Hőmérséklet és részecskék mozgása

A lehető legjobb eredmény elérésének a folyamata meghatározott feltételek között.

Egy optimalizációs probléma definiálására használt matematikai kifejezés. Három fő komponensből áll: a keresési tér, a célfüggvény és a megszorítások halmaza.

Az a függvény, amelyet optimalizálni szeretnénk. A függvény ábrázolása egy adott ponton mutatja a probléma megoldásának a minőségét.

Az a pont a keresési térben, ahol a célfüggvény a legkisebb értéket veszi fel.

Az a pont a keresési térben, ahol a célfüggvény a legnagyobb értéket veszi fel.

Az a pont a keresési térben, ahol a célfüggvény értéke kisebb vagy egyenlő, mint az adott pont közvetlen szomszédságában lévő pontok értéke.

Az optimalizációs problémák egy típusa, amelynek célja az összes vagy a lehető legtöbb lokális optimum megtalálása.

Egy optimizációs algoritmus, amely alkalmazkodik a probléma környezetének változásaihoz, például a célfüggvény dinamikusan változó értékeihez.

Az algoritmusok olyan osztálya, ahol a véletlen is szerepet játszik a megoldás keresésében.

Egy metaheurisztikus algoritmus, amely egy véletlen megoldástól indul, és lépésről lépésre próbálja javítani a megoldást.

A hegymászó algoritmusnak egy problémája, hogy könnyen beragadhat helyi optimumokba, ahol a szomszédos megoldások nem jobb az aktuális megoldásnál.

A metaheurisztikus algoritmusok egy típusa, amely egy tabu listát használ, hogy elkerülje a már kipróbált, de nem megfelelő megoldásokhoz való visszatérést.

Egy metaheurisztikus algoritmus, amely képes véletlen lépéseket tenni, még ha ezek rosszabb megoldást is jelentenek, hogy elkerülje a lokális optimumokba való beragadást.

A szimulált lehűtés algoritmusának egy paramétere, amely a véletlen lépések valószínűségét befolyásolja.

A részecskék mozgásának sebességét szabályozó paraméter. Minél nagyobb az értéke, annál gyorsabban mozognak és annál nagyobb lépéseket tesznek a keresési térben.

A részecskenek hatókörét meghatározható különböző topológiák szerint. A gyűrű topológiában a részecskék egymáshoz kapcsolódnak egy gyűrűben, és csak a szomszédos részecskékkel kommunikálnak.

A részecskék legjobb értékének és az informátor legjobb értékének a relatív fontosságát szabályozó paraméter. Ha az érték nagy, a keresés a globális legjobb érték felé irányul. Ha az érték kicsi, a keresés inkább a globális legjobb értékre vonatkozó információ irányába megy.

A részecskéknek a keresési térben való mozgásának módját meghatározó paraméter. A gyorsabb lehűlés nagyobb valószínűséggel juttat el a lokális optimumokhoz, míg a lassabb lehűlés nagyobb valószínűséggel jut el a globális optimumhoz.

Többcélú optimalizálási probléma, ahol a célfüggvények értékei többféle módon maximalizálhatók, és nincs egyetlen legjobb megoldás.

A többcélú optimalizációs problémák megoldásának egyik technikája, ahol a célfüggvényeket kombinálják egyetlen, súlyozott összeggé.

A többcélú optimalizációs problémák megoldásának egyik technikája, ahol a célok közötti távolságot minimalizálják egy referenciaponttól.

A többcélú optimalizációs problémák megoldásában az optimális megoldások halmaza, ahol egyik célfüggvény sem javítható anélkül, hogy egy másik romlana.

A megoldások rangsorolása alapján, hogy hány más megoldás dominálja őket.

A megoldások rangsorolása alapján, hogy hány más megoldást dominálnak.

A megoldások rangsorolása alapján, hogy melyik Pareto fronton találhatók.

A megoldások rangsorolása alapján, hogy hány más megoldás dominálja őket.

A genetikus algoritmusok egyik operátora, amely új megoldásokat hoz létre.

A genetikus algoritmusok egyik operátora, amely új megoldásokat hoz létre két meglévő megoldás kombinálásával.

A kereszteződés során az α paraméter egy fix érték, amely a keresztezés pontját határozza meg.

Az α paraméter egy véletlenszerű szám, amely minden keresztezési alkalommal különböző értéket vehet fel.

Az α paraméter értéke a program futása során változhat, ezáltal dinamikusabb keresztezési folyamatot eredményezhet.

A genetikus algoritmusok egy algoritmuscsalád, amelyek az evolúciós algoritmusok részét képezik. Egy lehetséges megoldást kromoszóma-szerű adatstruktúrában tárolnak, amelyek természetből inspirált fogalmakat használnak, mint az öröklődés, mutáció, kiválasztás és keresztezés.

A kromoszómák reprezentációs módja, ahol a genetikus algoritmusban egy megoldást 0-ás és 1-es számok listájaként fejezünk ki.

Az egyedek kromoszómáinak egy részét keresztezik, a meghatározott pont (k) és α paraméter alapján.

A kromoszómák reprezentációs módja, ahol a genetikus algoritmusban egy megoldást egyetlen számlista képezi, amelynek elemei egymás permutációi.

Az egyedek kromoszómáinak egyetlen pontját (k) keresztezik az α paraméter alapján.

Az egyedek kromoszómáinak minden pontját keresztezik az α paraméter alapján.

A kromoszómák reprezentációs módja, ahol a genetikus algoritmusban egy megoldást egész számok listájaként fejezünk ki.

Az egyedek kromoszómáinak egy részének a sorrendjét cserélik ki.

A kromoszómák reprezentációs módja, ahol a genetikus algoritmusban egy megoldást valós számok listájaként fejezünk ki.

Az egyedek kromoszómáinak szegmenseit cserélik ki.

A FlipBit mutáció egy olyan mutációs operátor, amely egy gén értékét megfordítja (0-t 1-re, 1-t 0-ra).

Az egyedek kromoszómáinak sorrendjét cserélik ki, a keresztezési pont a kromoszómák szomszédos részei között van.

A swap mutáció egy olyan mutációs operátor, amely a kromoszóma két elemének indexét megcseréli.

Az egyedek kromoszómáit ciklusokban rendezik, és a ciklusokban lévő kromoszómaszegmenseket cserélik ki.

A keresztezés egy olyan genetikus operátor, amely két szülő kromoszómából új utód kromoszómákat hoz létre.

A genetikus algoritmusokban egy olyan operátor, amely a populációból a legjobban illeszkedő kromoszómákat választja ki a következő generáció számára.