Hybrid Metaheuristics: Powerful Tools for Optimization

این کتاب برجسته‌ترین و امیدوارکننده‌ترین تکنیک‌های جدید و کلی را توضیح می‌دهد که فراابتکاری را با سایر روش‌های بهینه‌سازی ترکیب می‌کند. اولین فصل مقدماتی اصول اولیه جستجوی محلی، فراابتکاری برجسته، و جستجوی درختی، برنامه‌نویسی پویا، برنامه‌ریزی خطی عدد صحیح مختلط، و برنامه‌نویسی محدودیت را برای اهداف بهینه‌سازی ترکیبی مرور می‌کند. فصل‌هایی که در ادامه می‌آیند، پنج راهبرد ترکیبی به‌طور کلی قابل اجرا را با مطالعات موردی مثالی در مورد مسائل انتخاب شده ارائه می‌کنند: نمایش راه‌حل ناقص و رمزگشاها. کاهش نمونه مشکل؛ جستجوی محله بزرگ؛ ساخت موازی غیر مستقل راه حل ها در فراابتکاری؛ و هیبریداسیون بر اساس آرشیو کامل راه حل.

نویسندگان از جمله محققان پیشرو در ترکیب فراابتکاری با سایر تکنیک‌ها برای بهینه‌سازی هستند و کار آن‌ها نشان‌دهنده تغییر رویکردهای مشکل‌محور به جای الگوریتم‌محور است که اجرای سریع‌تر و مؤثرتر را ممکن می‌سازد. برنامه های کاربردی زندگی واقعی این ترکیب به انواع مختلف فراابتکاری محدود نمی شود، بلکه شامل ترکیبی از برنامه ریزی ریاضی، برنامه نویسی پویا یا برنامه نویسی محدودیت با فراابتکاری است که منعکس کننده بارورسازی متقابل در زمینه هایی مانند بهینه سازی، الگوریتم، مدل سازی ریاضی، تحقیق در عملیات، آمار است. ، و شبیه سازی این کتاب مقدمه و مرجع ارزشمندی برای محققان و دانشجویان تحصیلات تکمیلی در این حوزه ها است.

This book explains the most prominent and some promising new, general techniques that combine metaheuristics with other optimization methods. A first introductory chapter reviews the basic principles of local search, prominent metaheuristics, and tree search, dynamic programming, mixed integer linear programming, and constraint programming for combinatorial optimization purposes. The chapters that follow present five generally applicable hybridization strategies, with exemplary case studies on selected problems: incomplete solution representations and decoders; problem instance reduction; large neighborhood search; parallel non-independent construction of solutions within metaheuristics; and hybridization based on complete solution archives.

The authors are among the leading researchers in the hybridization of metaheuristics with other techniques for optimization, and their work reflects the broad shift to problem-oriented rather than algorithm-oriented approaches, enabling faster and more effective implementation in real-life applications. This hybridization is not restricted to different variants of metaheuristics but includes, for example, the combination of mathematical programming, dynamic programming, or constraint programming with metaheuristics, reflecting cross-fertilization in fields such as optimization, algorithmics, mathematical modeling, operations research, statistics, and simulation. The book is a valuable introduction and reference for researchers and graduate students in these domains.