Computational Intelligence in Optimization - 9783642127748

Optimeerimine on teaduse ja tehnika lahutamatu osa. Enamik reaalmaailma rakendusi hõlmab keerulisi optimeerimisprotsesse, mida on keeruline lahendada ilma täiustatud arvutustööriistadeta. Seoses praeguste rakenduste täielike optimeerimise eesmärkidega seotud kasvavate väljakutsetega on tugev tung teaduslike optimeerijate arendamise edendamiseks. Esilekerkivate probleemidega kaasnevad väljakutsed on järgmised: * objektiivsed funktsioonid, mille hindamine on ülemäära kallis, nii et tavaliselt saab kogu otsingu jooksul teha vaid väike arv objektiivsete funktsioonide hindamisi, * objektiivsed funktsioonid, mis on väga multimodaalsed või katkendlikud, ja * mittestatsionaarsed probleemid, mis võivad ajas muutuda (dünaamiline). ). Klassikalised optimeerijad võivad selliste väljakutsetega silmitsi seistes halvasti toimida või isegi ebaõnnestuda algvektoriga võrreldes. See on motiveerinud teadlasi uurima arvutusliku intelligentsuse (CI) kasutamist, et täiustada klassikalisi meetodeid selliste keeruliste probleemide lahendamisel. Sellised meetodid hõlmavad populatsioonipõhiseid otsingumeetodeid, nagu: a) evolutsioonilised algoritmid ja osakeste sülemi optimeerimine ning b) mittelineaarne kaardistamine ja teadmiste lisamise lähenemisviisid, näiteks sotsiaalsed närvivõrgud ja häguloogika. On näidatud, et sellised lähenemisviisid toimivad hästi keerulistes tingimustes. Konkreetsemalt on CI võimsad tööriistad, millel on mitmeid potentsiaalseid eeliseid, näiteks: a) vastupidavus (määrab sihtfunktsioonile vähe või üldse mitte nõudeid) b) mitmekülgsus (käsitseb väga mittelineaarseid kaardistusi) c) isekohanemine jõudluse parandamine ja d) paralleelne töötamine (muutes keeruliste ülesannete lahtihaakimise lihtsaks). CI-meetodite edukas rakendamine reaalsete probleemide lahendamisel ei ole aga lihtne ja nõuab nii ekspertteadmisi kui ka katse-eksituse meetodil tehtud katseid.