Евристика для оптимізації


9

Оскільки п’ятниця, настав час для питання CW. Я шукаю евристику, яка широко використовує проблеми оптимізації. Щоб обмежити сферу застосування більш «теоретично-приємної» евристики, ось правила (деякі довільні, деякі ні)

  • Це повинен бути чітко визначений метод без численних параметрів і з конкретним часом роботи (можливо, за ітерацією)
  • З нею повинні бути пов'язані деякі відомі теоретичні результати (швидкість конвергенції, межі наближення, якщо такі є, нерухомі властивості тощо)
  • Він повинен мати широку застосованість і хоча б одне флагманське додаток, коли це або метод вибору, або один із кількох.
  • вона не повинна бути натхненною природою (хоча це здається легковажним запереченням, я намагаюся виключити генетичні алгоритми, оптимізацію колонії мурашок тощо).

Відповіді в ідеалі мають бути у такому форматі: ось приклад.

Ім'я : Черговий оптимізатор

Мета : мінімізувати (як правило, невипуклу) функціюf(x,y)

Умови : Асоційовані функції і h (y) = \ min_x f (x, y) є опуклимиg(x)=minyf(x,y)h(y)=minxf(x,y)

Алгоритм : ith ітерація починається з xi,yi .

  1. xi+1argminxf(x,yi)
  2. yi+1argminyf(xi+1,y)

Найвідоміший додаток : k -значення, переглянута найближча пара.

Теорія : Відомі результати щодо -засобів, загальні достатні умови для глобальної оптимальності фреймворкуk

ps Ви можете виявити, що ваша відповідь закінчується лекцією на семінарі з алгоритмів, який я планую :)


"це не повинно надихати природу (хоча це здається легковажним запереченням, я намагаюся виключити генетичні алгоритми, оптимізацію колонії мурашок тощо)". Тож ніякого модельованого відпалу, статистичної механіки тощо?
Джо Фіцсімонс

У мене фактично немає проблем із імітованим відпалом, і коли я це писав, я намагався знайти спосіб зберегти SA та виключити ГА :).
Суреш Венкат

Відповіді:


2

Найменування: повторене зважене найменше квадратне завдання
: мінімізувати функцію форми , , , Умови: залежать від випадку Алгоритм: очевидний - фіксуйте ваги, вирішуйте квадратичну задачу, перерахуйте ваги Найвідоміший додаток: геометрична медіана, М-оцінка, норма , стиснене зондування Теорія: доведено на кожному конкретному випадкуш(θ)Ж(θ)2θRнЖ(θ)Rмш(θ)R


Lp

Використовуючи наш веб-сайт, ви визнаєте, що прочитали та зрозуміли наші Політику щодо файлів cookie та Політику конфіденційності.
Licensed under cc by-sa 3.0 with attribution required.