TL: DR : Hiper-sezgisel tarama, aynı tür optimizasyon problemlerini çözmek için uygun olan meta -sezgiseldir , ancak (prensip olarak) uzman olmayan uygulayıcılar için "hızlı prototipleme" yaklaşımı sağlar. Uygulamada, hakim yaklaşımla ilgili 'whitebox' hiper-sezgisel tarama üzerine ortaya çıkan bir bakış açısını motive eden sorunlar vardır .
Daha ayrıntılı olarak:
Meta-sezgiler, 'yüksek kaliteli' bir çözüm bulmak için mümkün olmayan geniş bir olası çözüm alanını araştırmak için kullanılan yöntemlerdir. Popüler metaheuristics, Simüle Tavlama, Tabu Arama, Genetik Algoritmalar vb.
Meta-sezgisel ve hiper-sezgisel tarama arasındaki temel fark, bir arama dolaylaması seviyesinin eklenmesidir: gayri resmi olarak, hiper-sezgisel tarama, 'sezgisel tarama alanında sezgisel tarama' olarak tanımlanabilir. Bu nedenle, herhangi bir meta-sezgiyi hiper-sezgisel olarak kullanabilir ve aranacak 'sezgisel tarama alanının' doğasının uygun şekilde tanımlanmasını sağlar.
Hiper-sezgisel tarama için uygulama alanı bu nedenle meta-sezgisel tarama ile aynıdır. Uygulanabilirlikleri (meta-sezgisellere göre) bir 'hızlı prototipleme aracı' dır: orijinal motivasyon, uzman olmayan uygulayıcıların meta-sezgisel uygulamaları kendi özel optimizasyon problemlerine (örn. "Travelling-Salesman (TSP) artı zaman pencereleri artı bin- ambalaj ") yüksek düzeyde spesifik problem alanında uzmanlık gerektirmeden. Fikir, bunun şu şekilde yapılabileceği idi:
- Uygulayıcıların, potansiyel çözümleri dönüştürmek için yalnızca çok basit (etkili, rastgele) sezgisel yöntemler uygulamalarına izin vermek. Örneğin, TSP için: daha karmaşık Lin-Kernighan sezgiselinden ziyade "iki rastgele şehri değiştir" .
- Bunları akıllı bir şekilde birleştirerek / sıralayarak, tipik olarak bir tür öğrenme mekanizması kullanarak etkili sonuçlar elde edin (bu basit buluşsal yöntemlere rağmen).
Hiper-sezgisel tarama, sezgisel tarama işleminin (sırasıyla) sıralanmasına veya birleştirilmesine bağlı olarak 'seçici' veya 'üretken' olarak tanımlanabilir. Generatif hiper-sezgisel tarama, bu nedenle, ilkel sezgisel tarama yöntemini birleştirmek için Genetik Programlama gibi yöntemleri kullanır ve bu nedenle tipik olarak uygulayıcı tarafından belirli bir sorunu çözmek için özelleştirilir. Örneğin, üretken hiper-sezgisel tarama hakkındaki orijinal makale , bin paketleme için sezgisel tarama yöntemini birleştirmek amacıyla bir Öğrenme Sınıflandırıcı Sistemi kullandı. Üretken yaklaşımlar probleme özgü olduğu için aşağıdaki yorumlar onlar için geçerli değildir.
Buna karşılık, seçici hiper-sezgisel tarama için orijinal motivasyon , araştırmacıların, sadece basit rastgele sezgisel tarama kullanarak görünmeyen bir problem alanında iyi çalışması muhtemel olan hiper-sezgisel bir çözücü oluşturabilmeleriydi.
Bunun geleneksel olarak uygulanma şekli, sorunlu alanlar arasındaki genelliğin, çözücünün üzerinde çalıştığı alan hakkında bilgi sahibi olmasını engelleyerek elde edilebileceği iddia edilen 'hiper-sezgisel alan bariyerinin' (bkz. Aşağıdaki şekle) sokulmasıdır. çalışıyor. Bunun yerine, sorunu sadece opak tamsayı indeksleri üzerinde mevcut buluşsal yöntemler listesine çalıştırarak çözecektir (örneğin, 'Çok Kollu Bandit Sorunu' şeklinde ).
Uygulamada, bu 'alan körlüğü' yaklaşımı yeterli kalitede çözümlerle sonuçlanmamıştır. Probleme özgü meta-sezgisel yöntemlerle karşılaştırılabilir herhangi bir yerde sonuç elde etmek için hiper-sezgisel araştırmacılar karmaşık probleme özgü sezgisel yöntemler uygulamak zorunda kaldılar, böylece hızlı prototipleme hedefinde başarısız oldular.
Prensipte , yeni problem alanlarına genelleme yapabilen seçici bir hiper-sezgisel çözücü oluşturmak hala mümkündür , ancak yukarıdaki alan bariyeri kavramı, çaprazlama için sadece çok sınırlı bir özellik setinin mevcut olduğu anlamına geldiği için bu daha zor hale getirilmiştir. -alan adı öğrenimi (örneğin popüler bir seçici hiper-sezgisel çerçeve tarafından örneklendiği gibi ).
'Whitebox' hiper-sezgisel yöntemlerine yönelik daha yeni bir araştırma perspektifi , sorunlu alanları tanımlamak için deklaratif, zengin özelliklere sahip bir yaklaşımı savunmaktadır. Bu yaklaşımın iddia edilen bir takım avantajları vardır:
- Uygulayıcıların artık buluşsal yöntemler uygulamasına gerek yoktur , bunun yerine problem alanını belirtmeleri yeterlidir .
- Etki alanı engeli ortadan kaldırılır ve hiper-sezgisel tarama, probleme ilişkin probleme özgü meta-sezgisel tarama ile aynı "bilgili" duruma getirilir.
- Beyaz kutu problemi açıklamasında, meşhur 'Ücretsiz Öğle Yemeği Yok' teoremi (esasen, tüm kara kutu problemlerinin alanı üzerinde düşünülmüş , Sonsuz bir tavlama programı ile Simüle Tavlamanın ortalama olarak diğer herhangi bir yaklaşım kadar iyi olduğunu belirtmektedir) daha uzun geçerlidir.
YASAL UYARI: Bu araştırma alanında çalışıyorum ve bu nedenle cevaptaki tüm kişisel önyargıların kaldırılması imkansız.