Engineering Stochastic Local Search Algorithms. Designing, Implementing and Analyzing Effective Heuristics: Second International Workshop, SLS 2009, Brussels, Belgium, September 3-4, 2009. Proceedings

الگوریتم‌های جستجوی محلی تصادفی (SLS) ابزارهای ایجاد شده برای حل مشکلات محاسباتی سخت ناشی از علوم کامپیوتر، مدیریت بازرگانی، مهندسی، زیست‌شناسی و رشته‌های مختلف دیگر هستند. تا حد زیادی، موفقیت آنها به دلیل سادگی مفهومی، کاربرد گسترده و عملکرد بالا برای بسیاری از مسائل مهمی است که در دانشگاه مورد مطالعه قرار گرفته و در کاربردهای دنیای واقعی با آنها مواجه می شوند. روش‌های SLS طیف وسیعی از تکنیک‌ها را شامل می‌شود که از روش‌های جستجوی سازنده و الگوریتم‌های بهبود تکراری گرفته تا روش‌های پیچیده‌تر SLS، مانند بهینه‌سازی کلونی مورچه‌ها، محاسبات تکاملی، جستجوی محلی تکراری، الگوریتم‌های ممتیک، بازپخت شبیه‌سازی‌شده، جستجوی تابو و متغیرها را شامل می‌شود. جستجوی محله از لحاظ تاریخی، توسعه الگوریتم‌های موثر SLS تا حد زیادی توسط تجربه و شهود هدایت شده است. در سال‌های اخیر، به طور فزاینده‌ای آشکار شده است که موفقیت با الگوریتم‌های SLS صرفاً به پذیرش و اجرای مؤثر مناسب‌ترین تکنیک SLS برای یک مسئله معین بستگی ندارد، بلکه به تسلط بر یک الگوریتم پیچیده‌تر - فرآیند مهندسی نیز بستگی دارد. . چالش‌ها در توسعه الگوریتم SLS تا حدی ناشی از پیچیدگی مشکلاتی است که با آن‌ها برخورد می‌شود و تا حدی از آزادی‌های فراوانی که محققان و پزشکان در هنگام توسعه الگوریتم‌های SLS با آن‌ها مواجه می‌شوند، ناشی می‌شود. جنبه‌های مهم در توسعه الگوریتم SLS شامل طراحی ریتم، تکنیک‌های تحلیل تجربی، پیش‌زمینه‌ی خاص مسئله، و دانش پیش‌زمینه در چندین رشته و حوزه کلیدی، از جمله علوم کامپیوتر، تحقیقات عملیات، هوش مصنوعی و آمار است. /p>

Stochastic local search (SLS) algorithms are established tools for the solution of computationally hard problems arising in computer science, business adm- istration, engineering, biology, and various other disciplines. To a large extent, their success is due to their conceptual simplicity, broad applicability and high performance for many important problems studied in academia and enco- tered in real-world applications. SLS methods include a wide spectrum of te- niques, ranging from constructive search procedures and iterative improvement algorithms to more complex SLS methods, such as ant colony optimization, evolutionary computation, iterated local search, memetic algorithms, simulated annealing, tabu search, and variable neighborhood search. Historically, the development of e?ective SLS algorithms has been guided to a large extent by experience and intuition. In recent years, it has become - creasingly evident that success with SLS algorithms depends not merely on the adoption and e?cient implementation of the most appropriate SLS technique for a given problem, but also on the mastery of a more complex algorithm - gineering process. Challenges in SLS algorithm development arise partly from the complexity of the problems being tackled and in part from the many - grees of freedom researchers and practitioners encounter when developing SLS algorithms. Crucial aspects in the SLS algorithm development comprise al- rithm design, empirical analysis techniques, problem-speci?c background, and background knowledge in several key disciplines and areas, including computer science, operations research, arti?cial intelligence, and statistics.