Metaheuristic research: a comprehensive survey

“Metaheuristic research: a comprehensive survey” başlıklı çalışma Kashif Hussain, Mohd Najib Mohd Salleh,
Shi Cheng ve Yuhui Shi tarafından yapılmış olup Artificial Intelligence Review dergisinde yayınlanmıştır.

Metasezgisel algoritmalarla ilgili genel bir sunum yapmayı hedefleyen bu çalışma 5 ana soru ekseninde araştırma yapmış.

-Temel kavramlar nelerdir?
-Yayın yoğunluğu ne durumdadır?
-Metaforlar ve dizayn modelleri nelerdir?
-Performans nasıl test ediliyor?
-Alanın geleceği ne yöne doğru kayıyor?

Anahtar kelimeler bu alanda çalışanlar için faydalı olabilir diye almak istedim:

1 Metaheuristic
2 Meta-heuristics
3 Optimisation
4 Optimization
5 Numerical optimization
6 Global optimization
7 Constrained optimization
8 Unconstrained optimization
9 Combinatorial optimization
10 Local search
11 Global search
12 Neighborhood search
13 Exploitation
14 Exploration
15 Intensification
16 Diversification
17 Heuristic Search Algorithm
18 Evolutionary Algorithms
19 Evolutionary Computation
20 Bio Inspired Algorithm
21 Computational Intelligence
22 Collective Intelligence
23 Swarm Intelligence

Bu anahtar kelimelerle 1222 yayın toplanmış, özet ve sonuç kısımları okunarak bir değerlendirme yapılmıştır. Önemli görülen yayınların diğer kısımları da incelenmiştir.

Araştırma tipleri (yeni metod, modifikasyon, hibrit, kıyaslama ve analiz, derleme)
research types (new method, modification, hybrid, comparisons and analysis, or survey).

-Temel kavramlar nelerdir?

Zahmet gerektiren çözümleri akıllıca çözme işine optimizasyon denir. Örneğin bir ormanda elmas arama işi bir optimizasyon problemidir. Amacımız maksimum elması bulmak olduğundan bu amaç fonksiyonumuzdur ve en az zaman-çaba ile bulmak istediğimizden bunlarda kısıtlarımızdır. Optimizasyon teknikleri belirlenmiş bir amaç fonksiyonu içerisindeki değişkenleri kısıtlara uygun bir şekilde bulmak için geliştirilirler.

Optimizasyon problemleri:
-Tek amaçlı-Çok amaçlı
-Kısıtsız-Kısıtlı
-Kombinasyonal
olarak gruplanır.

Sezgisel bir problemi çözmek için akıllıca yapılan deneme-yanılma işlemidir.
Metasezgisel, sezgisel üstü problem çözümü için daha genel bir yaklaşımdır.
Metasezgisel hesaplama bir problemin çözümü için sezgisel yaklaşımların adaptif bir şekilde uygulanmasıdır.

Yukarıdaki temel tanımlamalar Wang (2010) tarafından yapılmıştır.

Bu alan için önemli bazı kavramlar aşağıya listelenmiştir:

evolutionary computing
swarm intelligence

escaping local minima

neighborhood search
keeping balance between exploration and exploitation searching for most promising or potential neighbors
avoiding inappropriate or inefficient neighbors
limiting search from entering into unpromising neighbors

diversification or exploration
divergence and convergence
intensification or exploitation
local minima versus global minima
local search versus global search

gibi…

Metasezgisel algoritma başarıyı etkileyen ana unsur keşif ve sömürü dengesidir. Elinizdeki kaynağı (toplam iterasyon sayısını) en efektif nasıl kullanabilirsiniz bilmeniz gerekmektedir. Acaba optimum’a ne kadar yakınım sorusunun cevabını bilmediğimizden keşif ve sömürü dengesi direk başarıyı etkilemektedir.

Bazı algoritmalar direk lokal arama algoritması iken bazıları global arama algoritmasıdır. Genel olarak ikisini birlikte yapan algoritmalar çoğunluktadır.

Tek çözüm tabanlı ve popülasyon tabanlı olarak algoritmalar yine gruplanmaktadır. Tek çözümlüler (trajectory) her adımda mevcut çözümü iyileştirmeye çalışırken, popülasyon tabanlılar çözümler arası etkileşim mekanizmalarını kullanır.

-Yayın yoğunluğu ne durumdadır?

Hangi yayıncılar ne kadar metasezgisel makale yayınlamış?

En çok kullanılan metasezgisel algoritmalar:

-Metaforlar ve dizayn modelleri nelerdir?

Genel olarak metasezgisel algoritmalar bir metafordan esinlenilerek ortaya koyulur, fakat özellikle son dönemdeki algoritmaların önce oluşturulduğu sonra ona uygun fenomen bulunduğuna inanıyorum. O yüzden şunlar doğadan ilham almış, bunlar fizikten ilham almış, bunlar spordan ilham almış gruplaması çok mantıklı gelmiyor bana.

-Performans nasıl test ediliyor?

Genellikle sayısal kıyas fonksiyonları kullanılmaktadır.
Wilcoxon Signed-Rank test, z test, ve NOVA test gibi istatistiksel testler kullanılmaktadır.

-Alanın geleceği ne yöne doğru kayıyor?

-1000 boyutlu ve daha büyük problemler nasıl çözülebilir?
-Hyperheuristic yaklaşım ile framework geliştirme.
-Paralel hesaplama ile hızlanma sağlama.
-Parametresiz, adaptif, daha zeki algoritmalar yazılabilir.
-Kıyas için alternatif yaklaşımlar.

İndirmek için:
https://link.springer.com/article/10.1007/s10462-017-9605-z