
N: número de hormigas artificiales o agentes que conforman la colonia.
C: características de la solución esperada.
SM : memoria compartida, para almacenar información de feromonas.
Ψ: valor global de feromona.
Φ: cantidad de feromona relacionada con la calidad de una solución determinada.
S: solución.
51
El comportamiento de una colonia de hormigas se resume en el Algoritmo 19, donde el
primer paso consiste en la activación de N hormigas que deberán funcionar en forma
simultánea (paso 4, “Activar”). Cada vez que una hormiga finaliza su búsqueda se
actualiza la memoria compartida con un valor de feromona (cantidad de feromona)
que será proporcional a la calidad de la solución alcanzada. Entonces luego se ejecuta
la actualización de la memoria compartida con el valor de feromona global (paso
10). Cuando el rendimiento de una solución obtenida por el trabajo de una hormiga
es adecuado (es decir, que se ajusta con C), se detienen todas las hormigas activas
(paso 14). En caso contrario, se itera el proceso hasta que se encuentra una solución
adecuada (paso 15).
Sistema de memoria compartida.
En este método la memoria compartida es la encargada de propiciar la comunicación

entre las hormigas y es en función de la misma que las hormigas colaboran en la
construcción de las cadena de adición. Como se mencionó, las hormigas utilizan un
sistema de memoria compartida para la comunicación que se representa mediante una
matriz de 2 dimensiones, las cuales son: el valor del exponente e que define las filas y
el número de columnas será proporcional al de filas. Otro punto a tener en cuenta es
que la memoria compartida se divide en dos partes: una de ellas almacena la cadena
de adición obtenida por una hormiga (solución) y la otra almacena las características
de dicha solución.
Este trabajo es de fecha anterior a otros aportes ya descritos para otras

metaheurísticas (AG, EP). En el mismo no se muestra evidencias de pruebas
con exponentes grandes y si para pequeños del rango de los 32-bits a los 128-bits.
52
Capítulo 5
Algoritmo Propuesto
5.1 Algoritmo basado en comportamiento de lobos

grises (Grey Wolf Optimizer)
En [24] se propone una metaheurística denominada Grey Wolf Optimizer, GWO (por
su siglas en inglés), inspirada en el comportamiento de las manadas de lobos grises
(Canis Lupus) y su organización social para la caza de presas.
Los lobos grises por naturaleza prefieren vivir en grupo de entre 5 y 12 miembros
en promedio. La manada se conforma de dos líderes llamados alfa (un macho y una
hembra) y el resto de la manada. En esta estructura social, los miembros alfa son
los responsables de la toma de decisiones sobre la caza, lugar donde dormir, hora de
despertar, y el resto de los miembros debe seguir sus órdenes. El miembro alfa de
una manada no necesariamente debe ser el más fuerte pero si el mejor en términos
de conducción del grupo y capacidad para tomar decisiones. El segundo nivel en
la jerarquía del grupo son los miembros beta (subordinados de los alfa), que deben
colaborar con la toma de decisiones y el cumplimiento de las órdenes de los alfa. Estos
miembros son los candidatos a convertirse en alfa cuando alguno de estos fallece o
envejece. Existe otra clasificación que se encuentra más abajo en la jerarquía de las
manadas de lobos grises se denomina omega, estos deben someterse a los alfa y betas
obedeciéndoles, en muchos casos suele verse en este tipo a miembros que ofician de
niñeros de las crías, dentro de la manada [22].
Las principales fases de la caza en manadas de lobo gris son las siguientes:
• Seguir, perseguir, y acercarse a la presa.
• Rodear, y acosar a la presa hasta que se “paraliza”.
• Atacar a la presa.
53
Esta técnica de caza naturalmente e intuitivamente realizada por los lobos grises,
fue modelada matemáticamente en [24] con la finalidad de proponer un método de
optimización y emplearlo en la resolución de problemas complejos.
5.1.1 Modelo matemático y el algoritmo GWO
A continuación se describe el modelo matemático de la jerarquía social de las manadas

de lobos grises en base a las tres acciones principales relacionadas con la actividad de
la caza: acorralar, seguir y atacar.
Jerarquía social de las manadas:
Para modelar matemáticamente la jerarquía social de los lobos en el diseño de GWO,

se considera que la solución más apta para el problema que se intenta resolver es la
alfa (α). En consecuencia, la segunda y tercera mejores soluciones se denominan beta
(β) y delta (δ), respectivamente. El resto de las soluciones candidatas, se supone que
son omega (ω), esta jerarquía social se ilustra en la Figura 5.1. En el algoritmo GWO
la actividad de caza se traduce como proceso de optimización, y el mismo es guiado
por α, β, y δ, mientras que los lobos ω siguen a los 3 tipos previamente descriptos.
Figura 5.1: Jerarquía de miembros de una manada de lobos grises.
Acorralamiento de la presa:
Los lobos grises rodean la presa durante la caza. Matemáticamente este

comportamiento se modela de la siguiente manera:
D = |C · Xp (t) − X(t)| (5.1a)

X(t + 1) = Xp (t) − A · D (5.1b)
Donde t indica la iteración actual, A y C son vectores de coeficientes, Xp es el vector

de posición de la presa, y X indica la posición vector de un determinado lobo gris.
54
Por otro lado, los vectores A y C se calculan como sigue:
A = 2a · r1 − a (5.2a)
C = 2 · r2 (5.2b)
Según la formulación original GWO en [24] los componentes del vector A disminuyen
linealmente desde 2 hasta 0, sobre el curso de las iteraciones y r1 , r2 son vectores
aleatorios en el rango [0, 1].
Figura 5.2: Acorrralamiento de la presa.
La Figura 5.2 esquematiza los efectos de las ecuaciones (5.1a) y (5.1b). Se muestra en
la figura un lobo gris en la posición (x1 ,x2 ), éste sería el equivalente a X de la ecuación
(5.1b) y puede actualizar su posición según la posición de la presa Y=(y1 ,y2 ), es decir
el equivalente a Xp de la ecuación (5.1a). Como se observa en la figura, pueden
alcanzarse diferentes lugares alrededor de la presa, con respecto a la posición actual
del lobo, ajustando el valor de las coordenadas de los los vectores de posición. Por
ejemplo, X=(x1 , y2 -x2 ).
El modelo matemático de GWO describe la operación de acercamiento en función de

que un lobo gris en una determinada posición (en el espacio n-dimensional), podrá
actualizar su posición respecto de la presa, trasladando la ubicación del lobo (o agente)
mediante el ajuste del valor de los vectores A y C.
Ataque a la presa:
Los lobos grises tienen la capacidad de reconocer la ubicación de la presa y rodearla.

En la naturaleza la caza suele ser guiada por el miembro alfa, aunque los miembros
beta y delta que le siguen en jerarquía, pueden participar eventualmente de la caza.
Con el fin de simular matemáticamente el comportamiento de caza de los lobos grises,
55
suponemos que el miembro alfa (mejor solución candidata), beta y delta tienen un
mejor conocimiento sobre la posible ubicación de la presa. Por lo tanto, guardamos las
primeras tres mejores soluciones obtenidas hasta el momento y obligamos a los otros
agentes de búsqueda (incluidos los omegas) a actualizar sus posiciones de acuerdo
a la posición de los mejores agentes de búsqueda. En este sentido se proponen las
siguientes fórmulas:
Dα = |C1 · Xα − X(t)|, Dβ = |C2 · Xβ − X(t)|, Dδ = |C3 · Xδ − X(t)| (5.3a)

X1 = Xα − A1 · (Dα ), X2 = Xβ − A2 · (Dβ ), X3 = Xδ − A3 · (Dδ ) (5.3b)
X(t + 1) = (X1 + X2 + X3 )/3 (5.3c)
X1 , X2 y X3 son las mejores 3 soluciones en la población para la iteración t, dichos

valores son evaluados en las ecuaciones (5.3b). Los valores Dα , Dβ y Dδ son obtenidos
con las ecuaciones (5.3a). Los valores de C1 , C2 y C3 se evalúan mediante la ecuación
(5.2b). Los valores de A1 , A2 y A3 son evaluados con la ecuación (5.2a).
En función de que cada agente actualiza su posición según: alfa, beta y delta en un
espacio de búsqueda, se puede decir que el rol de alfa, beta y delta es estimar la
posición de la presa y los otros lobos actualizan sus posiciones al azar alrededor de la
misma.
Exploración (seguimiento) versus Explotación (ataque):
Los lobos se acercan a la presa y la atacan cuando la misma deja de moverse. El

modelo matemático de tal comportamiento de acercarse a la presa, se traduce como
la disminución del valor del vector A (coeficiente). Cabe destacar que el rango de
fluctuación del vector A, también se reduce por el valor de “a” (5.2a). Cuando |A| < 1,
GWO, obliga a los lobos a atacar a la presa. Esta característica está relacionada con
la explotación del algoritmo.
GWO es propenso al estancamiento en las soluciones locales con estos operadores.

Y si bien es cierto que el mecanismo de “rodeo” que posee genera exploración hasta
cierto punto, necesita más operadores para enfatizar dicha exploración.
Los lobos tienen posiciones diferentes respectos de la presa pero convergen a la misma
para atacar. El modelo matemático de esta divergencia se refleja en el uso de valores
aleatorios para el vector A (mayores que 1 y menores que −1), a través de r1 (ver 5.2a),
para asegurar divergencia y que la búsqueda abarque de mejor manera el espacio de
búsqueda, característica relacionada con la exploración, es decir que cuando |A| > 1
se está obligando a los lobos a divergir respecto de la presa.
En resumen, el proceso de búsqueda en GWO se inicia con la creación de población

de lobos al azar (soluciones candidatas). En el transcurso de las iteraciones, los lobos
alfa, beta y delta, estiman la posición probable de la presa. Cada solución candidata
56
actualiza su distancia respecto de la presa. El parámetro “a” es disminuido desde
2 hasta 0 con el fin de enfatizar la exploración y explotación, respectivamente. Las
soluciones candidatas divergen respecto de la presa cuando |A| > 1 y convergen hacia
la presa cuando |A| < 1 (ver figura 5.2). Por último, el algoritmo GWO termina
por la satisfacción de un criterio de fin. Tal como describe en [24] GWO ha sido
aplicado a una serie de problemas de optimización y dentro de ellos se aplicó a un
problema real del ámbito de la ingeniería óptica [24]. En el Algoritmo 20 se presenta
el esquema general del método.
Algoritmo 20 GWO.
Inicializar población de lobos Xi (con i = 1, 2, ..., n)
Inicializar α, A y C
Calcular fitness de cada agente de búsqueda
Xα = el mejor agente.
Xβ = el segundo mejor agente.
Xδ = el tercer mejor agente.
mientras ( t < número máximo de iteraciones) hacer
para i = [1..n] hacer
Actualizar la posición de cada agente mediante la ecuación (5.3c)
fin para
Actualizar α, A y C
Calcular el fitness de todos los agentes de búsqueda
Actualizar Xα , Xβ y Xδ
t=t+1
fin mientras
Retornar Xα
5.2 Propuesta inicial - GWOc
El objetivo del presente trabajo es abordar el problema de optimización de generación

de cadenas de adición cuya longitud sea mínima y abordarlo con una metaheurística
no explorada o escasamente explorada para la problemática como lo es GWO y la cual
es de más reciente surgimiento que las ya utilizadas para el problema de referencia.
Se empleó una función programada sobre lenguaje MATLAB©, capaz de generar
cadenas de adición asociada a exponentes que recibe como parámetros de entrada [8]
(ver Algortimo 21) y la misma fue optimizada mediante GWO.
En el Algoritmo 21, e es el exponente para el cual se genera la cadena de adición,

U = [u0 ; u1 ; u2 ; . . . ; e] es la cadena de adición completa de longitud L, Rand(3,4)
representa el método que toma de manera aleatoria el valor 3 o 4 para generar la
tercera componente de la cadena y FILL es la función llenar, que se utiliza para
completar la cadena y se describe en el Algoritmo 22.
57
Algoritmo 21 Producir cadena de adición válida.
Entrada: e
Salida: (U, L)
Asignar a u0 = 1 y u1 = 2
Asignar a u2 = Rand(3,4)
Completar la secuencia invocando la función FILL(U , k, e) // parámetros que
emplea la función para “llenar” la cadena.
Retornar (U, L)
La función FILL opera tomando como parámetro de entrada una cadena de adición
incompleta U de longitud L, asociada al exponente e. El valor de k representa la
siguiente posición de la cadena a completar.
El resultado de la ejecución de FILL será una cadena de adición completa y factible

para el exponente e en cuestión.
Algoritmo 22 FILL(U , k, e) // completar cadena.

Establecer i = k – 1
mientras ui , e hacer
si FLIP(f) entonces
ui+1 = 2ui // aplicar regla 1
si no
si FLIP(g) entonces
ui+1 = ui + ui−1 // aplicar regla 2
si no
ui+1 = ui + urand // aplicar regla 3
fin si
fin si
mientras (ui+1 ) > e // Para que la siguiente posición sea mayor que e hacer
j=i–1
ui+1 =ui + ui−j
j = j – 1 // decrementar para no superar el valor de e.
fin mientras
fin mientras
Retornar (U )
Donde:
U: cadena a completar (no vacía), parámetro de la función.

f: probabilidad de aplicar regla 1.
g: probabilidad de aplicar regla 2.
58
Al igual que en [8] los individuos de la población serán generados aplicando las 3
reglas mencionadas a continuación, siempre con la premisa de que las dos primeras
componentes de la cadena son 1 y 2, en este mismo orden:
1. Se permite que un elemento de la cadena resulte de sumar al elemento previo

por sí mismo. De este modo, en una cadena U, un componente ui +1 podrá ser
igual a 2ui ≡ (ui+1 = ui + ui ). Por ejemplo, para la cadena [1; 2; 3; 6; 9; 12; 15;
21], el cuarto elemento se compone de sumar el elemento (3) consigo mismo.
2. Suma de dos números previos, de modo que: ui+1 = ui + ui−1 . Tomando como
ejemplo la misma cadena del punto 1, el quinto elemento (9) es igual al tercero
sumado al cuarto.
3. Suma de un número previo más un número aleatorio de la cadena, es decir

ui+1 = ui + urand . Siguiendo el mismo ejemplo anterior, el elemento (15) se
conforma de la suma del sexto (12) y el tercer elemento (3).
Para adaptar el comportamiento de GWO para resolver la problemática objeto de

estudio, vamos a establecer que nuestra población de lobos (soluciones) es una
población de cadenas de adición válidas para un exponente e determinado, es
decir secuencias numéricas de enteros y que responden a las reglas mencionadas
anteriormente. Por otro lado, teniendo en cuenta que el propósito de optimizar
cadenas para un exponente determinado consiste en obtener cadenas de longitud
mínima, la función de adaptación (fitness) a utilizar, será la longitud de las cadenas.
De esta manera, la función FILL aplica las reglas anteriores con determinados valores
de probabilidad. Para los experimentos se ha tomado como referencia los valores
reportados por el enfoque [8] que ha demostrado resultados competitivos para varios
rangos de exponentes, a fin de poder comparar nuestra propuesta bajo condiciones
similares en términos de generación de soluciones y desempeño de la metaheurística
propuesta. Dichos valores son:
• Tasa de determinación de un elemento de la cadena a partir de la suma del

número anterior por sí mismo (regla 1) = 0.7
• Tasa de suma de elementos anteriores (regla 2) = 0.2
En la siguiente sección, se presentan los resultados vertidos de una serie de

experimentos y pruebas estadísticas realizadas sobre la metaheurística GWO aplicada
al problema objeto de estudio, cuya implementación hemos llamado en el contexto
de esta tesis GWOc (“Grey Wolf Optimizer of Chains”: “Lobo Gris Optimizador de
Cadenas”). Todos los resultados obtenidos con el enfoque GWOc, han sido generados
aplicando la siguiente configuración de parámetros:
59
• Agentes_de_búsqueda= 10 (número de lobos).
• Máximo_iterationes= 30 (cantidad de ejecuciones).
A continuación se describe de qué manera se probó el desempeño de GWOc para

la optimización de cadenas de adición. Asimismo se describen los experimentos
ejecutados y los resultados obtenidos. Para todos los experimentos se utilizó la
metaheurística GWOc sobre MATLAB© v.7.8.0 (R2009a) bajo Sistema Operativo
Windows 8.1 Enterprise 64 bits, en un computador con Intel Core i-3., 2.10 GHz. y
4 Gb. RAM.
5.3 Descripción de los experimentos
En esta sección se describe de qué manera se estudió el desempeño del algoritmo

propuesto (GWOc) para la búsqueda de cadenas de adición de longitud mínima y
la calidad de soluciones obtenidas, mediante comparación con trabajos precedentes y
pruebas estadísticas.
Se diseñaron tres experimentos, en función de los objetivos de la tesis. En cada

experimento se comparó los resultados obtenidos con GWOc, con los reportados por
otras propuestas del estado del arte.
5.3.1 Longitudes acumuladas de GWOc para exponentes en

[1, 512]
El primer experimento planteado radica en calcular el total de longitudes acumuladas

de cadenas aditivas para conjuntos de exponentes de pequeña longitud, a fin de
comparar el desempeño de algoritmo GWOc con otros resultados obtenidos por
métodos deterministas de la literatura y por otras metaheurísticas del estado del
arte.
Tabla 5.1: Promedio de resultados obtenidos por GWOc sobre los siguientes rangos
de exponentes con 30 ejecuciones independientes.
Exponente Longitud acumulada Promedio Mediana Desviación

[1, 128] 960 7,5 4 2,159
[1, 256] 2459 9,6 9 2,986
[1, 512] 4994 9,8 10 1,9501
La Tabla 5.1 resume los mejores resultados obtenidos por enumeración, para los
exponentes de cada rango expresado ([1,128], [1,256] y [1,512]), es decir, para el
rango [1,128] se obtuvo las cadenas de adición para los números del 1 al 128 y
60
así sucesivamente para los otros rangos numéricos. La operación antes mencionada
se ejecutó 30 veces por cada rango, tomando el mejor resultado en términos de
longitud de cadenas acumuladas dentro de los resultados de cada rango, a fin de
poder comparar tales resultados con otras propuestas para las que se han ejecutado
experimentos empleando los mismos rangos de exponentes.
Tabla 5.2: Cadenas de adición acumuladas para todas las longitudes de exponentes
e ∈ [1, 512]
e [1, 512]
Optimal [6] 4924
Binary [6] 5388
Çuaternary [6] 5226
Resultados GWOc
Longitudes acumuladas 4994

Promedio 9,77
Mediana 10
Desvío 1,95
Tabla 5.3: Comparación de los mejores resultados acumulados para GWOc con otros
enfoques, para el mismo rango de exponentes.
e ∈ [1, 512] AIS GA PSO EP GWOc

4924 4924 — 4924 4994
La Tabla 5.2 muestra una comparación de los resultados para GWOc respecto de
los métodos deterministas del estado del arte tomados de [6] cuyos resultados fueron
utilizados para comparar con el enfoque AIS [6]. Por otro lado, el Cuadro 5.3 brinda
una comparación de los mejores resultados de cadenas de adición acumuladas para el
mismo rango de exponentes [1, 512] obtenidos por métodos estocásticos y comparados
en [8], salvo PSO que no reportó resultados para este rango de exponentes, respecto
de la propuesta GWOc. En el Cuadro 5.2 se puede observar además que GWOc se
aproxima al resultado del método “Optimal”[6], siendo éste quien mejor desempeño
logró para dicho rango de exponentes según [6]. Finalmente, en el Cuadro 5.3 se
observa que GWOc, en su mejor ejecución, se acerca a los mejores resultados que
arrojaron AIS, GA, PSO, EP para el rango [1, 512]. En comparación con los resultados
de los métodos deterministas se observa que en su mejor ejecución se aproxima al
mejor resultado arrojado por “Optimal”, mientras que en los resultados comparativos
con los demás métodos estocásticos se acerca a los mejores resultados reportados de
las otras propuestas, no superando las mismas por un porcentaje de ∼ 0, 9 %.
Puesto que GWOc ha obtenido valores muy cercanos a otros enfoques del estado
del arte como AIS y EP para el mismo rango de exponentes [1, 512] se aplicará la
prueba “T” de Student para demostrar que tales resultados son competitivos y que
61
las diferencias no son significativas.
Se toma GA[7], AIS[6] y EP[8] como puntos de comparación pues se tiene para
sendos estudios los valores de promedios de longitudes acumuladas y desvío estándar,
obtenidos por las metaheurísticas para las muestras. PSO [19] no será tomado en
cuenta puesto que no reporta resultados para dicho rango de exponentes.
GWOc respecto de GA[7]
• Promedio de las muestras:
Para GWOc: X1 = 4994 promedio = 9,77.

Para GA: X2 = 4927, 7 promedio = 9,62.
X1, X2: longitudes acumuladas para GWOc y GA respectivamente.
• Desvíos de las muestras 1 y 2: s1 = 1,95 - s2 = 4,74
• Tamaño de las muestras: n1 =n2 =512
• Planteamiento de la hipótesis de términos estadísticos:

H0 (hipótesis nula) aunque las muestran registren promedios y desvíos diferentes
provienen del mismo universo y por tanto la diferencia observada se debe al azar.
Na (hipótesis alternativa) las muestran provienen de universos con promedios
distintos.
• Nivel de significación:
α=0,05
• Estadístico de prueba:
S 2 = [(n1 − 1)S1 2 + (n2 − 1)S2 2 ]/(n1 + n2 − 2) = [(512 − 1)3, 8025 + (512 −
1)22, 4676]/1022 = (1943, 0775 + 11480, 9436)/1022 = 13, 13
•
(X1 − X2)
T = √ = 10, 6
S 2 ( n11 + n12 )
• Los grados de libertad son 1022, (n1 +n2 -2)=(512+512-2), entonces verificamos
en la tabla de “T de Student” el valor 10,6 de T obtenido, para 1022 grados de
libertad.
En la tabla de “T de Student” el valor 10,6 para 1022 grados de libertad se encuentra

entre 1,645 y 1,960.
El hecho de que el valor del estadístico de prueba sea mayor que la mitad de α (nivel
de significación) implica la aceptación de la hipótesis nula (pues dicho resultado se
encuentra en la “zona de confianza”), por tanto no existe diferencia significativa entre
los resultados de GWOc y GA para el experimento de referencia.
62
GWOc respecto de AIS[6]
• Promedios de las muestras:
Para GWOc: X1=4994 promedio = 9,77

Para AIS: X2=4925,03 promedio = 9,62
X1, X2: longitudes acumuladas para GWOc y AIS respectivamente.
• Desvíos de las muestras 1 y 2: s1 =1,95 – s2 =0,89
• Tamaño de las muestras: n1 =n2 =512

distintos.
α=0,05
S 2 = [(n1 − 1)S1 2 + (n2 − 1)S2 2 ]/(n1 + n2 − 2) = [(512 − 1)3, 8025 + (512 −

1))0, 7921]/1022 = (1943, 0775 + 404, 7631)/1022 = 2, 3
•
(X1 − X2)
T = √ = 25, 26
S 2 ( n11 + n12 )
Para 25,26 con 1022 grados de libertad, los valores de probabilidad están entre
1,708 y 2,060. Esto implica que se debe aceptar la hipótesis nula y por tanto
al no existir diferencias significativas entre ambas metaheurísticas se concluyen
en que los resultados de GWOc fueron satisfactorios.
GWOc respecto de EP[8]
• Promedios de las muestras:
Para GWOc: X1= 4994 promedio: 9,77

Para EP: X2= 4924,10 promedio:9,62
X1, X2: longitudes acumuladas para GWOc y EP respectivamente.
• Desvíos de las muestras 1 y 2: s1 =1,95 – s2 = 0,305
• Tamaño de las muestras: n1 = n2 =512
63
distintos.
α=0,05
S2 = [(n1 − 1)S1 2 + (n2 − 1)S2 2 ]/(n1 + n2 − 2) = [(512 − 1)3, 8025 + (512 −
1)0, 093025]/1022 = (1943, 0775 + 47, 535775)/1022 = 1, 95
•
(X1 − X2)
T = √ = 27, 51
S 2 ( n11 + n12 )
Para 27,51 con 1022 grados de libertad los valores de probabilidad están entre 1,703
y 2,052, por lo tanto se debe aceptar la hipótesis nula considerando que no existen
diferencias significativas entre los resultados de ambas metaheurísticas.
Tanto para los resultados de la prueba de comparación de GWOc con AIS como
GWOc respecto de EP, el valor del estadístico obtenido conduce a la aceptación de
la hipótesis nula y por tanto se concluye que las diferencias en los resultados de los
experimentos entre las metaheurísticas comparadas no son significativos dejando en
evidencia que GWOc obtuvo resultados competitivos.
5.3.2 GWOc vs. GA Annealing para exponentes específicos
El experimento plantea la comparación del desempeño de GWOc respecto de una

propuesta reciente [27] del estado del arte.
Tabla 5.4: Comparación de GA Annealing [27] y GWOc para el mismo conjunto de

exponentes.
Exp. Cadena GA Annealing GWOc

e Longitud
23 1, 2, 4, 5, 10, 20, 21, 23 7 7
55 1, 2, 3, 6, 12, 24, 27, 54, 55 9 8
130 1, 2, 4, 8, 16, 32, 64, 128, 129, 130 11 9
250 1, 2, 3, 5, 10, 20, 30, 50, 100, 150, 250 13 10
768 1, 2, 3, 6, 12, 24, 48, 96, 192, 384, 768 23 10
La Tabla 5.4 muestra una comparación de los resultados de GWOc respecto de GA

Annealing [27] para una serie de exponentes diversos y especialmente difíciles de
64
optimizar. Se considera dentro de esta categoría a aquellos exponentes para los cuales
no es posible hallar cadenas de longitud mínima mediante los métodos deterministas.
Se puede observar que en los 5 casos, GWOc ha obtenido cadenas de longitud igual
o menor al enfoque propuesto en [27]. Si bien los métodos aplicados en [6], [19] y [8]
también han sido probados con esta clase de exponentes diversos, no son los mismos
que los empleados en [27]. Por esta razón, se efectúa la comparación en Tabla 5.4 y
en el próximo experimento se hace respecto a los otros métodos del estado del arte.
Se aplicó la prueba de los rangos de signos de Wilcoxon a fin de verificar los resultados
obtenidos por GWOc respecto de [27] con α= 0,05 a fin de validar si existen diferencias
significativas. La comparación fue realizada en función de las longitudes de cadenas
obtenidas con cada metaheurística. A continuación se describe el procedimiento.
• Planteamiento de la hipótesis en términos estadísticos:

Se plantean las hipótesis para efectuar la prueba de las dos colas.
H0 (hipótesis nula) la media de las longitudes de cadenas de [27] es igual a
la media de la longitud de cadenas de GWOc. En este caso los resultados de
GWOc son iguales a los de [27].
Ha (hipótesis alternativa) la media de las longitudes de cadenas de [27] es mayor
que la media de los resultados de GWOc, por tanto los resultados de GWOc
son superiores a los de [27] pues si la media es más pequeña significa que los
valores de longitud son menores que los obtenidos por la otra propuesta. Nivel
de significancia: α=0,05.
• Obtención de los signos de rangos de Wilcoxon.

Primer paso
Este paso consiste de calcular la diferencia y expresar los mismos en valor
absoluto, entre los mejores resultados de cada propuesta (GWOc y GA
Annealing), obtenidos para cada exponente (ver Tabla 5.5).
Tabla 5.5: Cálculo de las diferencias entre los resultados de las metaheurísticas.
Exp. GA annealing GWOc Diferencia Valor Absoluto

e Longitud
23 7 7 0 0
55 9 8 1 1
130 11 9 2 2
250 13 10 3 3
768 23 10 13 13
Segundo paso
Puesto que lo importante son las filas de la tabla que contienen los resultados
de las diferencias en valor absoluto para cada exponente, nos quedaremos solo
con las columnas exponente (“Exp.”) y “Valor Absoluto”. Las filas de la tabla
65
deben quedar ordenadas de manera decreciente, en función del valor absoluto,
en este caso ya se encontraban ordenadas desde el paso anterior (ver Tabla 5.6).
Tabla 5.6: Diferencias de cada metaheurística en valor absoluto para cada exponente.
Exp. Valor Absoluto

e
23 0
55 1
130 2
250 3
768 13
Tercer paso
A cada valor de diferencia de la Tabla 5.6 se le asignará un número de rango,
de manera creciente.
Tabla 5.7: valores absolutos y número de rango para cada diferencia entre los
resultados de GWOc y GA Annealing.
Exp. Valor Absoluto Rango

e
23 0 1
55 1 2
130 2 3
250 3 4
768 13 5
Cuarto paso
En este paso se obtienen los signos asociados a cada rango del siguiente modo,
los rangos asociados a valores de la columna “Diferencia” con signo positivo
se colocarán en la columna “(+)” y aquellos con signo negativo en la columna
“(−)”, adicionalmente se descartan las diferencias nulas (ver Tabla 5.8).
Tabla 5.8: Signos asociados a los rangos de cada diferencia.
Posición Diferencia Rango (+) (−)

1 1 1 1 -
2 2 2 2 -
3 3 3 3 -
4 13 4 4 -
Σ 10 -
66
• Cálculo del estadístico W de Wilcoxon.
El valor del estadístico W será la suma de los rangos correspondientes a las
diferencias positivas, en este caso todas las diferencias resultaron ser positivas,
por lo que W = 10.
• Criterio de decisión.
El p-valor de la prueba se calcula en 0,00195, y se obtiene de la siguiente manera.
p-valor unilateral p = k × (1/2)n p = 4 × (1/2)10

p-valor bilateral (de dos colas) p=2×p
n: rangos de magnitudes observadas.
k: cantidad de rangos positivos.
Teniendo en cuenta que se aplica prueba de dos colas sería 0,0039 (2×p-valor)
y este resultado menor que α=0,05, con lo cual se rechaza la hipótesis nula en
favor de la hipótesis alternativa.
• Conclusión. Se rechaza H0 y por tanto las dos poblaciones no son idénticas y

existe una diferencia significativa entre los resultados de GWOc y [27], siendo
superiores los de GWOc.
A continuación se muestran las curvas de convergencia del algoritmo GWOc para

los casos ejecutados en el experimento, conforme el avance de las iteraciones,
correspondiente a la ejecución con la cual se obtuvo el valor mínimo de longitud de
cadena de adición para cada exponente.
Vale aclarar que en las siguientes gráficas los valores correspondientes al eje de
abscisas no parten de cero sino que lo hacen desde el menor valor encontrado de
longitud de cadena de adición para cada exponente.
Curva de Convergencia
23
18 GWOc
Mejor cadena obtenida
17
16
15
13
11
10
7
5 10 15 20 25 30
Iteración
Figura 5.3: Cadena para e=23.
67
22
GWOc
18

16
13
12
11
10
8
5 10 15 20 25 30
Iteración
41
38
GWOc
30
25
21
19
15
11
9
5 10 15 20 25 30
Iteración
50
GWOc
48
35
30
23
19
12
10
5 10 15 20 25 30
Iteración
68
123
GWOc
111

63
55
45
35
30
21
15
11
10
5 10 15 20 25 30
Iteración
5.3.3 Desempeño de GWOc respecto de otras propuestas del

estado el arte para exponentes “difíciles”
El experimento plantea la comparación del desempeño de GWOc respecto de otros

abordajes del estado del arte.
La Tabla 5.9 resume los resultados del tercer experimento, correspondiente a los
mejores resultados obtenidos por GWOc para un conjunto de exponentes diversos
y difíciles de optimizar al igual que los resultados del experimento mostrados en la
Tabla 5.4 pero comparando dichos resultados con los obtenidos por AIS [6], PSO
[19] y EP [8] para los mismos casos. GWOc ha sido comparado tomando algunos
exponentes de las metaheurísticas mencionadas en el párrafo anterior a excepción
de [7] pues tal como se menciona en [8], todas las demás ([6], [19]) superan sus
resultados. Si bien GWOc no supera los resultados obtenidos para los exponentes
listados mediante el uso de los otros enfoques (ver Tabla 5.9) tampoco ha arrojado
resultados de menor calidad en términos de longitud de cadena, salvo para el caso
del exponente e = 1087 empleado en este lote de casos de prueba. Cabe destacar que
es correcto que GWOc no supere los valores de longitud de cadena reportados por
las otras metaheurísticas con las cuales se comparó en este experimento pues dichos
resultados corresponden a la mínima longitud conocida para cada caso, tal como se
muestra en la Tabla 5.10 de exponentes “diversos” presentada en [6].
69
Tabla 5.9: Mejores resultados obtenidos por AIS [6], PSO [19], EP [8] y GWOc para
un conjunto de exponentes diversos y difíciles de optimizar.
Exponente Longitud
e Cadena AIS [6] PSO [19] EP [8] GWOc
5 1, 2, 3, 5 3 3 3 3
7 1, 2, 4, 5, 7 4 4 4 4
11 1, 2, 4, 8, 10, 11 5 5 5 5
19 1, 2 ,4, 8, 16, 18, 19 6 6 6 6
29 1, 2, 3, 6, 7, 14, 28, 29 7 7 7 7
47 1, 2, 4, 8, 9, 18, 36, 45, 47 8 8 8 8
1, 2, 3, 6, 7, 14, 21, 35, 70,
71 9 9 9 9
71
1,2, 3, 6, 12, 18, 30, 60, 63,
127 10 10 10 10
126, 127
1, 2, 3, 6, 12, 18, 19, 38, 57,
191 11 11 11 11
95, 190, 191
1, 2, 3, 6, 9, 18, 27, 45, 72,
379 12 12 12 12
117, 189, 378, 379
1, 2, 3, 6, 9, 15, 30, 60, 61,
607 13 13 13 13
121, 182, 303, 606, 607
1, 2, 3, 6, 9, 18, 36, 54, 108,
1087 216, 324, 540, 541, 1082, 14 14 14 15
1085, 1087
70
Tabla 5.10: Conjunto de exponentes que tienen una cadena de adición óptima asociada
de longitud determinada.
Longitud de cadena Exponentes (e)

1 2
2 3, 4
3 5, 6, 8
4 7, 9, 10, 12, 16
5 11, 13, 14, 15, 17, 18, 20, 24, 32
19, 21, 22, 23, 25, 26, 27, 28, 30, 33, 34, 36, 40,
6
48, 64
29, 31, 35, 37, 38, 39, 41, 42, 43, 44, 45, 46, 49,
7
50, 51, 52, 54, 56, 60, 65, 66, 68, 72, 80, 96, 128
47, 53, 55, 57, 58, 59, 61, 62, 63, 67, 69, 70, 73,
74, 75, 76, 77, 78, 81, 82, 83, 84, 85, 86, 88, 90,
8
92, 97, 98, 99, 100, 102, 104, 108, 112, 120, 129,
130, 132, 136, 144, 160, 192, 256
71, 79, 87, 89, 91, 93, 94, 95, 101, 103, 105, 106,
107, 109, 110, 111, 113, 114, 115, 116, 117, 118,
119, 121, 122, 123, 124, 125, 126, 131, 133, 134,
135, 137, 138, 140, 145, 146, 147, 148, 149, 150,
9
152, 153, 154, 156, 161, 162, 163, 164, 165, 166,
168, 170, 172, 176, 180, 184, 193, 194, 195, 196,
198, 200, 204, 208, 216, 224, 240, 257, 258, 260,
264, 272, 288, 320, 384, 512
Los siguientes gráficos muestran las curvas de convergencia del algoritmo GWOc
para los casos ejecutados en el experimento, conforme el avance de las iteraciones,
correspondiente a la ejecución con la cual se obtuvo el valor mínimo de longitud de
cadena de adición para cada exponente.
71
4
GWOc
3
5 10 15 20 25 30
Iteración
6
GWOc
4
5 10 15 20 25 30
Iteración
9
8
GWOc
5
5 10 15 20 25 30
Iteración
72
15
GWOc
14

12
11
6
5 10 15 20 25 30
Iteración
29
21
GWOc
20
19
16
13
12
10
7
5 10 15 20 25 30
Iteración
28
25
GWOc
24
22
20
19
18
14
10
8
5 10 15 20 25 30
Iteración
73
24
21
GWOc

20
18
16
14
13
12
11
10
9
5 10 15 20 25 30
Iteración
40
38 GWOc
35
33
28
27
25
21
20
18
15
13
12
10
5 10 15 20 25 30
Iteración
49
41
GWOc
39
38
35
33
32
31
15
14
13
11
5 10 15 20 25 30
Iteración
74
58
GWOc
41
39

35
30
29
21
19
18
14
13
12
5 10 15 20 25 30
Iteración
61
GWOc
52
47
41
39
30
28
23
20
13
5 10 15 20 25 30
Iteración
144
111 GWOc
97
89
81
80
75
69
65
59
53
48
41
33
31
30
29
27
16
15
5 10 15 20 25 30
Iteración
75
5.4 Discusión de los resultados
En el experimento de Sección 5.3.1 se comparó GWOc con algunos métodos

deterministas del estado del arte, donde el criterio de comparación fueron los
resultados de las longitudes acumuladas de cadenas para el mismo rango de
exponentes. Se observó que GWOc superó a dos de los métodos citados y con el
tercero obtuvo una diferencia despreciable. Por otro lado se comparó también el
desempeño de GWOc con métodos estocásticos del estado del arte para las longitudes
de cadenas acumuladas para el mismo rango de exponentes, obteniendose resultados
similares, respaldando la afirmación con los resultados de pruebas estadísticas. En
todos los casos se tomó el mejor resultado de un lote de 30 ejecuciones consecutivas,
al igual que en los estudios de la literatura citados.
En el experimento de Sección 5.3.2 se optó por una comparación individual con

un trabajo precedente, por dos razones: los casos expuestos en [27] corresponden
a exponentes para los que no se posee otro antecedente ya que otros estudios para
analizar el desempeño de un método acuden a los exponentes conocidos como dificiles
de optimizar, otro motivo es porque la propuesta [27] es una hibridación. Se observa
en este experimento superioridad de GWOc sobre [27], desde la simple observación
de los resultados y apoyado en las pruebas estadísticas.
En el experimento de Sección 5.3.3 se comparó GWOc con otras 3 metaheurísticas del

estado del arte para el problema de referencia, para exponentes difíciles de optimizar.
El desempeño de GWOc fue equivalente a las propuestas precedentes salvo por el
último caso correspondiente al exponente más grande del escenario planteado. Por
otro lado, observando las gráficas de convergencia del experimento para la mejor
ejecución de cada exponente (tomada de 30 ejecuciones individuales consecutivas),
se puede inferir que a medida que el exponente se incrementa se vuelve complejo
hallar la cadena mínima, puesto que en algunos casos se obtuvo cercano a las últimas
iteraciones de la ejecución.
Un dato relevante de los experimentos de este capítulo es que en todos los casos
los resultados de GWOc se obtuvieron con 300 evaluaciones por ejecución, aunque
también vale mencionar que GWOc fue sometido sólo a exponentes pequeños (menores
a 128-bits) de acuerdo con el objetivo de la tesis, en tanto que otras propuestas
contemplaron escenarios hasta el rango [1,4096-bits]. Sin embargo, se considera
que es válido tener en cuenta que GWOc insumió menor cantidad de evaluaciones
para alcanzar los mismos resultados en términos de longitud de cadena para varios
exponentes “difíciles” también reportados por PSO[19], AIS [6] y EP [8], este último
con 92000 evaluaciones. A continuación en la Tabla 5.11 se expone un resumen del
número de evaluaciones insumidos por GWOc y otros abordajes.
76
Tabla 5.11: Desempeño de cada enfoque comparado en términos de cantidad de
evaluaciones realizadas
Propuesta # Evaluaciones
GWOc 300
PSO [19] 300000
AIS [6] -
EP [8] 92000
GA [7] 30000
GA Annealing
-
[27]
Como se observa en la Tabla 5.11, se evidencia una ventaja de GWOc respecto de los
otros enfoques con los que se ha comparado la propuesta, en términos de cantidad
de evaluaciones, teniendo en cuenta que en todos los experimentos con GWOc se
utilizó una configuración de 30 iteraciones y 10 agentes de búsqueda (lobos), dando
como resultado 300 evaluaciones por ejecución. Para el caso de la propuesta con PSO
[19] según lo reportado se trabajó con una configuración de 30 iteraciones con 1000
partículas, dando un total de 300000 evaluaciones por ejecución de experimento. Por
otro lado, EP [8] reportó 92000 evaluaciones, determinadas por la configuración de
parámetros del algoritmo y la propuesta con GA [7] empleó 30000 evaluaciones por
ejecución para sus experimentos. Las propuestas con AIS [6] y de GA Annealing [27]
no reportaron cantidad de evaluaciones.
77
Capítulo 6
Propuesta para abordar

exponentes grandes
6.1 GWOc ventana deslizante - GWOc_SWM
Producto de los escenarios de estudio descriptos en Capítulo 5, se observó que el

algoritmo GWOc tal como fue aplicado a rangos reducidos de exponentes no logra
obtener cadenas de adición de longitud mínima a medida que los exponentes se
incrementan de manera considerable. Esta observación surge producto de pruebas
preliminares donde se determinó que GWOc no logra acercarse a los resultados
obtenidos por otros métodos para tales rangos de exponentes (del orden de los
128-bits e incluso menores) con la configuración de parámetros mencionada en
sección 5.2 u otras probadas.
Luego de un estudio para calibrar los valores de los parámetros A y C, de la
metaheurística de referencia, no se lograron mejoras significativas. En función de
esto se propone, al igual que en otras propuestas del estado del arte (AIS [6], EP
[8]), el método de ventana deslizante combinado con GWOc para obtener cadenas
de longitud mínima. Ésta nueva propuesta se ha denominado GWOc_SWM (“Grey
Wolf Optimizer of chain with Sliding Window Method”: “Lobo Gris Optimizador
de cadenas con Método de Ventana Deslizante”). El Algoritmo 23 describe dicha
estrategia y sus principales caracaterísticas y en la sección 6.3 se exponen los
resultados obtenidos con dicho ajuste.
Método de ventana deslizante
Éste método, también llamado de ventana adaptativa [4], ha sido descripto en la

sección 4.1.3 y constituye una estrategia determinística para generar cadenas de
adición asociadas a exponentes grandes y opera sobre una representación binaria
del exponente el cual subdivide en fragmentos (ventanas) de longitud variable,
conformadas por elementos nulos (ceros) o no nulos (unos o combinación de unos
78
y ceros) y en función de algunos parámetros que emplea para definir la longitud de
las ventanas no nulas y de los elementos “separadores” o ventanas nulas.
Algoritmo 23 Producir cadena de adición con GWOc_SWM

1: Entrada: e=(em−1 ...e1 , e0 ), M AX_V Dt, q
2: Salida: C = [1; 2;…; m]
3: Pre-computar y dividir e en h ventanas Wi .
4: Obtener ventanas VNC (en decimal) y establecer MVD.
5: Ordenar en forma ascendente y listar las ventanas VNC (decimales) , MVD:
6: List = [W0 ; W1 ; W2 ; ... ; WV N C−1 ]
7: Obtener U = GWOc (M V D)
8: Seleccionar x ∈ U de modo que x > WV N C−2 .
9: Establecer List = [W0 ; W1 ; W2 ; ... ; WV N C−1 ; x].
10: List = Generador de cadenas de adición (List)
11: Retornar C = List unión U
Donde:
e: representación binaria de un número entero.

M AX_V Dt: tamaño máximo de ventana.
q: número máximo de ceros consecutivos en ventanas VNC.
C: cadena de adición.
Wi : ventanas del tipo VC y VNC, de longitud L(Wi )
VC: ventanas binarias de elementos nulos.
VNC: ventanas binarias de elementos no nulos.
MVD: valor decimal de la mayor ventana VNC.
El Algorimto 23 subdivide el exponente e (expresado en binario) en h ventanas Wi

de las cuales algunas serán tipo VC y otras VNC. Se establecerá M AX_V Dt como
tamaño máximo de ventana a considerar, de la representación binaria del exponente
e. Por otro lado q determina el número máximo de ceros consecutivos permitidos
dentro de una ventana de elementos no nulos (VNC) y por tanto también determina
separación entre ventanas. Cabe destacar que las ventanas VNCs también admiten q
cantidad de ceros dentro de la secuencia pero inician y finalizan con 1. El resultado
de las operaciones antes mencionadas da lugar un conjunto de ventanas VCs y VNCs.
Sobre las ventanas VNC, se obtendrá el valor decimal asociado a cada una y el mayor
será MVD, el resto de las ventanas VNCs expresadas en decimal serán listadas y
ordenadas dentro de una cadena intermedia (List). A continuación se obtendrá una
cadena de adición (también intermedia) U mediante GWOc con MDV como valor
de exponente (parámetro de entrada). De la cadena U se tomará un elemento x de
modo tal que el mismo resulte mayor que el valor de ventana WV N C−2 de List y será
incorporado como última componente de dicha lista. Con la secuencia List como
parámetro de entrada se obtiene una cadena de adición aplicando el Algoritmo 24.
Finalmente se obtendrá una cadena de adición C, concatenando List con la cadena
79
intermedia U , vale decir que se aplica una unión, y C será completada aplicando
ventana deslizante tal como se describe en [8, 16].
Algoritmo 24 Generador de cadenas de adición

Entrada: una secuencia ordenada de manera ascendente de enteros:
U =(u0 , u1 , ... , un−1 , un ).
Salida: secuencia de adición W = {e0 , e1 , ... , en−1 , en } de longitud L
Establecer k = n – 2
Establecer U = [u1 = e1 ;u2 = e2 ;...;uk =en−2 ] ; V= {v1 =en−1 ,v2 =en } ; W = {}
mientras U , ϕ hacer
∆ = (h2 – h1 )
W = W ∪ h2
Asignar a h1 ,h2 respectivamente los dos valores mayores del conjunto: (uk , ∆,
h1 )
si ∆ < uk y ∆ < U entonces
Asignar a U = SortSet (U unión ∆) // secuencia ordenada producto de la
unión entre U , ∆.
fin si
si ∆ ∈ U entonces
Establecer k= k – 1
fin si
fin mientras
devolver (W)
El Algoritmo 24 (Generador de cadenas de adición) es el mismo empleado en trabajos

del estado del arte tales como [6] y [8] y es empleado como método auxiliar por el
Algoritmo 23 en el paso 10 para obtener la secuencia intermedia List.
A continuación un ejemplo de aplicación de esta propuesta con un número cercano

al orden de los 128-bits, para un valor de M AX_V Dt = 8 y q = 3. Dado un
exponente e=265252859812191058636308480000000 cuya representación binaria es el
número que se muestra en la Figura 6.1.
Ejemplo de aplicación de GWOc_SWM
1. Convertir e a representación binaria y establecer máxima ventana VNC con

tamaño 8 y q = 3. Entonces establecer a partir de lo anterior las ventanas VC
y VNC, ver Figura 6.1.
2. Obtener cadena de adición mínima con GWOc, asociada al exponente e, con el

valor de la mayor ventana VNC en su expresión decimal.
80
Figura 6.1: División en ventanas de la representación binaria del exponente.
3. M AX_V Dt es la mayor ventana VNC (11010001), cuya representación decimal

es MDV = 209. Entonces aplicar GWOc para el valor 209 como exponente para
hallar la cadena de adición intermedia U .
U = [1; 2; 3; 5; 8; 16; 24; 40; 64; 104; 208; 209]
4. Obtener lista ordenada de las ventanas VNC menores a M AX_V Dt en su

representación decimal:
List = [W0 ; W1 ; W2 ;...; WV N C−1 ] = [3; 13; 45; 55; 63]
5. Establecer un valor para x ∈ U tal que x > WV N C−2 .

x = 64
6. Actualizar List incorporando el valor x.

List = [3; 13; 45; 55; 63; 64]
7. Aplicar el Algoritmo 24 a List, obteniéndose:

List = [5; 7; 8; 13; 15; 23; 31; 39; 47; 55; 63; 64]
8. Establecer C = List Unión U

C =[1; 2; 3; 5; 7; 8; 13; 15; 16; 23; 24; 31; 39; 40; 47; 55; 63; 64; 104; 208; 209]
Finalmente el procedimiento para completar la cadena C termina aplicando el método

de ventana deslizante [8, 16], es decir, recorriendo el exponente e expresado como
cadena binaria (ver Figura 6.1), componente a componente, y por cada bit leído se
multiplica por 2 al último valor de la cadena C del paso 8, salvo que el elemento de
e que se lea en un determinado momento corresponda al bit final de una ventana
VNC, entonces al último valor de C se le suma el valor decimal de la ventana a la que
pertenece para obtener la nueva componente de C. El resultado de tal procedimiento,
será la cadena de adición final, asociada al exponente e.
De las dos variantes de métodos de ventana deslizante expuestos en [17], ambos son
métodos m-arios que trabajan sobre la representación binaria del exponente e, el tipo
de método de ventana aplicado es aquel que permite ventanas de tamaño variable
(tanto si las mismas son de elementos nulos como elementos no nulos). Ésta variante
presenta dos parámetros a considerar, el tamaño máximo que tendrá una ventana del
81
tipo VNC, y el otro parámetro es la cantidad de elementos ceros consecutivos que
se admitirán dentro de una ventana VNC, teniendo en cuenta que dichas ventanas
pueden tener elementos cero pero no todos ellos lo son.
En esta sección se describe de qué manera se probó el desempeño de la propuesta

GWOc_SWM para la búsqueda de cadenas de adición de longitud mínima. Además,
se verificó la calidad de las soluciones obtenidas, mediante comparación con trabajos
precedentes y pruebas estadísticas.
Se diseñaron dos experimentos, tomando como base para esta actividad los métodos
de prueba expuestos en la literatura especializada del tema y adecuando los mismos
a rangos de exponentes específicos, en función de los objetivos planteados para esta
tesis.
6.2.1 Comparación de GWOc_SWM con propuestas

similares para cadenas acumuladas
En este experimento se compara el desempeño de la estrategia descripta en la sección

anterior (GWOc_SWM), contra SWM [16], AIS_SWM [6] y EP_SWM [8] donde
se empleó también dicha estrategia. Para que dicho experimento sea representativo
al igual que en [8] se tomaron 10 exponentes grandes aleatorios de una longitud de
hasta 128-bits, correspondiente a la representación binaria de dichos exponentes. Se
efectuaron 30 ejecuciones independientes tomando el mejor resultado de las mismas.
82
Tabla 6.1: Resultado de la mejor ejecución de 10 exponentes del rango de los 128-bits
en representación binaria, tomados aleatoriamente:
Casos Longitud Promedio

1 139
2 108
3 106
4 203
5 155
6 189
7 173
8 165
9 186
10 141
Σ 1565 156,5
La Tabla 6.1 resume los casos correspondientes a la mejor ejecución del experimento
de Sección 6.2.1 que para fines prácticos solo fueron enumerados (caso 1 al 10) en
función de que se trata de 10 números aleatorios dentro del rango de los 128-bits y
considerando su longitud. La columna “longitud” de la tabla corresponde a la longitud
de la cadena de adición obtenida para cada caso (exponente) sometido al experimento,
considerando que la tabla reune el resultado de la mejor de 30 ejecuciones, es decir,
aquella donde se obtuvo menor longitud de cadena para cada uno de los 10 casos. La
última columna muestra el promedio de longitud de cadena acumulada para todos
los casos de la mejor ejecución.
Tabla 6.2: Comparación de los resultados obtenidos por GWOc_SWM para un rango
de 10 exponentes aleatorios, contra SWM, AIS_SWM y EP_SWM:
Long. SWM [16] AIS_SWM [6] EP_SWM [8] GWOc_SWM

128 bits Longitud k Longitud T q Longitud T q Longitud T q
156 4 153 17 2 154 8 2 156,5 8 2
En este experimento se comparan los resultados obtenidos por GWOc_SWM, contra

sus antecedentes de empleo de la misma estrategia: SWM[16] y las adaptaciones de
AIS y EP publicadas en [6] y [8], para un conjunto de 10 exponentes de 128-bits
tomados de manera aleatoria, teniendo en cuenta que dicha longitud corresponde a
la representación binaria de dichos exponentes a fin de adoptar la misma estrategia
que los mencionados antecedentes y que resulte válida la comparación.
De los resultados de la Tabla 6.2 se considera que GWOc_SWM arroja resultados

competitivos para exponentes de la magnitud de los 128-bits en representación binaria,
comparando el desempeño obtenido con las anteriores propuestas. En la Tabla 6.2, k
es el tamaño de la ventana usado por SWM [16]. Los valores T y q para AIS_SWM,
83
EP_SWM y GWOc_SWM representan tamaño de ventana y cantidad de ceros
permitidos en ventanas VNCs respectivamente.
Los valores de T y q utilizados por GWOc_SWM se escogieron contemplando generar

un escenario acorde a las propuestas anteriores como el caso de [8] y teniendo en
cuenta un estudio previo [17] donde se justifica cuáles son los valores adecuados para
estos parámetros de acuerdo con la magnitud de los exponentes a manipular, es decir:
q ∈ {1, 2, 3} y T ∈ {4, 5, 6, 7, 8} para exponentes en el rango [128-bits, 2048-bits].
A fin de verificar si existen diferencias significativas entre los resultados de las

pruebas de GWOc_SWM con respecto a las otras propuestas, se aplicó la prueba
de Kruskal-Wallis, como opción no paramétrica para poder evaluar varias muestras
en simultáneo. Teniendo en cuenta que no se posee el detalle de las propuestas
anteriores a la presente, salvo los resultados reportados y asumiendo que en los 4 casos
([16],[6],[8] y GWOc_SWM) se trata de muestras independientes pero que procederian
de la misma población porque se tomaron los casos del mismo rango numérico.
• Kruskal-Wallis se aplicó con las siguientes hipótesis:
H0 (hipótesis nula) no existen diferencias estadísticamente significativas entre

las poblaciones de donde se tomaron las muestras para los métodos.
Ha (hipótesis alternativa) existen diferencias significativas entre las
poblaciones de donde se tomaron las muestras para la ejecución de cada
método.
• Cálculo del estadístico de prueba.

Llamaremos H al estadístico de prueba para el método de Kruskall-Wallis que
para este caso da como resultado 2,4 y se ha obtenido mediante la siguiente
fórmula:
∑k Ri 2
12
H=[ (n×(n+1) × i=1 ni ] − 3 × (n + 1)
n: cantidad de casos observados.

ni : cantidad de casos dentro de cada población.
Ri : rango asociado a cada caso.
i: cada población involucrada.
k: cantidad de poblaciones involucradas.
• Criterio de decisión.
Teniendo en cuenta que H=2,4, los grados de libertad del escenario (k−1=3) y el
nivel de significancia empleado (α=0,05), según la tabla de χ2 (Chi-cuadrado),
obtenemos un valor crítico de 7,815.
• Conclusión.
Puesto que el valor crítico obtenido es mayor que el valor H debemos aceptar
84
la hipótesis nula y por tanto concluimos en que las poblaciones de donde se
tomaron las muestras para cada método utilizado son de idénticas características
o todas las muestras proceden de la misma población.
En base a la conclusión y la escasa diferencia entre los resultados de GWOc_SWM y

sus antecedentes, se asume que la metaheurística GWOc_SWM mantiene resultados
cercanos a otros enfoques, teniendo en cuenta que si bien todas las propuestas han
trabajado los experimentos con la misma cantidad de individuos, las muestras han
sido tomadas en cada caso de manera aleatoria del conjunto de exponentes del rango
[1, 128-bits.]
6.2.2 Desempeño de GWOc_SWM respecto de otras

propuestas del estado el arte para exponentes
“difíciles”
Al igual que en experimentos anteriores se tomaron una serie de casos especiales,

siendo éstos exponentes difíciles de optimizar según la literatura del tema y donde
GWOc con los parámetros por defecto no logró superar o alcanzar en todos los casos de
pruebas a los obtenidos por otras metaheurísticas del estado de arte. Al igual que en
experimento en Sección 6.2.1 se aplicará a dichos exponentes el método GWOc_SWM.
La Tabla 6.3 muestra los resultados de cadenas obtenidas con GWOc_SWM para el
conjunto de exponentes difíciles escogidos y compara el desempeño del método con
AIS [6], PSO [19], EP [8] y GA [26]. De la lectura de la tabla se observa que en la
mejor de 30 ejecuciones para el experimento, GWOc_SWM iguala los resultados de
las otras propuestas en términos de longitud de cadena hallada para cada valor de
exponente y para el caso del exponente “3585” obtiene una menor longitud de cadena
de adición, al igual que EP [8].
85
Tabla 6.3: Resultados obtenidos con GWOc_SWM para un conjunto de exponentes
difíciles de optimizar, respecto de: AIS, PSO, EP y GA.
Exp. Longitud
e Cadena AIS [6] PSO [19] EP [8] GA[26] GWOc_SWM
1, 2, 3, 6, 7, 14, 21, 42,
1087 63, 64, 128, 256, 512, 14 14 14 14 14
1024, 1087
1, 2, 3, 5, 10, 15, 30,
1903 60, 90, 180, 360, 720, 15 15 15 15 15
1480, 1840, 1900, 1903
1, 2, 3, 6, 7, 14, 28,
3585 56, 112, 224, 448, 896, 16 16 14 - 14
1792, 3584, 3585
1, 2, 3, 5, 10, 20, 30,
31, 60, 120, 240, 480,
6271 17 17 17 17 17
960, 1920, 3840, 5760,
6240, 6271
1, 2, 3, 5, 10, 20, 30,
35, 70, 140, 280, 560,
11231 18 18 18 18 18
1120, 2240, 4480, 8960,
11200, 11230, 11231
1, 2, 3, 5, 10, 15, 30,
60, 63, 126, 252, 504,
34303 1008, 2016, 4032, 8064, 20 20 20 20 20
16128, 32256, 34272,
34302, 34303
1, 2, 3, 5, 10, 15, 30,
60, 120, 240, 255, 480,
65131 960, 1920, 3840, 7680, 21 21 21 21 21
14360, 28720, 57440,
65120, 65130, 65131
1, 2, 3, 6, 12, 24,
30, 60, 120, 240, 360,
720, 1440, 2880, 5760,
110591 11520, 23040, 46080, 23 23 23 23 23
92160, 184320, 195840,
196560, 196590,
196591
86
Puesto que en los experimentos del Capítulo 5 se observó que a medida que los
exponentes se incrementan el desempeño de la propuesta GWOc declina, se efectuó
una serie de pruebas, incrementando la cantidad de evaluaciones por ejecución
hasta el máximo de 300 y el número de agentes de búsqueda (lobos) a 50 y 100
respectivamente, sin observar mejoras significativas. En función de lo anterior se
diseño la propuesta GWOc_SWM, inspirada en trabajos precedentes [6, 8, 16].
En experimento de Sección 6.2.1 se comparan los resultados de la propuesta

GWOc_SWM con otras estrategias similares del estado del arte (una determinista:
SWM y dos estocásticas: AIS_SWM y EP_SWM. La estretegia del experimiento fue
tomar 10 exponentes tomados de manera aleatoria dentro de un rango particular y
comparar los promedios de cadenas acumuladas para el conjunto, tomando la mejor
de 30 ejecuciones.
Se obtuvieron resultados equivalentes de la propuesta GWOc_SWM, con una
diferencia no significativa según las pruebas estadísticas. Se asume que los resultados
son competitivos tomando en cuenta la aleatoriedad de la elección de los exponentes
en un conjunto del rango de los 128-bits y que tanto en GWOc_SWM como
en la propuesta del mismo estilo más reciente (EP_SWM), se empleó la misma
configuración de ventanas y elementos separadores de las mismas.
Si bien la propuesta EP_SWM [8] trabajó exponentes de hasta los 1024-bits en
representación binaria, el trabajo expresa que los mejores resultados se obtuvieron
para aquellos de 128-bits, es decir el mismo rango considerado en este experimento de
GWOc_SWM y por esto resulta válida la comparación. En adición a lo anterior vale
destacar que los resultados de EP_SWM [8] fueron obtenidos con 92000 evaluaciones
por ejecución y AIS_SWM [6] no reportó la cantidad de evaluaciones, mientras que
GWOc_SWM utilizó 300 evaluaciones por ejecución.
El experimento de la Sección 6.2.1 de la propuesta, se diseñó de la misma manera con

el experimento de la Sección 5.3.3 (Capítulo 5), comparando GWOc_SWM con cuatro
metaheurísticas de estudios precedentes, para casos conocidos de dificil optimización.
Al igual que el experimento de Sección 5.3.3 lo que cada metaheurística revela es que
ha obtenido una cadena de la menor longitud posible para cada exponente al que
se sometió. Teniendo en cuenta lo anterior se asumen competitivos los resultados
también de GWOc_SWM ya que en todos los casos se los ha equiparado con los
resultados de las otras propuestas y en uno de ellos junto con EP[8] se ha obtenido
el mejor resultado (exponente: 3585). En cada caso se tomó el mejor resultado de un
total de 30 ejecuciones indiduales consecutivas de GWOc_SWM.
En relación a la cantidad de evaluaciones por ejecución, como se mencionó

anteriormente AIS no reporta, PSO utilizó 300000 evaluaciones, EP 92000 y la
propuesta GA [26] utilizó una configuración de 50 ejecuciones independientes por
cada experimento y se utilizó el criterio de 100 ejecuciones sin mejora de los
87
de las generaciones a 1500 y tamaño de población de 300 individuos, en todos los
experimentos con GA [26]. GWOc_SWM insumió menor cantidad de evaluaciones
que los otros enfoques utilizados para la comparación, para la optimización de los
exponentes empleados en el experimento descripto en Sección 6.2.2. La Tabla 6.4
refleja dicha situación.

evaluaciones realizadas
GWOc_SWM 300
PSO [19] 300000
AIS [6] -
EP [8] 92000
GA [26] 450000
Como se observa en la Tabla 6.4, se evidencia una importante ventaja de

GWOc_SWM respecto de los otros enfoques, en relación a la cantidad de
evaluaciones, teniendo en cuenta que en todos los experimentos con GWOc_SWM
se utilizó una configuración de 30 iteraciones y 10 agentes de búsqueda (lobos),
dando como resultado 300 evaluaciones por ejecución, mucho menos que las otras
propuestas.
88
Capítulo 7
Propuesta de combinación de
GWOc con Búsqueda Local
7.1 GWOc búsqueda local - LGWOc y

LGWOc_SWM
En este capítulo se propone una mejora para GWOc que se denominó LGWOc
(“Local-Grey Wolf Optimizer of Chains”), basada en el uso de Búsqueda Local como
el caso del algoritmo Hill-Climbing [21] y la estrategia de introducir información
al proceso de búsqueda para mejorar el desempeño del algoritmo GWO aplicado
a optimización de cadenas de adición (GWOc). También se combinó LGWOc
con ventana deslizante, algoritmo denominado LGWOc_SWM “Local-Grey Wolf
Optimizer of Chains with Sliding Window Method”.
El Algoritmo 25 describe el esquema básico del método de Búsqueda Local:
Algoritmo 25 Búsqueda Local

1: Generar una solución inicial X.
2: mientras X no es un óptimo local hacer
3: si X’ ∈ N (X) con f(X) < f(X’) entonces
4: X = X’
5: fin si
6: fin mientras
7: devolver X
Donde:
X: solución incial.
X’: mejor solución dentro del vecindario de X.
N (X): vencidario de X.
89
LGWOc emplea al Algoritmo 25 como un operador de búsqueda local para intentar
mejorar la convergencia y evitar la tendencia de GWO al estancamiento en óptimos
locales. Tal operador será un método de búsqueda local que tomará como parámetro
de entrada (solución inicial) la mejor solución actual Xα de GWOc y buscará
iterativamente hasta no satisfacer un criterio de finalización, por una solución mejor
en el vecindario de Xα, utilizando como criterio de comparación para esto la longitud
de cadena (función de fitness o adaptación) siendo la mejor solución aquella cadena
con menor longitud. En caso de no poder mejorar el valor de solución, el proceso de
búsqueda culminará retornando el mismo valor Xα que intentaba mejorar. Se emplea
un parámetro que establece la cantidad de ejecuciones del operador de búsqueda local
por iteración.
Hill Climbing [17] (Algoritmo 25) utilizado como operador de búsqueda local por
LGWOc, es un algoritmo que generalmente opera comenzando con una solución
elegida al azar pero en esta implementación el valor inicial será Xα de GWOc utilizado
como parámetro de entrada. Dicha solución, denominada “padre” es mutada,
generando otra denominada “hijo”. De estas dos soluciones se escoge aquella que tenga
mejor aptitud para permanecer en la población, para el presente caso considerando que
cada posible solución es un cadena de adicion asociada a un exponente en particular,
será la cadena de menor longitud.
En cada iteración, un nuevo punto es seleccionado de la vecindad del punto actual.

Hill climbing es una técnica que permite ajustar un único elemento en cada iteración y
determina si el cambio mejora el valor de la función objetivo o no (ver Algoritmo 25).
De esta manera, cualquier cambio que mejore f(X) es aceptado por el algoritmo y el
proceso continúa hasta que no se pueda encontrar un cambio que mejore el valor de
dicha función objetivo [21]. En caso de no encontrar mejoras factibles el Algoritmo
25 devolverá el mismo valor que aceptó como parémtro de entrada para iniciar el
proceso de optimización. En esencia LGWOc opera de manera análoga a GWOc con
la diferencia que intentará mejorar Xα mediante el empleo del operador de búsqueda
local (paso 12, Algoritmo 24) y en caso de no poder hacerlo mantendrá el Xα ya
conocido para ese ciclo de ejecución, ésto a fin de no provocar que el método ingrese
en un ciclo infinito y no pueda finalizar la ejecución del Algoritmo 24.
Puesto que esta hibridación está planteada para mejorar el desempeño general de
GWO adaptado para obtener cadenas de adición de longitud mínima (GWOc), en
los experimentos ejecutados con la nueva propuesta LGWOc, se utilizará la misma
configuración empleada en GWOc:
• Agentes_de_búsqueda= 10 (número de lobos).
• Máximo_iterationes= 30 (cantidad de ejecuciones).
90
Algoritmo 26 LGWOc.
1: Inicializar población de lobos Xi (con i = 1, 2, ..., n)
2: Inicializar α, A y C
3: Calcular aptitud (fitness) de cada agente de búsqueda
4: Determinar los 3 mejores agentes búsqueda:
5: Xα = el mejor agente.
6: Xβ = el segundo mejor agente.
7: Xδ = el tercer mejor agente.
8: mientras ( t < número máximo de iteraciones) hacer
9: para i = [1..n] hacer
10: Actualizar la posición de cada agente mediante la ecuación (7.3c)
11: fin para
12: Elegir la mejor solución actual Xα como punto de partida y generar una nueva
solución X ′ α mediante el Algoritmo 25.
13: si X ′ α < Xα, entonces
14: reemplazar Xα con X ′ α // Xα = X ′ α
15: si no
16: iterar desde el paso 12.
17: fin si
18: Actualizar α, A y C
19: Calcular el fitness de todos los agentes de búsqueda
20: Actualizar Xα , Xβ y Xδ
21: t=t+1
22: fin mientras
23: Retornar Xα
Donde:
D = |C · Xp (t) − X(t)| (7.1a)

X(t + 1) = Xp (t) − A · D (7.1b)
A = 2a · r1 − a (7.2a)
C = 2 · r2 (7.2b)
Dα = |C1 · Xα − X|, Dβ = |C2 · Xβ − X|, Dδ = |C3 · Xδ − X| (7.3a)

X1 = Xα − A1 · (Dα ), X2 = Xβ − A2 · (Dβ ), X3 = Xδ − A3 · (Dδ ) (7.3b)
X(t + 1) = (X1 + X2 + X3 )/3 (7.3c)
91
En esta sección se describe de qué manera se probó el desempeño de las propuestas

LGWOc y LGWOc_SWM.
Puesto que el objetivo es verificar si la estrategia de incoporar un mecanismo
de búsqueda local favorece el desempeño de GWOc (algoritmos LGWOc y
LGWOc_SWM) no se diseñaron nuevos experimentos, sinó que se ejecutaron
los mismos ya propuestos para GWOc y GWOc_SWM en los Capítulos 5 y 6
respectivamente, a fin de poder evaluar los puntos de mejora.
7.2.1 Longitudes acumuladas de LGWOc para exponentes en

[1, 512]
El primer experimento planteado es análogo al experimento de la Sección 5.3.1 y

radica en calcular el total de longitudes acumuladas de cadenas aditivas para el
conjunto de exponentes [1, 512], a fin de comparar el desempeño de LGWOc con
los resultados obtenidos por otros métodos deterministas de la literatura y con el
propio GWOc, para el mismo rango de exponentes (ver Tabla 7.1).
Tabla 7.1: Cadenas de adición acumuladas para todas las longitudes de exponentes
e ∈ [1, 512]
e [1, 512]
Optimal [6] 4924
Binary [6] 5388
Çuaternary [6] 5226
Resultados GWOc

Promedio 9,77
Mediana 10
Desvío 1,95
Resultados LGWOc

Promedio 9,65
Mediana 10
Desvío 1,89
La Tabla 7.1 resume los resultados del experimento donde se observa una leve mejora
de LGWOc respecto de GWOc para el valor de cadena acumulada (4934) para todos
los exponentes del rango [1, 512], acercándose más a lo reportado por la estrategia
92
determinista “Optimal” [6].
Por otro lado también fue comparado el valor mínimo de cadena acumulada obtenido
con LGWOc respecto de las propuestas estocásticas del estado del arte y con el propio
GWOc (ver Tabla 7.2), donde la mejor ejecución de LGWOc reportó resultados
mejores a GWOc y más cercanos a las otras propuestas antecesoras.
Tabla 7.2: Comparación de los mejores resultados acumulados para LGWOc respecto
de otros enfoques, para el mismo rango de exponentes.
e ∈ [1, 512] AIS GA PSO EP GWOc LGWOc

4924 4924 — 4924 4994 4934
Además del experimento para cadenas acumuladas se planteó otro, con la estrategia
de combinación de ventana deslizante con LGWOc, de manera análoga a como se
describió en el Capítulo 6 pero empleando LGWOc en reemplazo de GWOc, cuyos
resultados se describen en la Sección 7.2.2.
7.2.2 Comparación de LGWOc_SWM con propuestas

similares para cadenas acumuladas
En este experimento se compara el desempeño de LGWOc_SWM, contra SWM

[16], AIS_SWM [6], EP_SWM [8] y GWOc_SWM, donde se empleó también
dicha estrategia. Para que dicho experimento sea representativo al igual que en
[8] se tomaron 10 exponentes grandes aleatorios de una longitud de hasta 128-bits,
correspondiente a la representación binaria de dichos exponentes. Se efectuaron 30
ejecuciones independientes tomando el mejor resultado de las mismas.
Tabla 7.3: Comparación de los resultados obtenidos por LGWOc_SWM para

un rango de 10 exponentes aleatorios, contra: SWM, AIS_SWM, EP_SWM y
GWOc_SWM:
Exp. SWM AIS_SWM EP_SWM GWOc_SWM LGWOc_SWM

128-bits Long. k Long. T q Long T q Long. T q Long. T q
156 4 153 17 2 154 8 2 156,5 8 2 154,6 8 2
Los resultados de la Tabla 7.3 verifican que en la mejor de 30 ejecuciones,

LGWOc_SWM supera tanto a GWOc_SWM como a [16], siendo ésta última la
que reporta mejor desempeño dentro de los antecedentes citados. Cabe destacar
que LGWOc_SWM supera a GWOc_SWM empleando la misma configuración de
T (tamaño de mayor ventana) y q (cantidad de ceros consecutivos admitidos dentro
93
de ventana VNC), justificando el empleo de tales parámetros en función del rango
numérico al que pertenecen los exponentes aleatorios y a lo expuesto en Seccion 6.2.1.
7.2.3 LGWOc vs. GWOc y GA Annealing para exponentes

específicos
El experimento plantea la comparación del desempeño de LGWOc respecto de una

propuesta reciente [27] del estado del arte y del propio GWOc para un conjunto de
exponentes específicos.
La Tabla 7.4 muestra una comparación de los resultados de LGWOc respecto de

GA Annealing [27] y GWOc, para una serie de exponentes diversos y especialmente
difíciles de optimizar. Se considera dentro de esta categoría a aquellos exponentes
para los cuales no es posible hallar cadenas de longitud mínima mediante los métodos
deterministas. Se puede observar que en los 5 casos, LGWOc obtuvo cadenas de
longitud igual o menor al enfoque propuesto en [27] e igualó los resultados de GWOc,
incluso superó al mismo en el caso de exponente 130. Si bien los métodos aplicados
en [6], [19] y [8] también han sido probados con esta clase de exponentes diversos, no
son los mismos que los empleados en [27]. Por esta razón, se efectúa la comparación
en Tabla 7.4 y en el experimento de la Sección 7.2.4 se lo hace respecto de los otros
métodos del estado del arte.
Las figuras 7.1, 7.2, 7.3, 7.4 y 7.5, muestran las curvas de convergencia para cada uno
de los casos sometidos a la propuesta LGWOc.
Tabla 7.4: Comparación de GA Annealing [27], GWOc y LGWOc para el mismo

conjunto de exponentes.
Exp. Cadena GA Annealing GWOc LGWOc

e Longitud
23 1, 2, 4, 5, 10, 20, 21, 23 7 7 7
55 1, 2, 3, 6, 12, 24, 27, 54, 55 9 8 8
130 1, 2, 4, 8, 16, 32, 64, 128, 129, 130 11 9 8
250 1, 2, 3, 5, 10, 20, 30, 50, 100, 150, 250 13 10 10
768 1, 2, 3, 6, 12, 24, 48, 96, 192, 384, 768 23 10 10
Los siguientes gráficos muestran las curvas de convergencia del algoritmo LGWOc
para los casos ejecutados en el experimento, conforme el avance de las iteraciones,
correspondiente a la ejecución con la cual se obtuvo el valor mínimo de cadena para
cada exponente. A fin de visualizar la mejora de LGWOc sobre GWOc respecto de la
cantidad de evaluaciones se presenta las curvas de convergencia de ambas propuestas
para cada exponente tratado en el experimento. Vale aclarar que en las siguientes
gráficas los valores correspondientes al eje de abscisas no parten de cero sino que lo
hacen desde el menor valor encontrado de longitud de cadena de adición para cada
exponente.
94
23
18 GWOc

17
16
15
13
11
10
7
5 10 15 20 25 30
Iteración
15
14
LGWOc
13
12
10
7
5 10 15 20 25 30
Iteración
Figura 7.1: Cadena para e=23 para GWOc y LGWOc.
22
GWOc
18
16
13
12
11
10
8
5 10 15 20 25 30
Iteración
30
LGWOc
28
25
21
20
19
18
15
10
8
5 10 15 20 25 30
Iteración
95
41
38
GWOc

30
25
21
19
15
11
9
5 10 15 20 25 30
Iteración
58
LGWOc
55
47
35
28
21
15
11
8
5 10 15 20 25 30
Iteración

50
GWOc
48
35
30
23
19
12
10
5 10 15 20 25 30
Iteración
42
LGWOc
38
35
28
22
21
18
13
10
5 10 15 20 25 30
Iteración
96
123
GWOc
111

63
55
45
35
30
21
15
11
10
5 10 15 20 25 30
Iteración
101
91
LGWOc
63
59
52
42
37
31
25
23
19
11
10
5 10 15 20 25 30
Iteración
7.2.4 Desempeño de LGWOc respecto de GWOc y otras

propuestas del estado el arte para exponentes
“difíciles”
El experimento plantea la comparación del desempeño de LGWOc respecto de GWOc

y otros abordajes del estado del arte para el mismo conjunto de exponentes empleado
en el experimento de la Sección 5.3.3.
La Tabla 7.5 resume los resultados del experimento, donde se observa que LGWOc
obtuvo resultados idénticos a GWOc y otras metaheurísticas del estado del arte,
para el conjunto de exponentes evaluados, incluso superando el desempeño de GWOc
para el exponente 1087 donde dicha propuesta no logró obtener la longitud óptima
de cadena.
97
Tabla 7.5: Mejores resultados obtenidos por AIS [6], PSO [19], EP [8], GWOc y
LGWOc para un conjunto de exponentes “difíciles”.
Exp. Longitud
e Cadena AIS [6] PSO [19] EP [8] GWOc LGWOc
5 1, 2, 3, 5 3 3 3 3 3
7 1, 2, 4, 5, 7 4 4 4 4 4
11 1, 2, 4, 8, 10, 11 5 5 5 5 5
19 1, 2 ,4, 8, 16, 18, 19 6 6 6 6 6
29 1, 2, 3, 6, 7, 14, 28, 29 7 7 7 7 7
47 1, 2, 4, 8, 9, 18, 36, 45, 47 8 8 8 8 8
1, 2, 3, 6, 7, 14, 21, 35, 70,
71 9 9 9 9 9
71
1,2, 3, 6, 12, 18, 30, 60, 63,
127 10 10 10 10 10
126, 127
1, 2, 3, 6, 12, 18, 19, 38, 57,
191 11 11 11 11 11
95, 190, 191
1, 2, 3, 6, 9, 18, 27, 45, 72,
379 12 12 12 12 12
117, 189, 378, 379
1, 2, 3, 6, 9, 15, 30, 60, 61,
607 13 13 13 13 13
121, 182, 303, 606, 607
1, 2, 3, 6, 9, 18, 36, 54, 108,
1087 216, 324, 540, 541, 1082, 14 14 14 15 14
1085, 1087
A continuación se pueden observar las curvas de convergencia para cada uno de los
casos tratados en el experimento bajo la propuesta LGWOc. A fin de visualizar la
mejora de LGWOc sobre GWOc respecto de la cantidad de evaluaciones se presenta
las curvas de convergencia de ambas propuestas para cada exponente tratado en el
experimento.
98
4
GWOc
Mejor cadena obtenida 3

5 10 15 20 25 30
Iteración
4
LGWOc
3
5 10 15 20 25 30
Iteración
6
GWOc
4
5 10 15 20 25 30
Iteración
6
LGWOc
4
5 10 15 20 25 30
Iteración
99
9
8
GWOc

7
5
5 10 15 20 25 30
Iteración
10
LGWOc
5
5 10 15 20 25 30
Iteración
15
GWOc
14
12
11
6
5 10 15 20 25 30
Iteración
14
13
LGWOc
12
11
10
6
5 10 15 20 25 30
Iteración
100
29
21
GWOc

20
19
16
13
12
10
7
5 10 15 20 25 30
Iteración
22
LGWOc
21
20
19
17
15
13
10
7
5 10 15 20 25 30
Iteración
28
25
GWOc
24
22
20
19
18
14
10
8
5 10 15 20 25 30
Iteración
28
24
LGWOc
21
17
14
13
12
11
10
8
5 10 15 20 25 30
Iteración
101
24
21
GWOc

20
18
16
14
13
12
11
10
9
5 10 15 20 25 30
Iteración
45
41
LGWOc
37
34
31
26
21
19
16
11
9
5 10 15 20 25 30
Iteración
40
38 GWOc
35
33
28
27
25
21
20
18
15
13
12
10
5 10 15 20 25 30
Iteración
43
33
LGWOc
31
28
23
19
17
15
12
11
10
5 10 15 20 25 30
Iteración
102
49
41
GWOc

39
38
35
33
32
31
15
14
13
11
5 10 15 20 25 30
Iteración
66
51
LGWOc
50
48
46
42
35
33
31
28
25
22
19
17
13
11
5 10 15 20 25 30
Iteración
58
GWOc
41
39
35
30
29
21
19
18
14
13
12
5 10 15 20 25 30
Iteración
58
44
33
LGWOc
31
30
27
23
21
19
14
13
12
5 10 15 20 25 30
Iteración
103
61
GWOc
52

47
41
39
30
28
23
20
13
5 10 15 20 25 30
Iteración
70
63 LGWOc
59
51
48
42
30
29
27
20
18
15
13
5 10 15 20 25 30
Iteración
144
111 GWOc
97
89
81
80
75
69
65
59
53
48
41
33
31
30
29
27
16
15
5 10 15 20 25 30
Iteración
103
91
LGWOc
77
75
66
58
47
40
35
33
21
14
5 10 15 20 25 30
Iteración
104
Los experimentos planteados en este capítulo son análogos a los descriptos en el los
Capítulos 5 y 6. Los experimentos de Secciones 7.2.1 y 7.2.2, pretenden evidenciar
mejoras en el desempeño de LGWOc y LGWOc_WSM, respecto de GWOc y
GWOc_SWM, comparando estas propuestas teniendo en cuentan que comparten
el objetivo de comparar longitutes de cadenas acumuladas para ciertos rangos de
exponentes.
En el experimento de Sección 7.2.1 se compara el rendimiento de LGWOc para hallar
longitudes mínimas de cadenas acumuladas en el rango [1,512], donde se evidenció
una mejora de LGWOc respecto de GWOc, ya que la longitud total acumulada para
cadenas del rango de referencia estuvo más cercana al total acumulado del método
determinista “Optimal” que GWOc, y por encima del resto de los otros métodos
comparados.
El experimento de Sección 7.2.2 plantea demostrar la mejora en longitudes totales de
cadenas acumuladas para exponentes en representación binaria de hasta una longitud
de 128-bits, respecto de GWOc, para el mismo rango y tomando 10 exponentes
aleatorios para replicar las condiciones del experimento de Sección 6.2.1. En función
de tratarse de exponentes grandes para este experimento se utilizó una estrategia
de combinación con mecanismo de ventana deslizante equivalente a la propuesta
GWOc_SWM, llamada LGWOc_SWM, obteniendo ésta última mejores resultados
que su antecesora.
Finalmente en los experimentos de las Secciones 7.2.3 y 7.2.4 se compara LGWOc

respecto de la misma propuesta híbrida del experimento de Sección 5.3.2 (GA
Annealing [27]) y con el propio GWOc, y por otro lado con las propuestas del estado
del arte: AIS, PSO, EP y también el propio GWOc.
Respecto del experimento de Sección 7.2.3, se obtuvieron los mismos resultados, e
incluso mejores, para el caso de uno de los exponentes evaluados y por otro lado
en experimento de Sección 7.2.4 contra AIS, PSO, EP y GWOc para un conjunto
de exponentes diversos para los cuales se conoce su longitud óptima de cadena, se
observa que también ha alcanzado resultados competitivos, puesto que iguala los de
otras metaheurísticas del estado del arte y para el caso de GWOc logra superarla en el
exponente 1087 donde dicha propuesta no logró alcanzar longitud óptima de cadena.
Cabe destacar que aquí no se puede esperar que LGWOc supere a los otros enfoques
puesto que las longitudes alcanzadas corresponden a las mínimas conocidas para estos
casos de estudio (algunos de estos casos se pueden encontrar en la Tabla 5.6 con sus
longitudes mínimas asociadas).
En todos los casos se emplearon lotes de pruebas de 30 ejecuciones independentes,

tomando los resultados de la mejor ejecución.
Vale destacar que si bien la estrategia LGWOc utiliza la misma configuración
de parámetros que GWOc, en términos de agentes de búsqueda e iteraciones, ha
demostrado mejoras en algunos casos respecto de dicho enfoque y por otro lado
observando las gráficas de convergencia de los experimentos de las Secciones 7.2.3
105
y 7.2.4, que corresponden a la mejor ejeucución de cada caso, revelan que dichos
resultados fueron obtenidos en menor cantidad de iteraciones en LGWOc respecto
de GWOc, puesto que la curvas convergen a la longitud mínima de cadena asociada
al exponente en menos iteraciones (en algunos casos en las primeras).
En relación a la cantidad de evaluaciones por ejecución, como se mencionó

anteriormente AIS no reporta, PSO utilizó 300000 evaluaciones, EP 92000 y la
propuesta GA [26] utilizó una configuración de 50 ejecuciones independientes por
cada experimento y se utilizó el criterio de 100 ejecuciones sin mejora de los
de las generaciones a 1500 y tamaño de población de 300 individuos, en todos los
experimentos con GA [26]. GWOc y GWOc_SWM insumieron 300 evaluaciones por
ejecución y las propuestas LGWOc y LGWOc_SWM un total de 3000 evaluaciones,
producto de 30 iteraciones y 10 agentes de búsqueda con 10 ejecuciones del operador
de búsqueda local para cada iteración, para la optimización de los exponentes
empleados en los experimentos descriptos en Secciones 7.2.1, 7.2.2, 7.2.3 y 7.2.4. La
Tabla 7.6 refleja dicha situación.

evaluaciones realizadas.
GWOc 300
GWOc_SWM 300
LGWOc 3000
LGWOc_SWM 3000
PSO [19] 300000
AIS [6] -
EP [8] 92000
GA [26] 450000
Como se observa en la Tabla 7.6, se evidencia una importante ventaja de las

propuestas GWOc, GWOc_SWM, LGWOc y LGWO_SWM respecto de los otros
enfoques, en relación a la cantidad de evaluaciones, mucho menos que las otras
propuestas.
106
Capítulo 8
Conclusiones y trabajo futuro
8.1 Discusión general de las propuestas
En ésta tesis se presentan diferentes algoritmos para abordar un problema de

actualidad que es la generación óptima de cadenas de adición. Cada propuesta
posee un propósito específico. El algoritmo propuesto en Capítulo 5 (GWOc) con
la finalidad de cubrir el objetivo principal de la tesis (adaptar la metaheurística
GWO al problema objeto de estudio) y para el cual se plantearon 3 experimentos.
Producto de los resultados obtenidos en los experimentos con GWOc y otras pruebas
empíricas realizadas, se evidencia que el desempeño del algoritmo se ve afectado en
la medida que los exponentes a optimizar se incrementan. En función de lo anterior,
se propone una estrategia de abordaje para exponentes grandes para alcanzar el
objetivo de tratar exponentes de 128-bits de longitud o cercanos, el resultado es
GWOc_SWM (Capítulo 6). Se comparó GWOc_SWM con otras propuestas similares
para conjunto de exponentes aleatorios del rango 128-bits que no logró superar pero
dónde mostró resultados competitivos y en otro experimento con exponentes de menor
tamaño contra el propio GWOc y otras metaheurísticas donde sí se evidenciaron
mejoras para el conjunto de exponentes tratados. Por último se plantean LGWOc y
LGWOc_SWM, como una mejora de los dos primeros algoritmos (Capítulo 7), ambos
revelaron resultados equivalentes y superaron en algún caso a otros del estado del arte
con menor número de evaluaciones, evidenciado en los gráficos de convergencia que
representan el progreso del método durante la evolución de las generaciones para
cada caso. En cuanto a los tiempos, las propuestas reportaron tiempos para todos
los casos por debajo del minuto (escasos segundos o incluso milisegundos) de acuerdo
con el tamaño del exponente a optimizar. Sin embargo, no es posible establecer una
comparación en base a este criterio pues la mayoría de los trabajos de la literatura
del tema con los cuales se ha comparado las propuesta de la tesis no reportan los
tiempos de ejecución, salvo la propuesta AIS [6], por tanto los criterios de comparación
resultaron ser: alcanzar la longitud mínima de cadena para cada caso planteado y el
menor número de evaluaciones por ejecución posible, para cada propuesta. Respecto
107
de la cantidad de ejecuciones se ha utilizado la misma configuración en todas las
propuestas (30 ejecuciones) para que resulte válida la comparación pero se infiere
que con la mejora de hibridación de LGWOc y LGWOc_SWM, se podría mejorar,
observando las curvas de convergencia, puesto que en muchos casos el valor mínimo
de longitud de cadena es alcanzado rápidamente en las primeras evaluaciones.
8.2 Conclusiones finales
La presente tesis plantea el uso de la metaheurística GWO[24] para abordar un

problema de optimización ampliamente estudiado en el ámbito de la Criptografía,
obtener cadenas de adición de longitud mínima y los resultados del desempeño de
dicha propuesta en comparación con abordajes similares de la literatura especializada
del tema. La opción de esta elección radica en que no se poseen antecedentes del
uso de dicha metaheurística para tratar el problema de referencia, la facilidad de
implementación del algoritmo GWO frente a otros y el hecho de que no trabaja
con operadores específicos de cruce, mutación, elitismo, etc. sino que el proceso de
búsqueda es conducido por los tres mejores agentes de búsqueda de la población (α,
β y δ) y por los parámetros A y C.
Esta adaptación del algoritmo GWO está diseñada para tratar sólo con soluciones
factibles a partir de una población inicial de agentes de búsqueda. En general,
se ha podido observar en los resultados de todos los experimentos diseñados para
probar el desempeño de la propuesta que GWO requirió menor cantidad evaluaciones
con respecto a otras metaheurísticas del estado del arte, para alcanzar los mismos
resultados.
Para estudiar el desempeño de GWO se diseñaron cuatro algoritmos: GWOc,

GWOc_SWM, LGWOc y LGWOc_SWM, con sus experimentos asociados, cada uno
de ellos adaptado a un propósito en particular alineado con los objetivos de la tesis.
Los experimentos para GWOc se centraron en longitudes de cadenas acumuladas y
comparación con las metaheurísticas GA [7, 26], GA Annealing [27], PSO [19], AIS
[6] y EP [8]. Se logró igualar los resultados de las propuestas anteriores con el uso
de GWOc salvo algún caso puntual detallado en los experimentos y en el caso de la
propuesta de hibridación GA Annealing se evidenció superioridad sobre la misma,
también se evidenció que GWOc requirió menor cantidad de evaluaciones que sus
antecedentes.
Además, se formuló una adaptación de GWOc para obtener cadenas acumuladas
de longitud mínima para exponentes del rango [1,128-bits] (GWOc_SWM) que de
acuerdo con los resultados, demostró ser competitiva respecto de otros abordajes
similares y en los cuales se empleó la misma estrategia de combinar la metaheurística
con método de ventana deslizante y representación binaria de los exponentes. Para
este experimento no se logró mejorar los resultados de las propuestas antecesoras pero
se logró equiparar los mismos con menor cantidad de evaluaciones por ejecución.
Por último, se planteó una propuesta híbrida de GWOc con un operador de búsqueda
108
local (LGWOc) a fin de validar si aportaba mejoras y ayudaba a la metaheurística a
resolver un conocido problema de estancamiento en soluciones óptimas locales y su
equivalente para manejo de exponentes grandes (LGWO_SWM). Ambas propuestas
con la misma configuración de parámetros de GWOc y GWOc_SWM lograron igualar
e incluso mejorar los resultados en menor cantidad de ejecuciones según los gráficos
de convergencia de las pruebas experimentales.
Las propuestas se consideran muy promisorias respecto de los tiempos de ejecución,
aunque no es posible establecer comparaciones mediante este criterio con las
propuestas del estado del arte. Sólo AIS [6] reportó un tiempo máximo de 170
milisegundos para exponentes de hasta 20-bits y tiempos menores para exponentes de
menor tamaño, pero no informa tiempos para rangos superiores. Los experimentos
planteados en este trabajo con exponentes menores o iguales a los 32-bits insumieron
máximo 180 milisegundos y para los casos de exponentes dentro del rango 128-bits
(experimentos de Secciones 6.2.1 y 7.2.2.) insumieron tiempos por debajo del minuto.
8.3 Trabajos futuros
Como trabajo futuro se plantea la posibilidad de extender la propuesta GWOc,

considerando posibles mejoras, hibridaciones u otras opciones, para la obtención
de cadenas de adición de longitud óptima para exponentes de rangos superiores
(1024-bits o mayores), a fin de contribuir con un aporte novedoso a la Seguridad
Informática y teniendo en cuenta que actualmente en los algoritmos de cifrado
asimétricos (tales cómo RSA) se recomiendan claves de al menos 1024-bits de longitud.
Asimismo, considerando que en los experimentos de los algoritmos propuestos se
obtuvo resultados competitivos con mucho menor cantidad de evaluaciones que otras
propuestas motiva a futuro investigar posibles mejoras sobre GWOc para exponentes
de mayor tamaño bajo una configuración de cantidad de evaluaciones igual a la
empleada en esta tesis o incluso menores con el sustento de que el algoritmo LGWOc
alcanzó valores mínimos de cadenas de adición en las primeras iteraciones de la mejor
ejecución.
109
Bibliografía
[1] Baro, M. (2013). Swarming: La comunicación en múltiples direcciones y múltiples

etapas. razón y palabra. Primera Revista Electrónica en Iberoamérica Especializada
en Comunicación. Centro Avanzado de Comunicación - 25° Aniversario Eulalio
Ferrer. Número 83, Junio – Agosto.
[2] Bertolín, J. A. (2000). Criptoanálisis: factor clave para la ingeniería de seguridad

de redes de ordenadores. Revista Española de Informática, 544:85–92.
[3] Binitha, S. y Sathya, S. S. (2012). A survey of bio inspired optimization

algorithms. International Journal of Soft Computing and Engineering (IJSCE)
ISSN: 2231-2307, Volume-2, Issue-2. India.
[4] Bos, J. y Coster, M. (1990). Addition chain heuristics. Centrum voor Wiskunde
en Infomatica. Kruislaan 413. 1098 SJ Amsterdam. The Netherlands.
[5] Bremermanns, H. (1974). Chemotaxis and optimization. Journal of the Franklin

Institute., 297:397–404.
[6] Cruz-Cortés, N., Rodríguez-Henríquez, F., y Coello Coello, C. (2008). An artificial

immune system heuristic for generating short addition chains. México.
[7] Cruz-Cortés, N., Rodríguez-Henríquez, F., Juárez Morales, R., y Coello Coello,
C. (2005). Finding optimal addition chains using a genetic algorithm approach.
México.
[8] Domínguez, I. (2011). Optimización de cadenas de adición en criptografía

utilizando programación evolutiva. Tesis de Maestría. Laboratorio Nacional de
Informática Avanzada Centro de Enseñanza LANIA, Xalapa, Veracruz, México.
[9] Fernández, S. (2004). La criptografía clásica. Sigma: Revista de Matemáticas,

pages 119–142.
[10] Gonzalez, T. F. (2007). Handbook of approximation algorithms and

metaheuristics. 2nd ed., Chapman and Hall/CRC - Taylor and Francis Group.
6000 Broken Sound Parkway NW, Suite 300 Boca Raton, FL 33487-2742.
[11] Goundar, R., Shiota, K., y Toyonaga, M. (2008). New strategy for doubling-free
short addition-subtraction chain. International Journal of Applied Mathematics
2.3. U.S.A., pages 438–445.
110
[12] Gómez Bello, M. (2011). La aritmética modular y algunas de sus aplicaciones.
Universidad Nacional de Colombia, Facultad de Ciencias - Maestría en Enseñanza
de las Ciencias Exactas y Naturales. Bogotá.
[13] Hopcroft, J., Rajeev, M., y Ullman, J. (2008). Introducción a la teoría de

autómatas lenguajes y computación. Tercera edición. Pearson Educación S.A.,
Madrid, España.
[14] Karaboga, D. (2005). An idea based on honey bee swarm for numerical
optimization. Erciyes University, Engineering Faculty, Computer Engineering
Department. Kayseri, Türkiye.
[15] Karaboga, D. y Basturk, B. (2007). A powerful and efficient algorithm

for numerical function optimization: artificial bee colony (ABC) algorithm.
Department of Computer Engineering, Erciyes University. Kayseri, Turkey.
[16] Kaya Koc, C. (1994). High-speed rsa implementation. Revista Española de

Informática. Technical report, RSA. Laboratories, Redwood City, CA.
[17] Kaya Koc, C. (1995). Analysis of sliding window techniques for exponentiation.
Computers Math. Applic., 30, N10:17–24.
[18] Kirkpatrick, S., Gelatt, C. D., y Vecchi, M. P. (1983). Optimization by simulated

annealing. Science, New Series, 220:671–680.
[19] León, A., Cruz-Cortés, N., Moreno-Armendáriz, M., y Orantes-Jiménez, S.

(2009). Finding minimal addition chains with a particle swarm optimization
algorithm. Center for Computing Research, National Polytechnic Institute. México.
[20] Liu, Y. y Passino, K. (2002). Biomimicry of social foraging bacteria for

distributed optimization: Models, principles, and emergent behaviors. Journal
of Optimization Theory and Applications. Ohio State University. Columbus, Ohio.,
115:603–628.
[21] Luke, S. (2011). Essentials of metaheuristics. First Edition, pages 15–20.
[22] Mech., D. (1999). Alpha status, dominance, and division of labor in wolf packs.
Canadian Journal of Zoology. Jamestown, Dakota del Norte.
[23] Mezura-Montes, E. y Hernandez-Ocaña, B. (2008). Bacterial foraging for

engineering design problems: Preliminary results. Laboratorio Nacional de
Informática Avanzada (LANIA A.C.) - Universidad Juárez Autónoma de Tabasco.
México.
[24] Mirjalili, S., Mirjalili, S., y Lewis, A. (2014). Grey wolf optimizer. School
of Information and Communication Technology, Griffith University, Nathan
Campus, Brisbane QLD 4111, Australia. Department of Electrical Engineering,
Faculty of Electrical and Computer Engineering, ShahidBeheshti University, G.C.
1983963113. Tehran, Iran.
111
[25] Nedjah, N. y De Macedo-Mourelle, L. (2004). Finding minimal addition chains
using ant colony. Department of Systems Engineering and Computation Faculty of
Engineering, State University of Rio de Janeiro. Rio de Janeiro, Brasil.
[26] Picek, S., Coello Coello, A., Jakobovic, D., y Metens, N. (2016). Evolutionary
algorithms for finding short addition chains: Going the distance. Volume 9595 of
the series Lecture Notes in Computer Science, pages 121–137.
[27] Pogančić, M. (2014). Evolving minimal addition chain exponentiation. University

of Zagreb - Faculty of Electrical Engineering and Computing. Zagreb, Croacia.
[28] Rivest, R., Shamir, A., y Adlman, L. (1978). A method for obtaining digital
signatures and public-key cryptosystems. Cambridge.
[29] Rotger, L., Coma, J., y Tena-Ayuso, J. (2012). Criptografía con curvas elípticas.
Universitat Oberta de Catalunya. España.
[30] Stallings, W. (2004). Cryptography and network security: principles and

practice. 2nd ed. Editorial Prentice Hall.
[31] Tall, A. y Sanghare, A. (2013). Efficient computation of addition-subtraction

chains using generalized continued fractions. African Institute for Mathematical
Sciences. Senegal., 2. N1:76–83.
[32] Wong, K. C. (2015). Evolutionary algorithms: Concepts, designs, and

applications in bioinformatics. Evolutionary algorithms for bioinformatics.
Department of Computer Science, University of Toronto. Ontario, Canada.
[33] Yang, X. (2010). Nature – inspired metaheuristic algorithms, second edition.

University of Cambridge. Luniver Press, United Kingdom.
112

TesisFernandoAquino FinalVersion

Cargado por

Copyright:

Formatos disponibles

TesisFernandoAquino FinalVersion

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

TesisFernandoAquino FinalVersion

Cargado por

Copyright:

Formatos disponibles

Optimización de cadenas de adición

Fernando Oscar Aquino

Entre Ríos, Argentina

Optimización de cadenas de adición

Fernando Oscar Aquino

Tesis para optar al grado de Magister en Ciencias de la

Asesor Científico: Dr. Mario Guillermo Leguizamón

El presente estudio aborda el problema de la computación óptima de cadenas de

A la Facultad Regional de Concepción del Uruguay de la Universidad Tecnológica

Mi sincero agradecimiento a mi director Dr. Mario Guillermo Leguizamón por su

1.1 Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.1.1 Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . . 2

1.4 Aportes de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.5 Organización del informe . . . . . . . . . . . . . . . . . . . . . . . . . 3

2.1 Concepto de criptografía . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2 Introducción a la criptografía . . . . . . . . . . . . . . . . . . . . . . 6

2.3 Clasificación de la criptografía . . . . . . . . . . . . . . . . . . . . . . 8

2.3.1 Las firmas digitales . . . . . . . . . . . . . . . . . . . . . . . . 9

2.4 Criptografía de curvas elípticas (Eliptic Curve Cryptography) . . . . 11

2.5 Cadenas de adición . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.6 Clases de Cadenas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.6.1 Cadenas de adición euclidianas . . . . . . . . . . . . . . . . . 14

2.6.2 Cadenas de adición vectoriales . . . . . . . . . . . . . . . . . . 14

2.7 Aplicaciones de las cadenas de adición . . . . . . . . . . . . . . . . . 16

2.7.1 Aritmética modular . . . . . . . . . . . . . . . . . . . . . . . 16

2.7.2 La exponenciación en aritmética modular . . . . . . . . . . . 17

2.7.3 Algoritmo básico de exponenciación modular . . . . . . . . . 17

3.1 Componentes de los algoritmos bioinspirados . . . . . . . . . . . . . . 22

3.2 Algoritmos evolutivos . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

3.3 Algoritmos de inteligencia colectiva . . . . . . . . . . . . . . . . . . . 23

3.3.1 Algoritmos basados en cúmulo de partículas (PSO) . . . . . . 24

3.3.2 Algoritmos basados en colonias de hormigas (ACO) . . . . . . 25

3.3.3 Algoritmos basados en bacterias (BFOA) . . . . . . . . . . . . 26

3.3.4 Algoritmos basados en enjambres de abejas (ABC) . . . . . . 27

3.3.5 Algoritmo basado en comportamiento de lobos grises (GWO) 29

4.1 Métodos determinísticos . . . . . . . . . . . . . . . . . . . . . . . . . 31

4.1.1 Estrategia binaria . . . . . . . . . . . . . . . . . . . . . . . . 31

4.1.2 Estrategia de la ventana . . . . . . . . . . . . . . . . . . . . . 32

4.1.3 Estrategia de la ventana adaptativa . . . . . . . . . . . . . . . 34

4.1.4 Método factor . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

4.2 Métodos estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

4.2.1 Uso de un algoritmo genético para generar cadenas de adición 38

4.2.2 Algoritmo de recocido genético . . . . . . . . . . . . . . . . . 39

4.2.3 Otra variante de uso de GA con nuevos operadores . . . . . . 41

4.2.4 Uso de un algoritmo inmune para generar cadenas de adición

4.2.6 Uso de un algoritmo de programación evolutiva para generar

4.2.7 Uso de un algoritmo de optimización basado en colonia de

5.1 Algoritmo basado en comportamiento de lobos grises (Grey Wolf

5.1.1 Modelo matemático y el algoritmo GWO . . . . . . . . . . . . 54

5.2 Propuesta inicial - GWOc . . . . . . . . . . . . . . . . . . . . . . . . 57

5.3 Descripción de los experimentos . . . . . . . . . . . . . . . . . . . . . 60

5.3.1 Longitudes acumuladas de GWOc para exponentes en [1, 512] 60

5.3.2 GWOc vs. GA Annealing para exponentes específicos . . . . . 64

5.3.3 Desempeño de GWOc respecto de otras propuestas del estado

5.4 Discusión de los resultados . . . . . . . . . . . . . . . . . . . . . . . . 76

6 Propuesta para abordar exponentes grandes 78

6.1 GWOc ventana deslizante - GWOc_SWM . . . . . . . . . . . . . . . 78

6.2 Descripción de los experimentos . . . . . . . . . . . . . . . . . . . . . 82