جستجوهای هیوریستیک و متاهیوریستیک در حل مسائل (Heuristic and Metaheuristic) – قسمت دوم

در ادامه بخش قبلی “جستجوهای هیوریستیک و متاهیوریستیک در حل مسائل (Heuristic and Metaheuristic) – قسمت اول”:

با توجه به ساختار مسائل، روشهای جستجوی آگاهانه را می‌توان به دو رده کلی تقسیم نمود:

1- جستجو برای رسیدن به راه حل مسئله (Heuristics):

با استفاده از توابع اکتشافی به شکلی سیستماتیک، سعی میکنیم مسیری به سمت پاسخ مسئله بیابیم. در واقع مسیر رسیدن به هدف، همان راه حل مسئله است. منجمله میتوان به الگوریتمهای A*, TSA*، روشهای حریصانه Greedy و SMA*و RBFS و … اشاره نمود.

2- جستجو برای رسیدن به یک پاسخ (Metaheuristics):

در این روش دیگر مسیر رسیدن به پاسخ برای ما اهمیت ندارد، تنها نکته مورد توجه، پیدا کردن یک پاسخ برای مسئله است. (مثل مسائل کلاسیک مانند TSP و N-Queen و …)

دلیل استفاده از الگوریتمهای متاهیوریستیک، گستردگی و حجم بسیار بسیار زیاد فضای برخی مسائل (همان تعداد حالات ممکن جهت بررسی پاسخ مسئله) است. دسته‌ای از اینگونه مسائل، مسائل “بهینه سازی” و “بهینه سازی ترکیبی” هستند.

از معروفترین الگوریتمهای متاهیوریستیک، میتوان به جستجوی تپه نوردی (Hill Climbing)، الگوریتم ژنتیک (Genetic)، شبیه سازی حرارتی (Simulated Annealing)، جستجوی ممنوع (Tabu Search)، جستجوی پرتو (Beam Search) و الگوریتم کلونی مورچه‌ها (Ant Colony) اشاره نمود.

About محمد شمس

برنامه‌نویس، طراح انیمیشن و علاقمند به هوش مصنوعی

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *


× 9 = 45