Wyszukaj
Zaloguj / zarejestruj się
Jeśli masz już konto, możesz się zalogować.
Jeśli nie masz konta, zarejestruj nowe podając nazwę użytkownika, adres email i hasło.
Formularz kontaktowy
Memorizer+
Wykup dostęp
Ta funkcja jest dostępna dla użytkowników, którzy wykupili plan Memorizer+
Fiszki
Metody Metaheurystyczne
Test w formie fiszek
Ilość pytań: 88 Rozwiązywany: 1765 razy
Dlaczego modelowanie problemu jest istotne?
Nie ma wpływu na sposób szukania rozwiązania
Decyduje o przestrzeni poszukiwań i sposobie kodowania reprezentacji
Określa jedynie wielkość przestrzeni poszukiwań
Wyznacza jedynie teoretyczny zbiór rozwiązań
Jakie są elementy reprezentacji w problemie TSP?
Ciąg binarny
Lista miast
Liczby naturalne
Sześciocyfrowa dokładność
Jaki jest cel w problemie TSP?
Maksymalizacja odległości między punktami
Brak określonego celu
Znalezienie najdłuższej trasy między punktami
Znalezienie najkrótszej trasy między punktami
Co jest funkcją oceny w problemie TSP?
Zwraca długość trasy dla danego rozwiązania
Nie istnieje w tym problemie
Podaje numer miasta
Zwraca liczbę miast
Co umożliwia funkcja oceny w problemie TSP?
Porównanie długości tras dla różnych rozwiązań
Porównanie efektywności różnych metod
Porównanie różnych modeli
Brak możliwości porównania rozwiązań
Czym charakteryzuje się funkcja oceny w problemie TSP?
Zwraca wartość opisującą jakość rozwiązania
Określa liczbę miast
Nie ma wpływu na wybór najlepszej trasy
Jest nieistotna w rozwiązaniu problemu
Jaka jest główna różnica między heurystyką a metaheurystyką?
Metaheurystyka nie jest praktyczna w rozwiązywaniu problemów.
Metaheurystyka zapewnia zawsze optymalne rozwiązania
Heurystyka koncentruje się na rozwiązaniu grupy problemów, a metaheurystyka na jednym konkretnym problemie
Heurystyka działa wyłącznie na bazie teorii
Czym charakteryzuje się iteracyjne wspinanie w kontekście optymalizacji?
Utrzymywaniem aktualnego rozwiązania bez zmian
Wykonywaniem kroków w kierunku najszybszego spadku wartości funkcji celu
Sprawdzaniem losowych przekształceń w rozwiązaniu
Poszukiwaniem rozwiązania poprzez zastosowanie funkcji losowej
Czym jest Symulowane Wyżarzanie w kontekście optymalizacji?
Iteracyjnym podejściem, które uwzględnia prawdopodobieństwo zaakceptowania gorszego rozwiązania
Stałym poszukiwaniem rozwiązania optymalnego
Metodą iteracyjną wykorzystującą jedynie przekształcenia losowe
Zmianą rozwiązania bez uwzględnienia prawdopodobieństwa
Co to jest Lista Tabu w metodzie Przeszukiwania z Tabu?
Nie ma wpływu na proces podejmowania decyzji
Zawiera informacje o najmniejszych zmianach w rozwiązaniu
Zapamiętuje zmiany, aby uniknąć powtórzeń lub zbyt podobnych zmian
Jest używana jedynie jako pamięć długotrwała
Jaka jest główna wada iteracyjnego wspinania?
Zależność wyniku od wyboru punktu początkowego
Brak informacji o aktualnym rozwiązaniu
Zbyt duża liczba kroków w poszukiwaniu rozwiązania
Wpadanie w minimum lokalne i brak informacji o odległości od minimum globalnego
Czym charakteryzuje się symulowane wyżarzanie w kontekście optymalizacji?
Wykorzystaniem funkcji losowej do generowania rozwiązania
Uwzględnieniem prawdopodobieństwa akceptacji gorszego rozwiązania
Iteracyjnym podejściem, które zawsze akceptuje lepsze rozwiązanie
Zastosowaniem tylko najlepszego rozwiązania
Jakie korzyści niesie ze sobą lista tabu w przeszukiwaniu z tabu?
Pozwala na wykonywanie identycznych kroków w poszukiwaniu rozwiązania
Jest używana jedynie jako pamięć krótkotrwała
Utrzymuje jedynie informacje o najgorszych zmianach w rozwiązaniu
Zapobiega powtórzeniom i zbyt podobnym zmianom
Czym jest dywersyfikacja w kontekście przeszukiwania z tabu?
Próbowaniem modyfikacji rozwiązań, które nie były wcześniej badane przez wiele iteracji
Skupianiem się jedynie na pojedynczym rozwiązaniu
Badaniem tylko jednego rodzaju zmian w rozwiązaniu
Wykorzystywaniem jedynie pamięci długotrwałej w procesie optymalizacji
Jakie są parametry przeszukiwania z tabu?
Tylko lista tabu i kryterium zatrzymania
Kodowanie rozwiązania i określenie miary otoczenia
Wyłącznie kodowanie rozwiązania i określenie jakości rozwiązania
Lista tabu i sposób określania/generowania otoczenia
Czym charakteryzuje się temperatura w symulowanym wyżarzaniu?
Nie ma wpływu na przebieg procesu
Jest stała przez cały proces optymalizacji
Początkowo wysoka, później maleje, wpływając na akceptację gorszych rozwiązań
Określa jedynie możliwość zaakceptowania gorszego rozwiązania
Czym charakteryzuje się K-opt w algorytmie lokalnej optymalizacji?
Nie zmienia cyklu, lecz dodaje nowe krawędzie
Usuwa krawędzie z dokładnością do ich długości
Usuwa k krawędzi i zastępuje je innymi krawędziami w celu utworzenia innego prawidłowego cyklu
Sprawdza każdą krawędź i wybiera najkrótszą ścieżkę
Co to oznacza, że iteracyjne wspinanie może wpadać w minimum lokalne?
Zawsze znajduje się w maksimum globalnym
Brak możliwości poprawy znalezionego rozwiązania
Zawsze osiąga najlepsze możliwe rozwiązanie
Znalezienie rozwiązania, które nie jest najlepsze globalnie, ale najlepsze w otoczeniu
Jak działa proces iteracyjnego wspinania w kontekście optymalizacji?
Wybiera losowe rozwiązanie i sprawdza, czy jest lepsze od obecnego
Wykonuje kroki w kierunku najszybszego wzrostu wartości funkcji celu
W każdej iteracji losuje nowe rozwiązanie i je akceptuje
Wykonuje kroki w kierunku najwolniejszego spadku wartości funkcji celu
Czym jest fenotyp w algorytmach ewolucyjnych?
Punkt w przestrzeni kodów genetycznych
Informacja o zachowaniu osobnika
Zapis genotypu
Zakodowana informacja o osobniku
Cześć!
Wykryliśmy, że blokujesz reklamy na naszej stronie.
Reklamy, jak zapewne wiesz, pozwalają na utrzymanie i rozwój serwisu. W związku z tym prosimy Cię o ich odblokowanie by móc kontynuować naukę.