하이퍼 휴리스틱이란 무엇입니까?
답변:
TL : DR : 하이퍼 휴리스틱 은 메타 휴리스틱 으로 , 같은 종류의 최적화 문제를 해결하는 데 적합하지만 원칙적으로 비전문가 실무자에게 "빠른 프로토 타이핑"방식을 제공합니다. 실제로, 'whitebox'하이퍼 휴리스틱 에 대한 새로운 시각을 불러 일으키는 일반적인 접근 방식에 문제가 있습니다 .
더 자세하게:
Metaheuristics는 '고품질'솔루션을 찾기 위해 엄청나게 넓은 가능한 솔루션 공간을 검색하는 방법입니다. 인기있는 메타 휴리스틱에는 시뮬레이션 어닐링, 타부 검색, 유전자 알고리즘 등이 있습니다.
메타 휴리스틱 스와 하이퍼 휴리스틱 스의 본질적인 차이점은 검색 간접 검색 수준을 추가하는 것입니다. 그러므로 어떤 휴리스틱을 하이퍼 휴리스틱으로 사용할 수 있으며, 검색 될 '휴리스틱 공간'의 특성이 적절히 정의됩니다.
하이퍼 휴리스틱 스의 적용 영역은 메타 휴리스틱 스와 동일합니다. 그들의 적용 가능성 (유사 론에 비해)은 '빠른 프로토 타이핑 도구'입니다. 원래 동기는 비전문가가 실무자들이 특정 최적화 문제에 메타 휴리스틱을 적용 할 수 있도록하는 것이 었습니다 (예 : "Travelling-Salesman (TSP) 플러스 시간 창 + bin- 포장 ")를 수정하여 특정 분야의 전문 지식을 요구하지 않습니다. 아이디어는 다음을 통해 수행 할 수 있다는 것입니다.
- 실무자는 잠재적 솔루션을 변환하기 위해 매우 단순하고 (효과적으로 무작위 화 된) 휴리스틱 만 구현할 수 있습니다. 예를 들어, TSP의 경우 : 더 복잡한 Lin-Kernighan 휴리스틱 보다는 "두 개의 임의 도시 교체" .
- 지능적인 방식으로, 일반적으로 어떤 형태의 학습 메커니즘을 사용하여 결과를 결합 / 시퀀싱하여 효과적인 결과 (이 간단한 휴리스틱을 사용하더라도)를 달성합니다.
하이퍼 휴리스틱은 휴리스틱이 (각각) 시퀀싱 또는 결합되는지에 따라 '선택적'또는 '생성 적'으로 설명 될 수 있습니다. 따라서 생성 된 하이퍼 휴리스틱은 종종 유전자 프로그래밍과 같은 방법을 사용하여 프리미티브 휴리스틱을 결합하므로 일반적으로 전문의가 특정 문제를 해결하도록 사용자 정의됩니다. 예를 들어, 생성 하이퍼 휴리스틱에 대한 원본 논문 은 학습 분류기 시스템을 사용하여 빈 팩킹을위한 휴리스틱을 결합했습니다. 생성 방식은 문제에 따라 다르므로 아래 주석은 적용되지 않습니다.
대조적으로, 선택적 하이퍼 휴리스틱 스에 대한 원래 동기 는 연구자들이 단순한 무작위 휴리스틱 만 사용하여 보이지 않는 문제 영역에서 잘 작동하는 하이퍼 휴리스틱 솔버를 만들 수 있다는 것입니다.
이것이 전통적으로 구현 된 방식은 '하이퍼 휴리스틱 도메인 장벽' (아래 그림 참조)을 도입하는 것이 었으며 ,이를 통해 솔버가 해당 도메인에 대한 지식을 갖지 못하게하여 문제 도메인 전체의 일반성을 달성 할 수 있다고 주장합니다. 작동 중입니다. 대신, 사용 가능한 휴리스틱 목록으로 불투명 정수 인덱스에서만 작동하여 문제를 해결합니다 (예 : 'Multi-armed Bandit Problem'방식 ).
실제로이 '도메인 블라인드'방식은 충분한 품질의 솔루션을 얻지 못했습니다. 문제 별 메타 휴리스틱에 필적하는 결과를 얻기 위해 하이퍼 휴리스틱 연구자들은 복잡한 문제 별 휴리스틱을 구현해야했기 때문에 빠른 프로토 타입 제작에 실패했습니다.
원칙적 으로 새로운 문제 도메인으로 일반화 할 수있는 선택적 하이퍼 휴리스틱 솔버를 생성하는 것이 여전히 가능 하지만, 도메인 장벽이라는 개념은 크로스에 대해 매우 제한된 기능 세트 만 사용할 수 있기 때문에 더욱 어려워졌습니다. -도메인 학습 (예 : 대중적인 선택적 초 휴리스틱 프레임 워크 로 예시 ).
'화이트 박스 (whitebox)'하이퍼 휴리스틱 스에 대한보다 최근의 연구 관점은 문제 영역을 설명하는 선언적이고 기능이 풍부한 접근 방식을 옹호합니다. 이 방법에는 여러 가지 장점이 있습니다.
- 실무자들은 더 이상 휴리스틱을 구현할 필요가없고 문제 영역을 지정 하기 만하면 됩니다.
- 도메인 장벽을 제거하여 하이퍼 휴리스틱을 문제 별 메타 휴리스틱 스와 같은 문제에 대해 동일한 '정보'상태로 만듭니다.
- 화이트 박스 문제 설명과 함께 악명 높은 '무료 점심 식사'정리 (기본적으로 모든 블랙 박스 문제 의 공간을 고려할 때 무한 어닐링 일정으로 시뮬레이션 된 어닐링은 평균적으로 다른 접근 방식만큼 우수함) 더 이상 적용됩니다.
면책 조항 : 나는이 연구 분야에서 일하고 있으므로 답에서 모든 개인적인 편견을 제거하는 것은 불가능합니다.