Metaheuristics: Computer Decision-Making

بهینه سازی ترکیبی فرآیند یافتن بهترین یا بهینه ترین راه حل برای مسائل با مجموعه ای مجزا از راه حل های امکان پذیر است. کاربردها در تنظیمات متعددی که شامل مدیریت عملیات و لجستیک می‌شوند، مانند مسیریابی، زمان‌بندی، بسته‌بندی، مدیریت موجودی و تولید، مکان‌یابی، منطق و تخصیص منابع به وجود می‌آیند. تأثیر اقتصادی بهینه‌سازی ترکیبی عمیق است و بر بخش‌هایی مانند حمل‌ونقل (ایرلاین‌ها، حمل‌ونقل، راه‌آهن و کشتی‌رانی)، جنگل‌داری، تولید، تدارکات، هوافضا، انرژی (نیروی برق، نفت و گاز طبیعی)، مخابرات تأثیر می‌گذارد. ، بیوتکنولوژی، خدمات مالی و کشاورزی. در حالی که پیشرفت زیادی در یافتن راه‌حل‌های دقیق (به‌طور قابل اثبات بهینه) برای برخی مسائل بهینه‌سازی ترکیبی انجام شده است، با استفاده از تکنیک‌هایی مانند برنامه‌نویسی پویا، صفحات برش، و روش‌های شاخه و برش، بسیاری از مسائل ترکیبی سخت هنوز دقیقاً حل نشده‌اند و نیاز به اکتشافی خوب دارند. مواد و روش ها. علاوه بر این، دستیابی به «راه‌حل‌های بهینه» در بسیاری موارد بی‌معنی است، زیرا در عمل اغلب با مدل‌هایی سروکار داریم که ساده‌سازی‌های تقریبی واقعیت هستند. هدف روش‌های اکتشافی برای بهینه‌سازی ترکیبی، تولید سریع راه‌حل‌های با کیفیت خوب است، بدون اینکه الزاماً تضمینی برای کیفیت راه‌حل ارائه شود. فراابتکاری رویه‌های سطح بالایی هستند که اکتشافی‌های ساده مانند جستجوی محلی را برای یافتن راه‌حل‌هایی که کیفیت بهتری نسبت به روش‌های اکتشافی ساده پیدا می‌کنند هماهنگ می‌کنند: فراابتکاری مودم شامل بازپخت شبیه‌سازی شده، الگوریتم‌های ژنتیک، جستجوی تابو، GRASP، جستجوی پراکنده، بهینه‌سازی کلنی مورچه‌ها، جستجوی محله متغیر، و هیبریدهای آنها.

Combinatorial optimization is the process of finding the best, or optimal, so­ lution for problems with a discrete set of feasible solutions. Applications arise in numerous settings involving operations management and logistics, such as routing, scheduling, packing, inventory and production management, lo­ cation, logic, and assignment of resources. The economic impact of combi­ natorial optimization is profound, affecting sectors as diverse as transporta­ tion (airlines, trucking, rail, and shipping), forestry, manufacturing, logistics, aerospace, energy (electrical power, petroleum, and natural gas), telecommu­ nications, biotechnology, financial services, and agriculture. While much progress has been made in finding exact (provably optimal) so­ lutions to some combinatorial optimization problems, using techniques such as dynamic programming, cutting planes, and branch and cut methods, many hard combinatorial problems are still not solved exactly and require good heuristic methods. Moreover, reaching "optimal solutions" is in many cases meaningless, as in practice we are often dealing with models that are rough simplifications of reality. The aim of heuristic methods for combinatorial op­ timization is to quickly produce good-quality solutions, without necessarily providing any guarantee of solution quality. Metaheuristics are high level procedures that coordinate simple heuristics, such as local search, to find solu­ tions that are of better quality than those found by the simple heuristics alone: Modem metaheuristics include simulated annealing, genetic algorithms, tabu search, GRASP, scatter search, ant colony optimization, variable neighborhood search, and their hybrids.