pobierz

Heurystyki
Rozpocznijmy od definicji „naturalne” jako metafory, która będzie
rozważana jako systemy pochodzące z inspiracji fizycznych, biologicznych i społecznych. Heurystykę można uzyskać poprzez:
• użycie pewnej ilości powtarzalnych wzorców zachowań,
• wykorzystanie jednego lub więcej indywiduów, zwanych także
agentami (neurony, chromosomy, mrówki itp),
• istnienie (w przypadku wielu agentów) mechanizmu współzawodnictwa lub kooperacji,
• osadzenie w ramach algorytmu procedur samomodyfikujących
parametry heurystyczne lub reprezentację problemu.
Charakterystyka tych podejść heurystycznych może być przedstawiona w sposób następujący:
1. Są one modelem (często luźno z nim związanym) fenomenu istniejącego w przyrodzie.
2. Są one niedeterministyczne.
3. Reprezentują one podejście równoległe (wieloagentowe).
4. Są adaptacyjne (posiadają informację zwrotną umożliwiającą
modyfikację parametrów i model wewnętrzny problemu).
Prowadzi to do cechy określanej jako „rozsądne zachowanie” [Bourgine, Varela , 1992], co często nazywane jest inteligentnym (tu przytoczymy def. Minsky’ego [1985], że „inteligencja to zdolność do rozwiązywania trudnych problemów”) i w naszym przypadku znaczy to
uzyskiwanie bardzo dobrych rozwiązań dla problemów optymalizacji
kombinatorycznej.
1
Rozważając analizę ww problemów można wyróżnić szereg podejść
heurystycznych:
• użycie techniki zachłannej w celu wyboru właściwego ruchu dla
poszczególnych agentów,
• użycie techniki przeszukiwania lokalnego dla poprawy rozwiązania,
• wykorzystanie losowego przeszukiwania lokalnego i akceptacja
ulepszeń w rozwiązaniach,
• użycie m agentów startujących z różnych punktów w przestrzeni
przeszukiwania rozwiązań,
• użycie populacji agentów z niedeterministycznym podejściem do
rekrutacji,
• użycie technik grupowania lub analizy skupień do dzielenia przestrzeni przeszukiwania rozwiązań/agentów,
• użycie niedeterministycznej reguły akceptacji dla niewłaściwych
zmian,
• wykorzystanie informacji o (ostatnich) ruchach w celu zbudowania systemu pamięci.
2
Przedstawione powyżej podejścia (wprowadzone w sposób nieformalny) są podstawą do stworzenia zbioru coraz bardziej wyrafinowanych algorytmów heurystycznych, metaheurystycznych (gdy składają
się z kilku z nich). W szczególności możemy w grupie tej wyróżnić:
1. Algorytmy wielostartowe(MT)
2. Techniki Ewolucyjne (ET) (HOLLAND75, GOLDBERG89, MICHALEWICZ96) w tym m. in. Strategie Ewolucyjne (ES) (Rechenberg73).
3. Symulowane Wyżarzanie (SA) (VANLAARHOVEN87), zaproponowane przez [Metropolis i in., 1953], udoskonalone i zastosowane
dla optymalizacji przez (KIRKPATRICK83)
4. Metody Podziału i Klasyfikacji (SC) (BOENDER82) wykorzystywane w optymalizacji dyskretnej (CAMERINI86).
5. Przeszukiwanie Zabronione (TS) (GLOVER97) powiązane z
techniką zachłannego, losowego przeszukiwania (GR).
6. Sieci Neuronowe (NN) (HOPFIELD85) oraz połączenie NN z SA
– Maszyna Boltzmanna (BM) (AARTS89).
7. Systemy Mrowiskowe (ACO) (DORIGO91).
3
Istnieje wiele kryteriów klasyfikacji, czy też podziału tych algorytmów. W tej pracy wyróżnimy cztery główne:
(a) tworzące rozwiązania (konstrukcyjne) (a1) w przeciwieństwie do
algorytmów ulepszających je (a2)
(b) niestrukturalne (b1) w przeciwieństwie do strukturalnych (b2)
metod przeszukiwania przestrzeni rozwiązań
(c) budujące pojedyncze rozwiązanie (c1) w przeciwieństwie do populacji rozwiązań (c2)
(d) nie wykorzystujących pamięci (d1) w przeciwieństwie do wykorzystujących pamięć algorytmów (d2)
Należy tu wyjaśnić punkt (b). Struktura przestrzeni przeszukiwań odwołuje się do takich definicji jak: odległość, metryka, sąsiedztwo, co wykorzystywane jest w klasycznych heurystykach, jak np.
algorytm zachłanny, wykorzystujący odległość Hamminga lub minimalną liczbę wymian i definiujący sąsiedztwo rozwiązań, co uzyskuje
się przez „właściwe ruchy” wykonywane w przestrzeni przeszukiwań.
Rozważając tylko trzy pierwsze cechy można uzyskać następujący
podział:
b1–c1 b1–c2 b2–c1 b2–c2
a1 NN
MS
GR ACO
a2 BM ET,ES SA,TS SC
4