metaheuristic

• bir çok kombinatoryal optimizasyon probleminin çözümünde kullanilabilen genel sezgisellerdir. temel mantiklari komsu çözümleri arastirarak, adim adim iyilestirme yaparak optimum sonuca yakin degerler elde etmeleridir. (bkz: heuristic). bunlarin en bilinenleri:
  1)tavlama benzetimi(bkz: simulated annealing)
  2)genetik algoritma (bkz: genetic algorithm)
  3)sinir aglari(bkz: neural networks),
  4)(bkz: tabu arastirma algoritmasi)(bkz: tabu search)
  5)karinca kolonisi algoritmalari (bkz: ant colony algorithms)
• üstsezgisel demektir.
  
  çeşitli problemlerin çözümünde sezgisel - doğrusal programlama vb - yaklaşımlar yeterli olmadığı zaman meta-sezgisel yaklaşımlar kullanılır.
  
  bulanık mantık, yapay bağışıklık sistemleri, karınca kolonisi algoritması gibi pek çok metasezgisel yaklaşım bulunmaktadır.
• parametrik sezgisellerdir.
  genelde endüstri mühendislerinin çalışma alanlarında çözülmeye çalışılan büyük kombinatoryal optimizasyon problemlerinin optimum çözümlerinin bulunamamasından dolayı, optimuma daha yakın çözümler üreten yöntemler/algoritmalardır.
  
  sezgisel algoritmalar tur kurucu ve geliştirme esaslı olarak ikiye ayrılır. nearest neighbors ve saving tur kurucu sezgiseller iken, lin kernighan, 2-opt, 3-opt geliştirme esaslı sezgisel algoritmalardır.
  
  sezgisel yöntemlerden farklı olarak metasezgisel algoritmalar parametriktir. genetik algoritmayı örnek verecek olursak; çaprazlama yöntemleri, çaprazlama oranı veya popülasyon büyüklüğü problemin özelliğine göre seçilebilecek farklı parametre setlerini barındırır.
• 2016 yılında euro (the association of european operational research societies) tarafından finanse edilecek olan bir haftalık organizasyonda özellikle doktora seviyesindeki öğrencilerin araç rotalama problemi çalışmalarının inceleneceği bilimsel yöntem.
  
  https://sites.google.com/…eps2016matheuristics/home
• bir vesileyle firefly algorithm (ateş böceği algoritması) çeşidi araştırma konum oldu. çok yeni bir algoritma ve oldukça da hızlı ve efektif. olası çözüm adayları ateş böcekleri olarak düşünülüyor. her seferinde gerçek çözüme yakınlığa göre aday çözümler puanlanıyor bu da ateş böceğinin parlaklığını belirleyen şey oluyor. her böcek hem kendinden daha parlağa gidiyor hem de biraz random hareket ediyor, böylece temsil ettiği çözüm geliştirilmiş oluyor. daha iyi bir çözüme yaklaşanın parlaklığı artmış oluyor. böylece ışığa yönele yönele optimum çözümün iç aydınlatan güneşinden kaçılamıyor, belli sayıda bir iterasyondan sonra bütün böcekler optimum çözümlerde toplanmış oluyor.
  
  evet ne diyon lan sen değişikleri alalım
• phd mezunu olarak eger endustride ise basvurursaniz, mulakatlarda gelebilecek soru konusudur.
• incelenen problem için sürekli veriler söz konusu ise diferansiyel gelişim algoritması ve big bang big crunch algorithm kullanılması,
  kesikli veriler söz konusu ise cuckoo search algorithm ve genetik algoritma kullanılması önerilebilecek yöntem(ler).
• (bkz: computational complexity/#60793765)
  (bkz: np-complete/@kabahatinbuyugukendisindeolanadam)
  (bkz: kombinatoryal optimizasyon/#60683355)
  (bkz: heuristic/#60229000)
  (bkz: np-hard/#60346448)
• bir optimizasyon probleminin cozumu icin genel olarak iki teknik vardir:
  
  1) kesin metotlar (exact methods): problemin global optimum cevabini bulan metot ya da algoritmalardir. kucuk boyuttaki veya polinomsal zamanda çözülen problemler (polynomial time problems) icin kesin metotlar, hizli ve kesin bir sekilde size optimum sonucu verir. fakat üstel zamanda çözülen bir probleme (exponential time problem, np-hard problem) denk gelirseniz, ozellikle problem buyuk boyutlu ise kesin metotlariniz global cozumu kabul edilebilir bir zaman dilimi icerisinde bulamayacaktir. dogrusal programlama (linear programming) kesin metotlara ornektir.
  
  2) yaklasik metotlar (approximation methods): kesin metotlar ile cozumu cok zor olan (cok vakit alan) optimizasyon problemlerinin cevabini hizli bir sekilde (polinomsal zamanda) global optimum'dan feragat ederek bulmaya yarayan metotlardir. hizli calismalarina ragmen en buyuk dezavantajlari, global optimum'a ulasmayi garanti edememeleridir. yaklasik metotlar sezgisel (heuristic) ve meta-sezgisel (metaheuristic) olmak uzere iki temel gruba ayrilir. (not: son donemde bir de hyper-heuristic kavrami cikti, buraya hic girmiyorum^*)
  
  sezgisel metotlar (heuristics) genellikle probleme ozgudur (problem-specific). yani mevcut probleminiz icin tanimladiginiz bir sezgisel metot baska bir problem ile calismaz. ornegin gezgin satici problemi (travelling salesman problem) icin gelistirilmis christofides algoritmasi bir sezgisel metottur ve sadece mevzubahis problemin cozumu icin kullanilabilir. sezgisel metotlar genellikle acgozlu bir yaklasim (greedy approach) gosterdikleri icin local optimum'da kapana kisilma ve global optimum'u bulamama riskleri yuksektir. ayrica basarili sezgisel yaklasimlarin global optimumdan en fazla ne kadar uzakta olduklarini kanitlamalari beklenir. ornegin "1.5 approximation" ozelligine sahip oldugu gosterilen (kanitlanan) bir sezgisel yaklasimin global optimum'dan en kotu ihtimalle %50 daha kotu sonuc verecegini biliriz.
  
  meta-sezgisel metotlar (metaheuristics) ise problemden bagimsiz, her problem tipi icin calisabilen metotlardir. yine sezgisel metotlardan farkli olarak cogu zaman acgozlu yaklasim gostermezler. yani metodun (ya da algoritmanin) her iterasyonunda daha iyi bir cevaba gitmez zorundayim diye tutturmazlar. bazen optimumdan gecici olarak uzaklasmayi goze alirlar ve bu sayede cozum uzayini (solution space) sezgisel metotlara kiyasla daha iyi tarama ve local optimum kapanindan kurtularak global optimum'u denk getirme sanslarini arttirirlar. temelde solution space'i taramak icin ne kadar cok zaman verilirse o kadar basarili olurlar. bu nedenle sezgilse metotlardaki gibi "en kotu ihtimalde dahi global optimum'dan yuzde su kadar uzakta olmayi garanti ediyorum" diyemezler cunku global optimum'a ne kadar yaklastiklarini calisma sureleri (running time) belirler. genetic algorithm, simulated annealing ve tabu search en bilinen meta-sezgisel metotlara ornektir.
• master'a kabul mülakatımda "meta heuristic ve heuristic'in farkı nedir?" gibi bir soruyla karşı karşıya kalmıştım. buraya da tanımını gireyim madem.
  
  heuristic genel olarak "çözebilmenin çok uzun süre aldığı problemlere sezgisel yaklaşarak çok çok daha kısa bir sürede akılcı bir şekilde çözüme yaklaşmaya veya varmaya çalışmak" demektir.(tabii ki heuristicler çözüme varacağınızın garantisini vermez, bu da ayrı bir detay.)
  
  metaheuristicler ise akılcı ve sezgisel(ya da öğrenilmiş) bir şekilde çözüme yaklaşma yolunu da gösterir. burada neyi nasıl yapacağın bellidir, bunun akılcı olduğu bellidir, büyük ihtimalle işe de yarayacaktır. neyi nasıl yapacağı belli olduğu için problemden probleme farklılık göstermez. bir "outline" vardır yani.
  
  çok basit bir örnek olarak:
  "yola çıkmadan trafiği hesaba katayım yahu, bunu da xxx şekilde yapayım." bir heuristic ise,
  "yola çıkmadan trafiği hesaba katayım yahu, telefonumdaki uygulamadan trafiği kontrol edeyim." metaheuristictir.
  
  hangi ülkede olduğunuzdan bağımsız olarak uygulamadan trafik kontrol edilebilir, ama her xxx her ülkede uygulanamaz.