Tepe tırmanma algoritmasının sınırlamaları nelerdir ve bunların üstesinden nasıl gelinir?

Tepe tırmanma algoritmasının sınırlamaları nelerdir ? Bu sınırlamaların üstesinden nasıl gelebiliriz?

@Nbro, Hill Climbing'in yerel arama algoritmaları ailesi olduğunu söyledi . Yani, soruda Tepe Tırmanışı dediğinde, standart tepe tırmanışı hakkında konuştuğunu varsaydım. Tepe tırmanmasının standart versiyonunun bazı sınırlamaları vardır ve genellikle aşağıdaki senaryoda takılır:

• Yerel Maxima: Yakınlarda yerel bir maksimum değere ulaşan tepe tırmanma algoritması zirveye doğru çekilir ve gidecek başka bir yeri olmayan orada sıkışır .
• Sırtlar: Bunlar , algoritmanın gezinmesini zorlaştıran yerel maxima dizileridir .
• Platolar: Burası düz bir devlet-uzay bölgesidir . Gitmek için yokuş yukarı olmadığı için algoritma platoda sıklıkla kaybolur.
  

Bu sorunları çözmek için, tepe tırmanma algoritmalarının birçok çeşidi geliştirilmiştir. Bunlar en yaygın olarak kullanılır:

• Stokastik Tepe Tırmanışı yokuş yukarı hareketlerden rastgele seçer. Seçim olasılığı yokuş yukarı hareketin dikliğine göre değişir.
• Birinci Tercih Tırmanma , daha iyi olana kadar rasgele halefler oluşturarak yukarıdakileri uygular.
• Hedef durumuna ulaşılıncaya kadar rastgele oluşturulan ilk hamlelerden rastgele yeniden tepeye tırmanma aramaları.

Tepe tırmanma algoritmalarının başarısı, durum-uzay manzarasının mimarisine bağlıdır. Ne zaman azami maxima ve platolar varsa, tepe tırmanma algoritmalarının varyantları çok iyi çalışır. Ancak gerçek dünyadaki problemlerde, düz bir zeminde yaygın olarak dağılmış saçsız kirpi ailesine benzeyen bir manzara var, her kirpi iğnesinin ucunda yaşayan minyatür kirişler (Yapay Zeka: A kitabının 4. Bölümünde açıklandığı gibi) Modern Yaklaşım). NP-Hard problemleri tipik olarak üstesinden gelmek için üstel sayıda yerel maksimuma sahiptir.
Bu tür sorunların üstesinden gelmek için verilen algoritmalar geliştirilmiştir:

• Uyarılmış Tavlama
• Yerel Işın Arama
• Genetik Algoritmalar

Referans Kitabı - Yapay Zeka: Modern Bir Yaklaşım

Tepeye tırmanma bir algoritma değil, bir "yerel arama" algoritmaları ailesidir. "Tepe tırmanma" algoritmaları kategorisine giren spesifik algoritmalar, 2-opt, 3-opt, 2.5-opt, 4-opt veya genel olarak herhangi bir N-opt'tur. Bu yerel arama algoritmalarından bazıları (TSP'ye uygulanır) hakkında daha fazla ayrıntı için " Gezgin Satıcı Sorunu: Yerel Optimizasyonda Bir Vaka Çalışması " makalesinin 3. bölümüne (David S. Johnson ve Lyle A. McGeoch tarafından) bakınız.

Bu kategorideki bir algoritmayı diğerinden ayıran şey, kullandıkları "mahalle işlevi" dir (basit bir deyişle, belirli bir çözüme komşu çözümler bulma yöntemleri). Pratikte, bunun her zaman böyle olmadığını unutmayın: genellikle bu algoritmaların birkaç farklı uygulaması vardır.

Tepe tırmanma algoritmalarının en belirgin kısıtlamaları doğaları nedeniyle, yani yerel arama algoritmalarıdır. Bu nedenle genellikle sadece yerel maxima (veya minima) bulurlar . Bu nedenle, bu algoritmalardan herhangi biri zaten yerel bir minimum (veya maksimum) birime dönüştüyse ve çözümde veya arama alanında, bulunan bu çözüme yakın, daha iyi bir çözüm varsa, bu algoritmaların hiçbiri bunu bulamaz daha iyi bir çözüm. Temel olarak tuzağa düşecekler.

Yerel arama algoritmaları genellikle tek başına kullanılmaz. Simüle edilmiş tavlama, yinelenen yerel arama veya ant-koloni algoritmalarının herhangi birinde diğer meta-sezgisel algoritmaların alt rutinleri olarak kullanılırlar. Bu nedenle, sınırlamalarının üstesinden gelmek için genellikle bunları tek başına kullanmayız, ancak olasılıklı bir yapıya sahip olan ve küresel minima veya maxima (örneğin, ant-koloni algoritmalarından herhangi biri) bulabilen diğer algoritmalarla birlikte kullanırız.