التحسين الأمثل

التحسين الأمثل ( EO ) هو أسلوب استدلالي للتحسين مستوحى من نموذج باك-سنيبن للتنظيم الذاتي الحرج في مجال الفيزياء الإحصائية. صُمم هذا الأسلوب الاستدلالي في البداية لمعالجة مسائل التحسين التوافقي مثل مسألة البائع المتجول ومسألة الزجاج المغزلي ، على الرغم من أنه ثبتت فعاليته في مجالات التحسين.

العلاقة بالتنظيم الذاتي الحرج

تُعدّ الحرجية ذاتية التنظيم (SOC) مفهومًا في الفيزياء الإحصائية لوصف فئة من الأنظمة الديناميكية التي تمتلك نقطة حرجة كجاذب. وتحديدًا، هي أنظمة غير متوازنة تتطور عبر سلسلة من التغيرات والتبددات التي تصل إلى أعلى مستويات النظام. ويُقال إن الحرجية ذاتية التنظيم تُحكم ديناميكيات بعض الأنظمة الطبيعية التي تشهد ظواهر شبيهة بالانفجارات، بما في ذلك تكوين المناظر الطبيعية، والزلازل، والتطور، وديناميكيات حبيبات الأرز وأكوام الرمل. ويكتسب نموذج باك-سنيبن للحرجية ذاتية التنظيم أهمية خاصة هنا، إذ يُمكنه وصف التطور عبر التوازن المتقطع (أحداث الانقراض)، وبالتالي نمذجة التطور كعملية حرجة ذاتية التنظيم.

العلاقة بالتعقيد الحسابي

يُعدّ العمل على التعقيد الحسابي، وتحديدًا إثبات وجود نقاط حرجة في مسائل NP-complete ، عنصرًا آخر في هذا اللغز ، حيث تتشتت الحلول شبه المثلى على نطاق واسع وتفصلها حواجز في فضاء البحث، مما يؤدي إلى تعثر خوارزميات البحث المحلي أو إعاقتها بشدة. وقد كان نموذج التنظيم الذاتي التطوري للحرجية الذي وضعه باك وسنيبن، وملاحظة النقاط الحرجة في مسائل التحسين التوافقي، هما ما أدى إلى تطوير التحسين الأمثل على يد ستيفان بوتشر وألون بيركوس.

التقنية

صُممت خوارزمية EO كخوارزمية بحث محلية لمسائل التحسين التوافقي . على عكس الخوارزميات الجينية ، التي تعمل مع مجموعة من الحلول المرشحة، تُطوّر EO حلاً واحداً وتُجري تعديلات محلية على أسوأ مكوناته. يتطلب هذا اختيار تمثيل مناسب يسمح بتخصيص مقياس جودة ("اللياقة") لكل مكون من مكونات الحل. يختلف هذا عن المناهج الشاملة، مثل تحسين مستعمرات النمل والحوسبة التطورية ، التي تُخصص لياقة متساوية لجميع مكونات الحل بناءً على تقييمها الجماعي مقابل دالة الهدف. تُهيأ الخوارزمية بحل أولي، يمكن إنشاؤه عشوائياً أو اشتقاقه من عملية بحث أخرى.

تعتمد هذه التقنية على البحث الدقيق، وتشبه ظاهريًا تقنية تسلق التلال (البحث المحلي). إلا أن دراسة أكثر تفصيلًا تكشف عن بعض المبادئ المهمة، التي قد تكون قابلة للتطبيق، بل وتتشابه إلى حد ما، مع مناهج أوسع نطاقًا تعتمد على السكان ( الحوسبة التطورية ونظام المناعة الاصطناعي ). يقوم المبدأ الأساسي لهذه الخوارزمية على التحسين من خلال الإزالة الانتقائية للمكونات منخفضة الجودة واستبدالها بمكون مختار عشوائيًا. وهذا يتعارض بوضوح مع الخوارزميات الجينية ، وهي خوارزمية الحوسبة التطورية الأساسية التي تنتقي الحلول الجيدة سعيًا للوصول إلى حلول أفضل.

ينتج عن هذا المبدأ البسيط ديناميكياتٌ فعّالة، منها سلوك بحث قويّ يعتمد على تسلق التلال، وآلية تنوّع تُشبه آلية البحث متعدد المراحل. يُظهر رسم بياني لجودة الحل الشاملة مع مرور الوقت (تكرارات الخوارزمية) فترات تحسّن تليها انهيارات في الجودة (انهيارات متتالية)، تمامًا كما هو موضح في مفهوم التوازن المتقطّع . هذه الانهيارات، أو القفزات الحادة في فضاء البحث، هي التي تُمكّن الخوارزمية من تجاوز الحلول المثلى المحلية، وتُميّز هذا النهج عن إجراءات البحث المحلي الأخرى. مع أنّه يُمكن "تصميم" أو "برمجة" سلوك التوازن المتقطّع هذا، إلا أنّه من المهم التأكيد على أنّه نتيجة طبيعية لمبدأ اختيار المكوّن السلبي، وهو مبدأ أساسي في الخوارزمية.

تم تطبيق EO بشكل أساسي على المشكلات التوافقية مثل تقسيم الرسم البياني ومسألة البائع المتجول ، بالإضافة إلى المشكلات من الفيزياء الإحصائية مثل الزجاج المغزلي .

تنويعات على الموضوع والتطبيقات

طُوِّرت خوارزمية التحسين المتطرف المعمم (GEO) للعمل على سلاسل البتات حيث تُحدَّد جودة المكونات بمعدل التغير المطلق للبت، أو بمساهمة البتات في جودة الحل الكلي. يشمل هذا العمل تطبيقات على مسائل تحسين الدوال القياسية، بالإضافة إلى مجالات المسائل الهندسية. ومن الامتدادات المشابهة لخوارزمية التحسين المتطرف خوارزمية التحسين المتطرف المستمر (CEO).

طُبقت خوارزمية تحسين الكائنات (EO) على تحويل الصور إلى صور نقطية، كما استُخدمت كبحث محلي بعد تطبيق خوارزمية تحسين مستعمرات النمل . واستُخدمت أيضًا لتحديد البنى في الشبكات المعقدة، ولحل مشكلة تتبع أهداف متعددة. وأخيرًا، أُجريت بعض الدراسات حول توزيع الاحتمالات المستخدم للتحكم في عملية الاختيار.

انظر أيضاً

مراجع