چگونگی ارزیابی نتایج الگوریتم‌های هیوریستیک در مقالات علمی

در این پست نکاتی برای ارائه نتایج مقالات علمی در مجلات معتبر بیان‌می‌شود تا به کمک این نکات بتوان مقاله علمی مناسب‌تر و قوی‌تری برای ژورنال‌ها ارسال‌کرد. بدین منظور از مواردی که در برخی از مقالات در ژورنال‌های معتبر به چاپ رسیده، بهره‌برداری‌شده‌است. در ادامه به پنج نکته مهم از این موارد، اشاره‌می‌شود:

نکته اول: چینش پارمترها، نام مسائل و اندازه‌های مختلف مسئله در جدول می‌تواند در شفاف‌سازی ارزیابی نتایج کمک‌کند. همچنین در ترسیم نمودار برای ارزیابی نتایج انتخاب پارامترهای دو محور افقی و عمودی، ابعاد محورها و انتخاب نوع ترسیم نمودار به این شفافیت کمک شایانی‌می‌کند. به طور مثال در مقاله [1] که الگوریتم های ابتکاری برای مسئله جریان کارگاهی (Flowshop) ترکیبی دو مرحله‌ای ارائه‌شده است در Table 1 آن الگوریتم های مختلف به همزاه الگوریتم پیشنهادی نرخ زمان پردازش برای کارهای با اندازه 20،30،40،50 و 100 موردمقایسه قرارگرفته‌است. در ستون و سطر آخر نیز میانگین زمان اجرا هر روش با توجه به اندازه مسئله، نشان‌داده‌شده‌است. همچین در Figure1 این مقاله نرخ خطا براساس اندازه مسئله به نمایش‌درآمده‌است.

دیدگاه فوق ابتکاری

واژه ابر هیوریستیک (Hyper Heuristic) برای اولین بار در سال 1997 توسط دینزینگر و همکارانش در مقاله ای استفاده شده است. دیدگاه ابر هیوریستیک (Hyper Heuristic) یک روش جستجوی ابتکاری است که به دنبال اتوماتیک عمل کردن می باشد. در اغلب موارد با ترکیب تکنیک های یادگیری ماشین، فرآیند انتخاب، ترکیب، تولید یا تطبیق چندین ابتکاری ساده برای حل کارای مسائل جستجوی محاسباتی مورد استفاده قرار می گیرد. ابر هیوریستیک ها (Hyper Heuristics) برخلاف الگوریتم های فراابتکاری که فقط برای حل یک مسئله مورد استفاده قرار می گیرند، یک سیستمی برای حل کلاس هایی از مسائل مختلف ایجاد می کنند. در واقع یک متدولوژی عمومی برای کاربردهای مختلف تولید می کند.

در دسته بندی قدیمی تر ابر هیوریستیک ها به دو دسته بدون یادگیری و با یادگیری تقسیم شده اند. در ابر هیوریستیک بدون یادگیری شامل دیدگاه هایی است که از چندین ابتکاری استفاده می کند اما انتخاب ابتکاری ها براساس ترتیب از پیش تعیین شده می باشد. بنابراین این دسته شامل دیدگاه هایی مانند جستجوی همسایگی متغیر می باشد که در هر بار یک همسایه انتخاب می شود. در دسته ابر هیوریستیک با یادگیری شامل روش هایی است که به طور اتوماتیک کارائی هر ابتکاری مبتنی بر  تاریخچه کارائی آن تغییر می کند. همچنین به کمک برخی از ماشین های یادگیری هدایت می شود.

دو دسته اصلی جدید ابر هیوریستیک، انتخاب ابتکاری (Heuristic Selection) و تولید ابتکاری (Heuristic Generation) می باشد. در دسته “انتخاب ابتکاری” متدولوژی گزینش یا انتخاب روش های ابتکاری موجود می باشد. در دسته “تولید فوق ابتکاری” متدولوژی برای تولید ابتکاری های جدید براساس ترکیب ابتکاری های موجود می باشد.

اتوماتای یادگیر و اتوماتای سلولی

اتوماتای یادگیر یک مدلی است که به طور تصادفی یک عمل از مجموعه متناهی انتخاب می شود و در محیط اعمال می گردد. سپس، محیط عمل انتخاب شده توسط اتوماتای یادگیر را ارزیابی می کند. نتیجه ارزیابی خود را توسط یک سیگنال تقویتی به اتوماتای یادگیر اطلاع می دهد. اتوماتای یادگیر با دریافت سیگنال تقویتی وضعیت خود را بروز کرده و عمل بعدی خود را انتخاب می کند. روش کار اتوماتای یادگیر در شکل 1 نشان داده شده است که در آن محیط را می توان با سه تائی نمایش داد که در آن   مجموعه وردیها است و  نیز مجموعه خروجی ها را نشان می دهد. c نیز مجموعه احتمالات جریمه را نشان می دهد. این نوع از اتوماتا را اتوماتای یادگیر ثابت می نامند. اگر  دو عضوی باشد جریمه و   پاداش را نشان می دهد. نوعی از اتوماتاها بنام اتوماتای یادگیر توزیع شده وجود دارد که شبکه ای از اتوماتای یادگیر برای انجام دادن و یا حل مسئله خاصی با یکدیگر همکاری می کنند. [1]