1 / 13

Heuristick é optimalizačné procesy

Heuristick é optimalizačné procesy. Hybridné lokálne prehľadávanie Marian.Mach @ tuke.sk http ://neuron.tuke.sk/~machm Marec , 2013. Hybridné algoritmy. Kombinovanie jednoduchších stratégií do komplexnejších schém Príklady Pridanie triviálnych stratégií RII ( II + URW )

shandi
Download Presentation

Heuristick é optimalizačné procesy

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Heuristické optimalizačné procesy Hybridné lokálne prehľadávanie Marian.Mach@tuke.sk http://neuron.tuke.sk/~machm Marec, 2013 Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  2. Hybridné algoritmy • Kombinovanie jednoduchších stratégií do komplexnejších schém • Príklady • Pridanie triviálnych stratégií • RII (II + URW) • II s reštartmi (II + URP) • Kombinovanie dvoch stratégií • ILS • GRASP • AILS Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  3. Iteračné lokálne prehľadávanie • nevyhýba sa lokálnemu optimu • dva typy krokov • lokálne prehľadávanie (intenzifikácia hľadania) • dosiahnutie lokálneho optima • perturbácia (diverzifikácia hľadania) • štartovací bod pre nové lokálne prehľadávanie • vzťah medzi prehľadávaním a perturbáciou • kroky používajú rôzne okolia • pohyb v priestore lokálnych optím • voľba optima pre pokračovanie • príklad: Iteračný Lin-Kernighan (TSP) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  4. Štruktúra ILS • input: π • output: rє S | □ • s =init() if( valid( r ) ) then • s = localsearch( s ) return r • r = s else • while not term( s ) return □ • s’ = perturb( s ) endif • s’’ = localsearch( s’ ) • if( g( s’’ ) > g( r ) ) then • r = s’’ • endif • s = accept( s, s’’ ) • endwhile Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  5. Lačné randomizované adaptívne hľadanie • prehľadávanie začína z čo najlepšieho kandidáta • rýchlejšie dosiahnutie lepšieho optima • dva typy krokov • tvorba štartovacieho kandidáta • konštrukčné prehľadávanie • lokálne zlepšovanie kandidáta • perturbačné prehľadávanie • GRASP (GRA search procedure) • G (greedy) R (randomised) A (adaptive) • SGH - vynechanie perturbačnej fázy Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  6. Štruktúra GRASP • input: π • output: rє S | □ if( valid( r ) ) then • r =□ return r • g( r ) = -∞ else • while not term( s ) return □ • s = construct() endif • s’ = localsearch( s ) • if( g( s’ ) > g( r ) ) then • r = s’ • endif • endwhile Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  7. GRASP – konštrukčná fáza • konštrukcia • štartuje z prázdneho kandidáta • prechádza parciálnymi kandidátmi • dopĺňa jednu zložku v každej iterácii • končí vytvorením úplného kandidáta • generuje rôznych úplných kandidátov • obmedzený zoznam kandidátov • založený na počte(pevne daný počet k) • náhodný výber alebo lačný výber • založený na ohodnotení (prah k є<0,1>) • g(z) <= g(z┴) + k*(g(z┬) - g(z┴)) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  8. GRASP construct() – greedy-random • construct() • x = □ • V = { v1, v2, …, vn } • while not complete( s ) • SC = sort( V, g ) • RCL = form( SC, k ) • v = select( RCL ) • x = x + v • V = V - v • endwhile • return x • endconstruct Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  9. GRASP construct() – random-greedy • construct() • x = □ • V = { v1, v2, …, vn } • while not complete( s ) • RCL = sample( V, k ) • SRCL = sort( RCL, g ) • v = select-best( SRCL ) • x = x + v • V = V - v • endwhile • return x • endconstruct Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  10. GRASP construct() – random+greedy • construct() • x = □ • V = { v1, v2, …, vn } • for i=1,…,k • v = select-random( V ) • x = x + v • V = V - v • endfor • while not complete( s ) • SV = sort( V, g ) • v = select-best( SV ) • x = x + v • V = V - v • endwhile • return x • endconstruct Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  11. GRASP – rozšírenia • Path relinking • Pridanie k algoritmu T … B T S • s = construct() • s’ = localsearch( s ) • if( full( BEST ) ) then • t = select( BEST ) • s’’ = pathrelink( s’, t ) • endif • BEST = update( BEST, s’’ ) • if( g( s’’ ) > g( r ) ) thenr = s’’endif Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  12. Adaptívne iteračné konštrukčné hľadanie • GRASP – absencia učenia • chýba väzba medzi výsledkom perturbačného prehľadávania a následnou konštrukciou • Spätná väzba • forma súboru váh • váhy sú adaptované v každej iterácii • podľa komponentov tvoriacich dosiahnutého kandidáta • podľa kvality dosiahnutého kandidáta • použiteľné aj bez perturbačného hľadania • príklad: SWO (squeeky wheel optimization) Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

  13. Štruktúra AICS • input: π • output: rє S | □ if( valid( r ) ) then • r =□ return r • g( r ) = -∞ else • w = initweights() return □ • while not term( s ) endif • s = construct() • s’ = localsearch( s ) • if( g( s’ ) > g( r ) ) then • r = s’ • endif • w = adaptweights( s’, w ) • endwhile Katedra kybernetiky a umelej inteligencie FEI, TU v Košiciach

More Related