توضیحات

مهمترین عناوین پرداخته شده در پاورپوینت الگوی ابتکاری جستجو ممنوع:

الگوریتم های فرا ابتکاری
دسته‌بندی الگوریتم‌های فراابتکاری
مقدمه و تاریخچه
جستجوی موضعی (Local Search)
ترفند TS : لیست ممنوع
 معیارهای آزادسازی از Tabu List
معیارهای توقف
الگوریتم اولیه
Intensification و Diversification در TS

الگوریتم‌های فراابتکاری یا فراتکاملی نوعی از الگوریتم‌های دقیق هستند که برای یافتن پاسخ بهینه به کار می‌روند. روش‌ها و الگوریتم‌های بهینه‌سازی به دو دسته الگوریتمهای دقیق و الگوریتم‌های تقریبی تقسیم‌بندی می‌شوند. الگوریتم‌های دقیق قادر به یافتن جواب بهینه به صورت دقیق هستند اما در مورد مسائل بهینه سازی سخت کارایی ندارند و زمان حل آنها در این مسائل به صورت نمایی افزایش می‌یابد. الگوریتم‌های تقریبی قادر به یافتن جواب‌های خوب (نزدیک به بهینه) در زمان حل کوتاه برای مسائل بهینه‌سازی سخت هستند. الگوریتم‌های تقریبی نیز به سه دسته الگوریتم‌های ابتکاری و فراابتکاری و فوق ابتکاری بخش بندی می شوند. دو مشکل اصلی الگوریتم‌های ابتکاری، قرار گرفتن آنها در بهینه‌های محلی، و ناتوانی آنها برای کاربرد در مسائل گوناگون است. الگوریتم‌های فراابتکاری برای حل این مشکلات الگوریتم‌های ابتکاری ارائه شده‌اند. در واقع الگوریتم‌های فراابتکاری، یکی از انواع الگوریتم‌های بهینه‌سازی تقریبی هستند که دارای راهکارهای برونرفت از بهینه محلی می‌باشند و قابل کاربرد در طیف گسترده ای از مسائل هستند. رده های گوناگونی از این نوع الگوریتم در ده های اخیر توسعه یافته است.

مقدمه و تاریخچه

عبارت (Tabu Taboo) از یک زبان پولنیزیایی ریشه می گیرد که توسط مردم بومی جزیره tonga برای مشخص کردن چیزهایی بکار می رود که مقدس و غیرقابل لمس و یا (بخاطر خطر داشتن ) ممنوع شده هستند. ارتباط این کلمه با حافظه ی مردم آن منطقه از این جهت که تجربیات گذشته باعث شده است تا چنین تلقی امروزی در مورد یک مفهوم خاص بوجود آید، کلید اصلی ارتباط این کلمه با مفهوم ممنوعیت در Tabu Search است.عناصر ممنوع در Tabu Search با ارجاع به حافظه مشخص می شوند.چنانکه می دانید، الگوریتم های فرا ابتکاری بسیاری برای دستیابی به حـداقل یک جـواب خـوب ( نه لــزوما بهترین ) برای یک مسـالـه NP-Hard بوجود آمده است.بسیاری از این روشها از یک مکانیزم Local Search بهره می گیرند.LS را می توان یک روال جستجوی تکرارشونده دانست که از یک جواب شدنی شروع می کند و با انجام اصلاحات جزیی (همان Move)، آنرا تا رسیدن به یک بهینه ی موضعی ادامه می دهد. با در نظر داشتن این نکته که در حالت معمول این بهینه ی موضعی، چیزی بیش از یک جواب متوسط نیست.در LS معمولا کیفیت جواب بدست آمده به حد زیادی بستگی به غنای move های تعریف شده مان دارد. و این مساله اساسی در رویکرد های مبتنی بر LS است.

توجه: