بهبود سرعت جستجوی همسایگی متغیر با به کارگیری عامل ناظر مبتنی برآموزش

این مقاله، بحث و بررسی در مورد ماهیت الگوریتمهای فراابتکاری و نیز گونهی خاصی از این الگوریتمها یعنی همسایگی متغیر" href="https://civilica.com/search/paper/k-%D8%AC%D8%B3%D8%AA%D8%AC%D9%88%DB%8C%20%D9%87%D9%85%D8%B3%D8%A7%DB%8C%DA%AF%DB%8C%20%D9%85%D8%AA%D8%BA%DB%8C%D8%B1/">جستجوی همسایگی متغیر میباشد، همچنین ارایه رویکردی نوین جهت افزایش سرعت همگرایی به جواب مورد نظر میباشد. چالشها و نکات تاثیرگذار در روند جستجو را بررسی خواهیم کرد و از پارامترهای بررسی شده در جهت آموزش عامل ناظر بهره خواهیم برد. عامل ناظر،موجودیتی هوشمند است که با بهرهگیری از اطلاعات جمعآوری شده تصمیم صحیح را خواهد گرفت. هدف عامل طراحی شده یافتن بهترین ترتیب اولویت همسایگیها در الگوریتم همسایگی متغیر" href="https://civilica.com/search/paper/k-%D8%AC%D8%B3%D8%AA%D8%AC%D9%88%DB%8C%20%D9%87%D9%85%D8%B3%D8%A7%DB%8C%DA%AF%DB%8C%20%D9%85%D8%AA%D8%BA%DB%8C%D8%B1/">جستجوی همسایگی متغیر میباشد. که این هدف را با آنالیز و بررسی دادههایآموزشی به دست خواهد آورد. یادگیری عامل ناظر در این پژوهش توسط پیش پردازش بر روی دادههای آموزشی انجام شده و سپس توسط دادههای آزمایشی مورد آزمون قرار میگیرد. با آموزش و به کارگیری صحیح از عملکرد عامل ناظر، شاهد خواهیم بود که گاه در چشماندازهای وسیع، زمان جستجو، 50 تا 70 درصد بهبود خواهد یافت که بسیار تاثیرگذار و شگفتانگیز است.

Keywords:

جستجوی همسایگی متغیر , یادگیری , عامل , فراابتکاری , همسایگی , جستجوی محلی , فروشنده دورهگرد