• Nie Znaleziono Wyników

Błądzenie przypadkowe, Tabu, Algorytm wspinaczkowy, Przeszukiwanie ze zmiennym sąsiedztwem, Symulowane wyżarzanie

N/A
N/A
Protected

Academic year: 2021

Share "Błądzenie przypadkowe, Tabu, Algorytm wspinaczkowy, Przeszukiwanie ze zmiennym sąsiedztwem, Symulowane wyżarzanie"

Copied!
28
0
0

Pełen tekst

(1)

ALHE

Jarosław Arabas

Błądzenie przypadkowe,

Tabu,

Algorytm wspinaczkowy,

Przeszukiwanie ze zmiennym sąsiedztwem,

Symulowane wyżarzanie

(2)

ALHE

Jarosław Arabas

Błądzenie przypadkowe,

Tabu,

Algorytm wspinaczkowy,

Przeszukiwanie ze zmiennym sąsiedztwem,

Symulowane wyżarzanie

(3)

Algorytm błądzenia przypadkowego

(random walk)

(4)

Błądzenie przypadkowe

algorytm błądzenie przypadkowe

H ← init (s

0

)

while ! stop

x ← selLast (H )

y ← selRandom(N (x))

(5)

Algorytm błądzenia przypadkowego

S1 S2 S3 S4 S5 S6 S7 S8 S9 S0

Strzałki między punktami Sx oraz Sy oznaczają,

że punkt Sy jest lokalną modyfikacją punktu Sx

S11 S12S13 S14 S15 S16 S17 S18 S19

(6)

Algorytm błądzenia przypadkowego

Ślad algorytmu – zbiór wszystkich wygenerowanych punktów

(7)

Rozszerzony algorytm błądzenia

przypadkowego

Przeszukiwanie nie ma naturalnego końca

Kolejka losowa

(8)

Rozszerzony algorytm błądzenia

przypadkowego

S1 S2 S3 S4 S5 S6 S7 S8 S9 S0

Strzałki między punktami Sx oraz Sy oznaczają,

że punkt Sy jest lokalną modyfikacją punktu Sx

S11 S12S13 S14 S15 S16 S17 S18 S19

(9)

Rozszerzony algorytm błądzenia

przypadkowego

Ślad algorytmu – zbiór wszystkich wygenerowanych punktów

(10)

Algorytm wspinaczkowy

algorytm wspinaczkowy

H  init  s

0

x  selBest  H 

while ! stop

Y  N  x

y  selBest Y 

if q yq x

x  y

H  H ∪Y

x – punkt roboczy

(11)

Model

Algorytm wspinaczkowy

(hillclimbing)

Przeszukiwanie kończy się gdy w otoczeniu punktu

nie ma lepszego sąsiada

Najlepszy

dotychczas

(12)

Algorytm wspinaczkowy ze

zmiennym sąsiedztwem (VNS)

algorytm VNS

H ← init (s

0

)

x ← selBest (H )

while ! stop

k ← 1

repeat

Y ← N

k

(

x)

H ← H ∪Y

y ← selBest (Y )

k ← k+1

until (q( y)>q( x)∨k>K )

if (k>K )exit

x ← y

x – punkt roboczy K – parametr metody

N

1

x⊂N

2

x⊂...⊂N

K

x 

(13)

Model

Stochastyczny algorytm

wspinaczkowy

Przeszukiwanie kończy się gdy w otoczeniu punktu

nie ma lepszego sąsiada

Najlepszy

dotychczas

(14)

Stochastyczny algorytm

wspinaczkowy

algorytm wspinaczkowy

H ← init (s

0

)

x ← selBest (H )

while ! stop

y ← selRandom(N (x))

if q( y)>q( x)

x ← y

H ← H ∪{ y}

x – punkt roboczy

(15)

Stochastyczny algorytm

wspinaczkowy

S1 S2 S3 S4 S5 S6 S7 S8 S9 S0

Strzałki między punktami Sx oraz Sy oznaczają,

że punkt Sy jest lokalną modyfikacją punktu Sx

S11 S12S13 S14 S15 S16 S17 S18 S19

(16)

Stochastyczny algorytm

wspinaczkowy

Ślad algorytmu – zbiór wszystkich wygenerowanych punktów

w pojedynczym uruchomieniu Wyrysowane poziomice

(17)

Model

Algorytm symulowanego wyżarzania

(simulated annealing)

Przeszukiwanie nie ma naturalnego końca

temperatura

1.46

(18)

Symulowane wyżarzanie

algorytm symulowane wyżarzanie

H ← init (s

0

)

x ← selBest (H )

while ! stop

y ← selRandom(N (x))

if q( y)>q( x)

x ← y

else if rand()< p

a

x ← y

H ← H ∪{ y }

x – punkt roboczy q – funkcja celu maksymalizowana T - temperatura

p

a

=exp

∣q y−q x∣

T

(19)

Symulowane wyżarzanie

Ślad algorytmu – zbiór wszystkich wygenerowanych punktów

w pojedynczym uruchomieniu Wyrysowane poziomice

funkcji celu (maksymalizowanej) p_a=0.2

(20)

Symulowane wyżarzanie

Ślad algorytmu – zbiór wszystkich wygenerowanych punktów

w pojedynczym uruchomieniu Wyrysowane poziomice

funkcji celu (maksymalizowanej) p_a=0.8

(21)

Symulowane wyżarzanie

Ślad algorytmu – zbiór wszystkich wygenerowanych punktów

w pojedynczym uruchomieniu Wyrysowane poziomice

funkcji celu (maksymalizowanej) p_a=0.05

(22)

Symulowane wyżarzanie

0 10 20 30 40 50 60 0 20 40 60 80 100 120 numer iteracji t te m p e ra tu ra T (t ) 0 1 2 3 4 5 6 0 0.2 0.4 0.6 0.8 1 1.2 |q(x)-q(y)|/T p _ a

(23)

Przeszukiwanie z tabu

algorytm przeszukiwanie z tabu

T ← ∅

H ← init (s

0

)

x ← selBest ( H )

while ! stop

Y ← N (x)∖ T

x ← selBest (Y )

define T

j

for delection

T ← T ∪{x }∖(T

j

)

H ← H ∪Y

(24)

Stabuizowane symulowane

wyżarzanie

algorytm symulowane wyżarzanie z tabu

T ← ∅

H ← init (s

0

)

x ← selBest ( H )

while ! stop

Y ← N (x)∖( N (T

1

)∪

N (T

2

)∪

.... N (T

k

))

y ← selRandom(Y )

if q( y)>q( x)

x ← y

else if rand()< p

a

x ← y

define T

j

for delection

T ← T ∪{x }∖(T

j

)

(25)

Stabuizowane symulowane

wyżarzanie

p_a=0.05

(26)

Stabuizowane symulowane

wyżarzanie

(27)

Przeszukiwanie z tabu (tabu search)

Przeszukiwanie nie ma naturalnego końca

Punkt roboczy

(28)

Zarządzanie listą tabu

lista tabu

FIFO

Losowy dostęp

Kolejka priorytetowa

wg funkcji celu

wg szacowanej funkcji celu

wg podobieństwa

Cytaty

Powiązane dokumenty

Reformy Marii Teresy podniosły nie tylko al- fabetyzację wszystkich warstw społeczeństwa, ale również stały się podstawą dla rozwoju no- woczesnego szkolnictwa na Słowacji.. 16

Na podstawie Prawa Wielkich Liczb rozkład teoretyczny będzie w przybliżeniu pokrywał się z częstością osiągnięcia danego położenia cząstki dla wielu realizacji takich

Celem niniejszego opracowania jest przedstawienie bayesowskiego modelowania hie- rarchicznego w przypadku braku pełnej informacji oraz porównanie otrzymanych wyników

• Ważne jest by przy wystąpieniu błędu program zwrócił odpwiednią wartość i/lub właściwie sformułowany komunikat o błędzie.... Ogólne uwagi o postępowaniu z

if the child was reached along shorter path than the state current the child was reached along shorter path than the state currently on ly on closed closed then then

Jeśli drzewo przeszukiwane jest „dobrze wyważone” (czyli dobrze skonstruowane, tak, by miało jak najmniejszą wysokość) to czas działania tego algorymu jest O(log n) (gdzie n

Zaletą algorytmu przeszukiwania w głąb jest to, że nie przeszukujemy wszystkich wierzchołków grafu, dodatkowo przeszukując ścieżką prowadzącą bezpośrednio do

Graf jest spójny, jeżeli z każdego wierzchołka da się dojść do wszystkich pozostałych. W przeciwnym wypadku graf jest określany jako