Bayesian Tabu Search — Olasılıksal yönlendirme ile hafıza tabanlı yerel arama entegrasyonu
Bayesian Tabu Search — Probabilistic guidance integrated with memory-based local search · Ayrıca şöyle bilinir: BTS, Bayesian-guided tabu search, probabilistic tabu search, Bayes-TS
Bayesian Tabu Search (BTS), klasik Tabu Search'ün hafıza tabanlı yasaklanmış hamle mekanizmasını bir Bayes olasılıksal modeliyle birleştiren hibrit bir meta-sezgiseldir. Bayes bileşeni, geçmiş değerlendirmelerden öğrenerek aday hamleleri puanlar, aramayı umut vadeden bölgelere odaklar; yasak listesi ise döngülenmeyi önler. Bu kombinasyon, pahalı kombinatoryal ve sürekli optimizasyon problemlerinde boşa harcanan fonksiyon değerlendirmelerini azaltır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Amaç fonksiyonunun değerlendirilmesinin pahalı olduğu (örneğin simülasyon, fiziksel deney veya karmaşık hesaplama gerektiren) ve arama uzayı hakkında geçmiş veya önsel bilgilerin bir vekil modeli bilgilendirebileceği durumlarda Bayesian Tabu Search kullanın. Fonksiyon değerlendirmelerinin darboğaz olduğu kombinatoryal çizelgeleme, hiperparametre ayarlama ve mühendislik tasarımında üstündür. Fonksiyon değerlendirmesinin binlerce kez ucuz olduğu durumlarda kaçının - düz Tabu Search veya tam ızgara yöntemleri daha hızlı ve daha basit olacaktır. Anlamlı bir önsel veya geçmiş çalışma verisinin bulunmadığı ve arama uzayının tükenmez aramanın mümkün olduğu kadar küçük olduğu durumlarda da kaçının.
Güçlü yönler & sınırlılıklar
- Vekil modeli kullanarak adayları önceden filtreleyerek pahalı gerçek fonksiyon değerlendirmelerinin sayısını azaltır.
- Hafıza tabanlı hamle yasaklaması yoluyla yerel optimumlardan kaçma yeteneğini miras alır.
- Bayes modeli yinelemeler boyunca iyileşir, bu da sonraki arama adımlarını giderek daha bilgilendirici hale getirir.
- Bilgilendirici önsel çözümler aracılığıyla alan bilgisini doğal olarak içerir.
- Hem kombinatoryal (ayrık) hem de sürekli optimizasyon manzaralarına uygulanabilir.
- Vekil model uydurma, her yineleme için hesaplama ek yükü getirir; bu, değerlendirmelerin ucuz olması durumunda tasarrufları aşabilir.
- Performans, vekil model, çekirdek ve edinme fonksiyonu seçimine büyük ölçüde bağlıdır - ayarlama gerektirir.
- Yasak listesi uzunluğu ve kalıcılık parametreleri hala ayarlanmalıdır ve kötü seçimler aramayı tuzağa düşürebilir veya aşırı kısıtlayabilir.
- Bayes model doğruluğu, yeterli gözlem olmadan çok yüksek boyutlu uzaylarda bozulur.
SSS
Bayesian Tabu Search, düz Bayesian Optimizasyondan nasıl farklıdır?
Düz Bayesian Optimizasyon (BO), tek en iyi sonraki noktayı önermek için bir vekil ve edinme fonksiyonu kullanır, ardından onu değerlendirir. Bayesian Tabu Search, bir komşuluk aday kümesi üretir, vekil ile onları puanlar, ancak döngülenmeyi önlemek için bir yasak listesi de uygular - bu da onu BO'nun sürekli gevşetmesinin garip olduğu ayrık ve kombinatoryal uzaylar için daha uygun hale getirir.
Hangi vekil modeli kullanmalıyım?
Gauss Süreçleri, düşük boyutlu sürekli problemler için iyi çalışır ve kalibre edilmiş belirsizlik tahminleri sağlar. Ağaç Yapılı Parzen Tahmincileri (TPE), karışık ayrık-sürekli uzayları işler ve daha iyi ölçeklenir. Rastgele Orman vekilleri, tamamen kategorik uzaylar için başka bir seçenektir.
Bu hibritte yasak kalıcılığını nasıl ayarlarım?
Yaygın bir başlangıç noktası, 5 ila 15 hamle arasındaki bir kalıcılıktır veya n karar değişkeni sayısı olmak üzere sqrt(n)'dir. Bayes modeli, olasılıksal olarak tekrar ziyaretleri önlemeye yardımcı olduğundan, düz tabu arama ile karşılaştırıldığında daha kısa kalıcılıklar bazen yeterlidir.
Bayesian Tabu Search, küresel optimumu bulmayı garanti eder mi?
Hayır. Tüm meta-sezgisel yöntemler gibi, küresel optimallik garantisi vermez. Bayes bileşeni, sınırlı bir değerlendirme bütçesi dahilinde yüksek kaliteli çözümler bulma olasılığını artırır, ancak gerçek küresel optimuma yakınsama garanti edilmez.
Standart Tabu Search'ü Bayes varyantına ne zaman tercih etmeliyim?
Amaç fonksiyonu değerlendirmelerinin ucuz olduğu (mikrosaniye ila milisaniye) durumlarda, bir vekil modelin uydurulması ve sorgulanmasının ek yükü haklı çıkarılmaz. Standart Tabu Search, aynı duvar saati süresinde çok daha fazla komşu keşfedecektir.
Kaynaklar
- Glover, F. (1989). Tabu search — Part I. ORSA Journal on Computing, 1(3), 190–206. DOI: 10.1287/ijoc.1.3.190 ↗
- Bergstra, J., Bardenet, R., Bengio, Y., Kegl, B. (2011). Algorithms for hyper-parameter optimization. Advances in Neural Information Processing Systems (NIPS), 24, 2546–2554. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Tabu Search — Probabilistic guidance integrated with memory-based local search. ScholarGate. https://scholargate.app/tr/simulation/bayesian-tabu-search
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Genetik AlgoritmaSimülasyon↔ karşılaştır
- Bayesçi OptimizasyonOptimizasyon↔ karşılaştır
- Bayesçi Benzetilmiş TavlamaSimülasyon↔ karşılaştır
- Simulated AnnealingOptimizasyon↔ karşılaştır
- Stokastik Tabu AramaSimülasyon↔ karşılaştır
- Tabu SearchOptimizasyon↔ karşılaştır