Çok Amaçlı Benzetimli Tavlama (MOSA)
Multi-Objective Simulated Annealing · Ayrıca şöyle bilinir: MOSA, Multi-Criteria Simulated Annealing, Pareto Simulated Annealing, PSA
Çok Amaçlı Benzetimli Tavlama (MOSA), klasik benzetimli tavlama meta-sezgisini, birbiriyle çelişen iki veya daha fazla amaç fonksiyonu içeren problemlere genişletir. Tek bir optimuma yakınsamak yerine, MOSA çözüm uzayını stokastik olarak keşfeder ve baskın olmayan (Pareto-optimal) çözümlerden oluşan bir arşiv tutar; bu sayede karar vericilere tek bir belirlenmiş yanıt yerine çeşitli bir ödünleşim cephesi sunar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
MOSA'yı, iki veya daha fazla çelişkili amaca ve sürekli veya kombinatoryal karar değişkenlerine sahip bir optimizasyon problemiyle karşılaştığınızda kullanın, özellikle amaç yüzeyi dışbükey olmayan, çok modlu veya gradyan içermeyen durumlarda. Tek bir ağırlıklı toplam yerine açık bir ödünleşim cephesinin daha faydalı olduğu çizelgeleme, rotalama, mühendislik tasarımı ve kaynak tahsisi problemlerine çok uygundur. Belirsizlik nicelemesi yerine optimizasyona ihtiyacınız olduğunda, tamamen stokastik Monte Carlo yöntemlerine göre MOSA'yı tercih edin. Problemin tek bir amacı olduğunda (klasik SA yeterlidir), Pareto cephesinin tam olarak bulunması gerektiğinde (küçük problemler için kesin algoritmalar daha iyidir), amaç sayısı kabaca beşten fazla olduğunda (hiperhacim tabanlı yöntemler daha iyi ölçeklenir) veya amaçların değerlendirilmesi çağrı başına son derece pahalı olduğunda (vekil tabanlı yöntemler tercih edilir) MOSA'yı KULLANMAYIN.
Güçlü yönler & sınırlılıklar
- Gradyan bilgisi gerektirmez ve dışbükey olmayan, süreksiz ve çok modlu amaç yüzeylerini ele alır.
- Daha kötü çözümlerin olasılıksal kabulü, tamamen açgözlü yaklaşımları tuzağa düşüren yerel Pareto cephelerinden kaçışı sağlar.
- Tek bir çalıştırmada tam Pareto cephesinin çeşitli bir yaklaşımını üretir, karar vericilere açık ödünleşim seçenekleri sunar.
- Uygulaması basittir ve soğutma programı, keşif-sömürü dengesini ayarlamak için sezgisel bir parametre sağlar.
- Minimum yeniden formülasyonla hem sürekli hem de kombinatoryal optimizasyon problemlerine uygulanabilir.
- Çözüm kalitesi ve Pareto cephesi kapsamı, başlangıç sıcaklığı, soğutma hızı ve komşuluk operatörü seçimine duyarlıdır, bu da probleme özgü ayarlama gerektirir.
- Yüksek kaliteli bir Pareto cephesine yakınsama, birçok amaç değerlendirmesi gerektirebilir, bu da pahalı kara kutu simülasyonları için yavaş olmasına neden olur.
- Pareto arşivini sürdürmek ve güncellemek ek yük getirir ve arşiv büyüyebilir, bu da bellek ve karşılaştırma maliyetlerini artırır.
- Popülasyon tabanlı yöntemlerin (örneğin NSGA-II) aksine, temel MOSA'nın tek yörüngeli yapısı Pareto cephesinin düzensiz kapsamına neden olabilir.
- Teorik yakınsama garantileri, pratik olmayan sonsuz yavaş bir soğutma programı gerektirir; sonlu programlar optimalite güvencesinden ödün verir.
SSS
MOSA, NSGA-II'den nasıl farklıdır?
NSGA-II, çaprazlama, mutasyon ve baskın olmayan sıralama kullanarak bir çözüm kümesini eş zamanlı olarak geliştiren popülasyon tabanlı bir evrimsel algoritmadır. MOSA, olasılıksal hareketler kullanarak bir seferde bir çözümü keşfeden yörünge tabanlı bir yöntemdir. MOSA'nın uygulanması daha basit olma eğilimindedir ve kombinatoryal problemler için iyi çalışırken, NSGA-II genellikle sürekli problemler için daha iyi Pareto cephesi kapsamı sağlar ve daha öngörülebilir şekilde ölçeklenir.
Başlangıç sıcaklığı T_0'ı nasıl ayarlamalıyım?
Yaygın bir sezgisel, kısa bir ön faz çalıştırmak ve rastgele komşu hareketlerinin yaklaşık %80'inin kabul edildiği bir T_0 seçmektir. Bu, başlangıçta geniş keşfi sağlar. Amaç fonksiyonu farklılıklarının büyüklüğüne bağlı olarak uygun sıcaklık ölçeği değiştiği için probleme özgü kalibrasyon tavsiye edilir.
MOSA ikiden fazla amacı ele alabilir mi?
Evet, ancak amaç sayısı arttıkça performans düşer. Pareto arşiv yönetimi maliyeti artar ve baskın olmayan çözümlerin oranı hızla büyür, bu da kabul kriterini daha az ayırt edici hale getirir. Dört veya beşten fazla amacı olan problemler için, hiperhacim gösterge tabanlı veya ayrıştırma tabanlı yöntemler (örneğin, MOEA/D) genellikle tercih edilir.
Algoritmayı ne zaman durduracağımı nasıl anlarım?
Yaygın durdurma kriterleri arasında minimum sıcaklığa ulaşma, maksimum iterasyon bütçesini tüketme veya belirli sayıda iterasyon boyunca Pareto arşivinin hiperhacim göstergesinde iyileşme gözlemlememe yer alır. Pratikte, farklı iterasyon bütçelerinde birden fazla çalıştırmanın arşiv kalitesini karşılaştırmak, yakınsamayı teşhis etmenin güvenilir bir yoludur.
MOSA pahalı simülasyon modelleri için uygun mudur?
Genellikle modifikasyon olmadan uygun değildir. Her iterasyon en az bir amaç fonksiyonu değerlendirmesi gerektirir ve MOSA genellikle iyi bir Pareto cephesi yaklaşımı için binlerce iterasyona ihtiyaç duyar. Her değerlendirme pahalı bir simülasyon içerdiğinde, MOSA'nın vekil destekli versiyonları (amaçları yaklaştırmak için metamodeller kullanarak) tercih edilir.
Kaynaklar
- Czyzak, P., Jaszkiewicz, A. (1998). Pareto simulated annealing — a metaheuristic technique for multiple-objective combinatorial optimization. Journal of Multi-Criteria Decision Analysis, 7(1), 34–47. DOI: 10.1007/978-3-642-59132-7_33 ↗
- Serafini, P. (1992). Simulated annealing for multi-objective optimization problems. In Proceedings of the Tenth International Conference on Multiple Criteria Decision Making, Taipei, Taiwan, pp. 87–96. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-Objective Simulated Annealing. ScholarGate. https://scholargate.app/tr/simulation/multi-objective-simulated-annealing
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Çok Amaçlı Genetik Algoritma (MOGA)Simülasyon↔ karşılaştır
- Çok Amaçlı OptimizasyonSimülasyon↔ karşılaştır
- Çok Amaçlı Parçacık Sürü Optimizasyonu (MOPSO)Simülasyon↔ karşılaştır
- Çok Amaçlı Tabu Araması (MOTS)Simülasyon↔ karşılaştır
- Simulated AnnealingOptimizasyon↔ karşılaştır