Algoritma metaeuristik biasa dan prinsip dan aplikasinya

Apabila menyelesaikan masalah, kita perlu mencari penyelesaian yang boleh dilaksanakan dan membuat penambahbaikan untuk mendapatkan penyelesaian global yang optimum. Walau bagaimanapun, disebabkan oleh sumber yang terhad dan kerumitan kebanyakan masalah pengoptimuman, adalah sukar untuk mencari penyelesaian yang sangat tepat. Untuk menangani masalah sedemikian, algoritma pengoptimuman meta-heuristik boleh diselesaikan dengan menyediakan penyelesaian anggaran. Algoritma ini membantu kami mencari penyelesaian yang mungkin dalam ruang carian dengan mensimulasikan fenomena biologi, fizikal atau sosial dalam alam semula jadi. Walaupun penyelesaian ini mungkin tidak optimum, ia selalunya hampir kepada optimum dan berprestasi baik dalam amalan. Oleh itu, algoritma pengoptimuman meta-heuristik telah menjadi alat yang berkuasa untuk menyelesaikan masalah pengoptimuman yang kompleks.

Algoritma meta-heuristik digunakan secara meluas untuk menyelesaikan pelbagai masalah pengoptimuman tak linear dan bukan cembung. Terutamanya dalam pengoptimuman gabungan, algoritma tradisional sering mengalami kesukaran menyelesaikan masalah tertentu dengan ketidakpastian dalam masa yang munasabah. Metaheuristik selalunya boleh mencari penyelesaian yang sesuai dengan usaha pengiraan yang kurang daripada algoritma pengoptimuman, kaedah berulang dan heuristik tamak mudah.

Algoritma metaeuristik memainkan peranan penting dalam bidang yang berbeza. Banyak masalah pengoptimuman adalah fungsi berbilang objektif dengan kekangan tak linear. Sebagai contoh, banyak masalah pengoptimuman kejuruteraan adalah sangat tidak linear dan memerlukan penyelesaian masalah berbilang objektif. Selain itu, masalah kecerdasan buatan dan pembelajaran mesin sering bergantung pada set data berskala besar, dan sukar untuk menyelesaikan keoptimuman melalui masalah pengoptimuman. Oleh itu, algoritma metaheuristik memainkan peranan penting dalam menyelesaikan masalah praktikal.

Algoritma metaeuristik dikelaskan mengikut mod operasi yang berbeza, termasuk heuristik semula jadi dan tidak semulajadi, carian berasaskan populasi dan individu, fungsi objektif dinamik dan statik, struktur kejiranan yang berbeza, penggunaan memori dan kaedah bebas memori, dsb.

Algoritma metaheuristik yang biasa digunakan

1. Algoritma genetik (GA)

Algoritma genetik (GA) ialah algoritma metaheuristik yang diilhamkan oleh proses evolusi pemilihan semula jadi dan genetik semula jadi.

2. Simulated annealing (SA)

Simulated annealing (SA) diinspirasikan oleh pemanasan dan operasi penyejukan terkawal dalam metalurgi.

3. Tabu Search (TS)

Tabu Search (TS) adalah berdasarkan struktur memori dan menggunakan kaedah carian tempatan untuk mencari penyelesaian yang berpotensi dengan menyemak jiran mereka.

4. Algoritma Perisikan Swarm

Algoritma kecerdasan kawanan diilhamkan oleh tingkah laku sosial kumpulan burung, pemangsa dan pemburuan haiwan, pertumbuhan bakteria dan sekolah ikan. Yang biasa termasuk algoritma koloni semut, algoritma kawanan zarah, algoritma koloni lebah, algoritma carian cuckoo dan sebagainya.

5. Carian Kejiranan Variabel (VNS)

Algoritma Carian Kejiranan Variabel (VNS) meneroka penyelesaian awal dan menambah baiknya. Sama seperti carian tabu, kaedah carian tempatan digunakan secara berulang dan penyelesaian optimum tempatan diperoleh daripada penyelesaian.

Atas ialah kandungan terperinci Algoritma metaeuristik biasa dan prinsip dan aplikasinya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!