TL: DR : Siêu trị liệu là siêu dữ liệu, phù hợp để giải quyết các loại vấn đề tối ưu hóa tương tự, nhưng (về nguyên tắc) liên quan đến phương pháp "tạo mẫu nhanh" cho các học viên không phải là chuyên gia. Trong thực tế, có những vấn đề với cách tiếp cận phổ biến, thúc đẩy một viễn cảnh mới nổi về siêu trị liệu 'whitebox' .
Chi tiết hơn:
Siêu dữ liệu là các phương pháp để tìm kiếm một không gian rộng lớn các giải pháp khả thi để tìm ra giải pháp 'chất lượng cao'. Các siêu dữ liệu phổ biến bao gồm Mô phỏng luyện kim, Tìm kiếm Tabu, Thuật toán di truyền, v.v.
Sự khác biệt cơ bản giữa siêu dữ liệu và siêu trị liệu là việc bổ sung một mức độ tìm kiếm: không chính thức, siêu trị liệu có thể được mô tả là "heuristic để tìm kiếm không gian của heuristic". Do đó, người ta có thể sử dụng bất kỳ siêu dữ liệu nào như một siêu heuristic, cung cấp bản chất của 'không gian heuristic' để tìm kiếm được xác định một cách thích hợp.
Do đó, khu vực ứng dụng cho siêu trị liệu cũng giống như siêu dữ liệu. Khả năng ứng dụng của chúng (liên quan đến siêu dữ liệu) là một 'công cụ tạo mẫu nhanh': động lực ban đầu là cho phép các học viên không phải là chuyên gia áp dụng siêu dữ liệu cho vấn đề tối ưu hóa cụ thể của họ (ví dụ: "Người bán hàng du lịch (TSP) cộng với cửa sổ thời gian cộng với bin- đóng gói ") mà không đòi hỏi chuyên môn trong lĩnh vực vấn đề đặc biệt cao. Ý tưởng là điều này có thể được thực hiện bởi:
- Cho phép các học viên chỉ thực hiện các phương pháp phỏng đoán rất đơn giản (hiệu quả, ngẫu nhiên) để chuyển đổi các giải pháp tiềm năng. Ví dụ, đối với TSP: "hoán đổi hai thành phố ngẫu nhiên" thay vì (nói) heuristic phức tạp hơn Lin-Kernighan .
- Đạt được kết quả hiệu quả (mặc dù sử dụng các phương pháp phỏng đoán đơn giản này) bằng cách kết hợp / giải trình tự chúng theo cách thông minh, thông thường bằng cách sử dụng một số hình thức cơ chế học tập.
Các siêu trị liệu có thể được mô tả là 'chọn lọc' hoặc 'tổng quát' tùy thuộc vào việc các heuristic được (tương ứng) được xâu chuỗi hay kết hợp. Do đó, siêu heuristic tạo ra thường sử dụng các phương pháp như Lập trình di truyền để kết hợp các heuristic nguyên thủy và do đó thường được người thực hành tùy chỉnh để giải quyết một vấn đề cụ thể. Ví dụ, bài báo gốc về siêu trị liệu tổng quát đã sử dụng Hệ thống phân loại học tập để kết hợp các phương pháp phỏng đoán để đóng gói. Bởi vì cách tiếp cận khái quát là vấn đề cụ thể, các ý kiến dưới đây không áp dụng cho chúng.
Ngược lại, động lực ban đầu của siêu trị liệu chọn lọc là các nhà nghiên cứu sẽ có thể tạo ra một bộ giải siêu trị mà sau đó có khả năng hoạt động tốt trong một miền có vấn đề vô hình, chỉ sử dụng các phương pháp phỏng đoán ngẫu nhiên đơn giản.
Cách mà điều này đã được thực hiện theo truyền thống là thông qua việc giới thiệu 'hàng rào miền siêu heuristic' (xem hình bên dưới), theo đó, tính tổng quát trên các lĩnh vực có vấn đề được tuyên bố là có thể đạt được bằng cách ngăn người giải quyết có kiến thức về miền. nó đang hoạt động Thay vào đó, nó sẽ giải quyết vấn đề bằng cách chỉ hoạt động trên các chỉ số nguyên mờ vào một danh sách các heuristic có sẵn (ví dụ theo cách của 'Vấn đề tên cướp đa vũ trang' ).
Trong thực tế, phương pháp "mù miền" này không mang lại giải pháp đủ chất lượng. Để đạt được kết quả ở bất cứ nơi nào có thể so sánh với siêu dữ liệu đặc thù của vấn đề, các nhà nghiên cứu siêu kinh nghiệm đã phải thực hiện các phương pháp phỏng đoán đặc hiệu cho vấn đề phức tạp, do đó thất bại trong mục tiêu tạo mẫu nhanh.
Về nguyên tắc vẫn có thể tạo ra một bộ giải siêu heuristic chọn lọc có khả năng khái quát hóa cho các miền vấn đề mới, nhưng điều này đã trở nên khó khăn hơn vì khái niệm về rào cản miền trên có nghĩa là chỉ có một bộ tính năng rất hạn chế có sẵn cho chéo học tập tên miền (ví dụ như được minh họa bởi một khung siêu heuristic chọn lọc phổ biến ).
Một quan điểm nghiên cứu gần đây hơn đối với các siêu trị liệu 'whitebox' ủng hộ cách tiếp cận giàu tính khai báo để mô tả các lĩnh vực vấn đề. Cách tiếp cận này có một số lợi thế được yêu cầu:
- Các học viên bây giờ không cần phải thực hiện heuristic nữa, mà chỉ đơn giản là chỉ định miền vấn đề.
- Nó loại bỏ rào cản tên miền, đặt siêu năng lực vào cùng trạng thái 'được thông báo' về vấn đề như siêu dữ liệu cụ thể của vấn đề.
- Với một mô tả vấn đề về whitebox, định lý 'Không ăn trưa miễn phí' khét tiếng (về cơ bản nói rằng, được xem xét trong không gian của tất cả các vấn đề về hộp đen , Trung bình mô phỏng với một lịch trình ủ vô hạn, cũng tốt như mọi phương pháp khác) áp dụng lâu hơn.
TUYÊN BỐ TỪ CHỐI: Tôi làm việc trong lĩnh vực nghiên cứu này và do đó không thể loại bỏ mọi thành kiến cá nhân khỏi câu trả lời.