چکیده
الگوریتم های فوق ابتکاری (هایپر-هیوریستیک) روش های جستجوی سطح بالا و خودکاری هستند که مجموعه ای از الگوریتم های ابتکاری (هیوریستیک) سطح پایین را برای حل مسائل محاسباتی پیچیده مدیریت می کنند. یک روش انتخاب هایپر-هیوریستیک معمولی، انتخاب هیوریستیک را با روش های «پذیرش حرکت» در یک چارچوب جستجوی تک-نقطه ای تکراری ترکیب می کند. در هر مرحله، پاسخ حاصل از مرحله قبل، پس از اعمال هیوریستیک انتخابی اصلاح شده و درباره قابل قبول بودن پاسخ جدید تصمیم گیری می شود. ما در این مطالعه، دنباله یک روش هایپر-هیوریستیک را به صوت یک تانسور مرتبه سه نشان می دهیم. با فاکتور گیری از چنین تانسوری می توان به روابط میان هیوریستیک های سطح پایین و خود هایپر-هیوریستیک پی برد. در رویکرد یادگیری که در این مقاله پیشنهاد شده است، مجموعه هیوریستیک های سطح پایین به دو زیرمجموعه تقسیم می شوند؛ بطوری که هیوریستیک های موجود در هر زیرمجموعه مربوط به یک روش «پذیرش حرکت» جداگانه می باشند. پس از تقسیم مجموعه هیوریستیک ها، یک هایپر-هیوریستیک چند-مرحله ای تشکیل می شود و بر اساس آن، هیوریستیک ها هنگام حل یک نمونه مسئله مشخص مجازند در هر مرحله تنها همراه با روش پذیرش مربوط به خود عمل کنند. بر اساس تحقیقات ما، این اولین بار است که از روش تحلیل تانسور فضای هیوریستیک به عنوان رویکردی از علم داده ها برای بهبود کارایی یک هایپر-هیوریستیک استفاده می شود. نتایج حاصل از آزمایشات انجام شده بر روی شش مسئله در حوزه های مختلف، موفقیت رویکرد پیشنهادی را نشان می دهند.
1-مقدمه
الگوریتم های هایپر-هیوریستیک (فوق ابتکاری)، روش های کارآمد و موثری برای حل مسائل محاسباتی پیچیده محسوب می شوند. این الگوریتم ها به جای آنکه مستقیما به دنبال جواب بگردند، عملیات جستجو را بر روی فضای تشکیل شده توسط مجموعه ای از هیوریستیک های سطح پایین اجرا می کنند [۴۹]. برک و همکارانش [۱۳] جهت حل مسائل جستجوی پیچیده، هاپیر-هیوریستیکی به عنوان یک روش جستجو یا مکانیزم یادگیری برای انتخاب و یا تولید هیوریستیک ها مطرح کردند....
میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید .