Job scheduling problem

Bin packing problem

Change-making problem

Vehicle routing problem

Antenna array synthesis

Economic load dispatch problem

Portfolio optimization problem

Quadratic knapsack problem

Workflow scheduling in cloud computing environment

Planar graph colouring problem

Multiple-choice knapsack problem

Waste collection problem

Economic dispatch problem

Quadratic assignment problem

Multiple-choice knapsack problem

Change-making problem

Economic load dispatch problem

Time–cost–labor utilization tradeoff problem

Job scheduling problem

Quadratic knapsack problem

Portfolio optimization problem

Waste collection problem

Vehicle routing problem

Economic dispatch problemWaste collection problem

Waste collection problem

Bin packing problem

Job-shop scheduling problem

Quadratic assignment problem

Planar graph colouring problem

Portfolio optimization problem

Workflow scheduling in cloud computing environment

Antenna array synthesis

Job scheduling problem

Antenna array synthesis

Job scheduling problem

Change-making problem

Job-shop scheduling problem

Waste collection problem

Time–cost–labor utilization tradeoff problem

Economic dispatch problem

Quadratic knapsack problem

Portfolio optimization problem

Economic load dispatch problem

Change-making problem

Change-making problem

Multicast routing problem

Bin packing problem

Planar graph colouring problem

Job scheduling problem

Change-making problem

Quadratic knapsack problem

Economic load dispatch problem

Economic dispatch problem

Multiple-choice knapsack problem

Quadratic assignment problem

Waste collection problem

NP (nondeterministic polynomial)

NP trudny (NP - hard)

P (deterministic polynomial)

NP zupełny (NP - Complete)

NP trudny (NP - hard)

NP zupełny (NP - Complete)

NP (nondeterministic polynomial)

P (deterministic polynomial)

Sprawdzenie wszystkich podzbiorów sumujących się do zera

Sortowanie

Mnożenie macierzy

Problem plecakowy

Problem plecakowy

TSP (Travelling Salesman Problem)

Problem plecakowy

SAT (Boolean Satisfiability Problem)

Zarówno A, jak i C

Decyzyjne

Optymalizacyjne

Przeszukiwawcze

Tabu Search

Dynamic programming

Simulated Annealing

Particle swarm optimization

Simulated Annealing

Particle swarm optimization

Genetic algorithms

Ant colony optimization

Iterative local search

Ant colony optimization

Guided local search

Genetic algorithms

Simulated Annealing

Tabu Search

Particle swarm optimization

Genetic algorithms

Firefly algorithm

Artificial bee colony

Ant colony optimization

Cuckoo search

Technika optymalizacyjna oparta na procesach ewolucyjnych, takich jak krzyżowanie i mutacja, w celu generowania nowych rozwiązań.

Algorytm, który inspirowany jest strategią ptaka kukułki, zastępującej jaja obcego gatunku w cudzym gnieździe.

Metoda optymalizacji, w której cząstki poruszają się w przestrzeni poszukiwań, przyciągając się nawzajem w celu optymalizacji rozwiązania.

Algorytm, który unika powtarzania ruchów zakazanych (tabu) i przemieszcza się w przestrzeni poszukiwań, podążając za liderem roju.

Algorytmy zachłanne

lgorytm A*

Dziel i zwyciężaj

Metoda sympleksowa

Algorytmy zachłanne

Metoda sympleksowa

Algorytmy wyliczeniowe

Przeszukiwanie wyczerpujące

Mogą utknąć w lokalnym optimum.

Są często stosowane w przypadku problemów NP trudnych.

Są skuteczne w przypadku problemów, w których istnieje duża różnorodność w przestrzeni rozwiązań.

Zawsze znajdują rozwiązanie optymalne.

Kryterium losowe

Kryterium największego przyrostu funkcji celu

Kryterium Blanda

Kryterium najmniejszego przyrostu funkcji celu

Wybiera się rozwiązanie z minimalną wartością funkcji celu

Wybiera się rozwiązanie z wartością funkcji celu równą 0

Można stosować różne metody, np. wybierać rozwiązanie z maksymalną wartością funkcji celu, minimalną wartością funkcji celu, itp.

Wybiera się rozwiązanie z maksymalną wartością funkcji celu

Węzeł i granica

Węzeł i wierzchołek

Węzeł i przyrost funkcji celu

Wybiera się wierzchołek, dla którego suma drogi pomiedzy wierzchołkiem początkowym a tym wierzchołkiem i rzeczywistej drogi od tego wierzchołka do wierzchołka docelowego jest minimalna

Wybiera się wierzchołek, dla którego suma drogi pomiedzy wierzchołkiem początkowym a tym wierzchołkiem jest maksymalna

Wybiera się wierzchołek, dla którego suma drogi pomiedzy wierzchołkiem początkowym a tym wierzchołkiem jest minimalna

ybiera się wierzchołek, dla którego suma drogi pomiedzy wierzchołkiem początkowym a tym wierzchołkiem i przewidywanej przez heurystykę drogi od tego wierzchołka do wierzchołka docelowego jest minimalna

Metoda podziału i ograniczeń

Metoda sympleksowa

Algorytm zachłonny

Programowanie dynamiczne

wielomianowym

stałym

eksponencjonalnym

logarytmicznym

Nie

Zależy od złożoności problemu

Tak

Nie zawsze

Bazuje wyłącznie na teorii

Oferuje jedno optymalne rozwiązanie

Stosuje metodę praktyczną, nie gwarantującą otrzymania doskonałego rozwiązania

Zapewnia doskonałe rozwiązania

Opiera się wyłącznie na teoretycznych założeniach

Skupia się na jednym konkretnym problemie

Koncentruje się na rozwiązaniu grupy problemów

Dostarcza optymalnych rozwiązań dla wszystkich problemów

Są mniej skuteczne od klasycznych metod

Szybkość znalezienia rozwiązania nie jest istotna

Dostarczają wystarczająco dobrych rozwiązań dla NP-trudnych problemów

Zapewnia idealne rozwiązania dla wszystkich problemów

Modelowanie problemu w sposób dokładny

Brak zmian w problemach

Mała przestrzeń poszukiwań

Zmieniające się problemy i ich skomplikowanie

Zadania do rozwiązania

Problem i jego reprezentacja

Rozwiązanie

Wzór matematyczny

Decyduje o przestrzeni poszukiwań i sposobie kodowania reprezentacji

Określa jedynie wielkość przestrzeni poszukiwań

Nie ma wpływu na sposób szukania rozwiązania

Wyznacza jedynie teoretyczny zbiór rozwiązań

Lista miast

Liczby naturalne

Sześciocyfrowa dokładność

Ciąg binarny

Znalezienie najdłuższej trasy między punktami

Znalezienie najkrótszej trasy między punktami

Maksymalizacja odległości między punktami

Brak określonego celu

Zwraca długość trasy dla danego rozwiązania

Nie istnieje w tym problemie

Podaje numer miasta

Zwraca liczbę miast

Porównanie efektywności różnych metod

Porównanie długości tras dla różnych rozwiązań

Porównanie różnych modeli

Brak możliwości porównania rozwiązań

Zwraca wartość opisującą jakość rozwiązania

Nie ma wpływu na wybór najlepszej trasy

Określa liczbę miast

Jest nieistotna w rozwiązaniu problemu

Heurystyka koncentruje się na rozwiązaniu grupy problemów, a metaheurystyka na jednym konkretnym problemie

Heurystyka działa wyłącznie na bazie teorii

Metaheurystyka nie jest praktyczna w rozwiązywaniu problemów.

Metaheurystyka zapewnia zawsze optymalne rozwiązania

Utrzymywaniem aktualnego rozwiązania bez zmian

Poszukiwaniem rozwiązania poprzez zastosowanie funkcji losowej

Wykonywaniem kroków w kierunku najszybszego spadku wartości funkcji celu

Sprawdzaniem losowych przekształceń w rozwiązaniu

Metodą iteracyjną wykorzystującą jedynie przekształcenia losowe

Stałym poszukiwaniem rozwiązania optymalnego

Iteracyjnym podejściem, które uwzględnia prawdopodobieństwo zaakceptowania gorszego rozwiązania

Zmianą rozwiązania bez uwzględnienia prawdopodobieństwa

Zapamiętuje zmiany, aby uniknąć powtórzeń lub zbyt podobnych zmian

Nie ma wpływu na proces podejmowania decyzji

Jest używana jedynie jako pamięć długotrwała

Zawiera informacje o najmniejszych zmianach w rozwiązaniu

Zbyt duża liczba kroków w poszukiwaniu rozwiązania

Zależność wyniku od wyboru punktu początkowego

Wpadanie w minimum lokalne i brak informacji o odległości od minimum globalnego

Brak informacji o aktualnym rozwiązaniu

Uwzględnieniem prawdopodobieństwa akceptacji gorszego rozwiązania

Zastosowaniem tylko najlepszego rozwiązania

Iteracyjnym podejściem, które zawsze akceptuje lepsze rozwiązanie

Wykorzystaniem funkcji losowej do generowania rozwiązania

Pozwala na wykonywanie identycznych kroków w poszukiwaniu rozwiązania

Utrzymuje jedynie informacje o najgorszych zmianach w rozwiązaniu

Zapobiega powtórzeniom i zbyt podobnym zmianom

Jest używana jedynie jako pamięć krótkotrwała

Badaniem tylko jednego rodzaju zmian w rozwiązaniu

Wykorzystywaniem jedynie pamięci długotrwałej w procesie optymalizacji

Skupianiem się jedynie na pojedynczym rozwiązaniu

Próbowaniem modyfikacji rozwiązań, które nie były wcześniej badane przez wiele iteracji

Wyłącznie kodowanie rozwiązania i określenie jakości rozwiązania

Tylko lista tabu i kryterium zatrzymania

Lista tabu i sposób określania/generowania otoczenia

Kodowanie rozwiązania i określenie miary otoczenia

Nie ma wpływu na przebieg procesu

Określa jedynie możliwość zaakceptowania gorszego rozwiązania

Początkowo wysoka, później maleje, wpływając na akceptację gorszych rozwiązań

Jest stała przez cały proces optymalizacji

Usuwa krawędzie z dokładnością do ich długości

Usuwa k krawędzi i zastępuje je innymi krawędziami w celu utworzenia innego prawidłowego cyklu

Nie zmienia cyklu, lecz dodaje nowe krawędzie

Sprawdza każdą krawędź i wybiera najkrótszą ścieżkę

Brak możliwości poprawy znalezionego rozwiązania

Znalezienie rozwiązania, które nie jest najlepsze globalnie, ale najlepsze w otoczeniu

Zawsze osiąga najlepsze możliwe rozwiązanie

Zawsze znajduje się w maksimum globalnym

Wykonuje kroki w kierunku najszybszego wzrostu wartości funkcji celu

Wykonuje kroki w kierunku najwolniejszego spadku wartości funkcji celu

Wybiera losowe rozwiązanie i sprawdza, czy jest lepsze od obecnego

W każdej iteracji losuje nowe rozwiązanie i je akceptuje

Zapis genotypu

Punkt w przestrzeni kodów genetycznych

Informacja o zachowaniu osobnika

Zakodowana informacja o osobniku

Tworzenie nowych jednostek

Losowa mutacja genów

Losowe wybieranie osobników z populacji

Wybór jednostek najlepiej przystosowanych do środowiska

Proces dobierania najlepszych jednostek

Proces oceny przystosowania jednostek

Tworzenie nowej populacji osobników

Losowa zmiana jednego genu

Informacja o zachowaniu osobnika

Funkcja określająca stopień przystosowania osobnika do środowiska

Zakodowana informacja o osobniku

Zapis genotypu

Wspomaganie podejmowania decyzji

Wszystkie z wymienionych

Harmonogramowanie zadań

Wspomaganie nawigacji

Proces tworzenia nowych jednostek

Proces mutacji

Proces oceny przystosowania

Proces łączenia się jednostek

Krzyżowanie

Mutacja

Dobór

Wszystkie wymienione

Proces oceny przystosowania jednostek w populacji

Tworzenie nowej populacji

worzenie populacji tymczasowej

Mutacja genów

Algorytm jest zatrzymywany, gdy w kilku kolejnych iteracjach nie uda się poprawić wyniku

Algorytm zatrzymuje się po przekroczeniu maksymalnego kosztu

Monitorowanie rozwiązań generowanych przez algorytm

Algorytm jest zatrzymywany po osiągnięciu określonej liczby generacji

Proces oceny przystosowania

Proces mutacji

Proces wyboru nowej populacji bazowej

Proces tworzenia nowych jednostek

Poprawa szybkości przystosowania jednostek

Usunięcie najgorszych jednostek

Zwiększenie różnorodności w populacji

Utworzenie identycznych kopii jednostek

Ocena funkcji przystosowania

Modyfikacja jednego genu

Tworzenie nowych jednostek

Mieszanie genów co najmniej dwóch osobników

Znalezienie osobnika, którego wartość funkcji przystosowania jest większa od wartości minimalnej

Algorytm zatrzymuje się po przekroczeniu maksymalnego kosztu

Proces mutacji

Monitorowanie rozwiązań generowanych przez algorytm

Mieszanie genów co najmniej dwóch osobników

Oddziaływanie na wartości genów chromosomów

Wartość każdego genu chromosomów potomnych to liczba pomiędzy największą i najmniejszą wartością genów chromosomów rodzicielskich

Zwiększenie populacji

Reprodukcja rangowa, progowa, ruletkowa i turniejowa

Tylko reprodukcja progowa

Tylko reprodukcja turniejowa

Tylko reprodukcja rangowa

Ma zapewnić przeżycie najlepszego osobnika

W częściowym zastępowaniu nową populację bazową staje się populacja potomna

Nowa populacja bazowa wybierana jest spośród dotychczasowej populacji bazowej oraz populacji potomnej

Nie istnieje coś takiego

Przechodzenie do kolejnego kroku wybierając Y^t

Generowanie jednego chromosomu na krok i mutacja X^t

Losowe wybieranie chromosomów Y^t

Generowanie wielu chromosomów na krok i mutacja X^t

Samoczynną adaptację zasięgu mutacji

Zwiększenie liczby chromosomów w każdym kroku

Usunięcie operatora krzyżowania

Regułę selekcji ⅕

Brak pamięci w strategii ewolucyjnej

Każdy osobnik ma pamięć z wartościami innych osobników

Każdy osobnik ma zapamiętane poprzednie generacje

Posiadanie pamięci przez każdego osobnika

Stałe zamykanie wybranych rozwiązań

Wprowadzenie zakazu odwiedzania pewnych rozwiązań przez określony czas

Zabranianie osobnikom oddalania się od siebie

Ograniczenie ruchu osobników na planszy

Stosowanie różnych metod selekcji dla osobników

Podział jednej populacji na mniejsze grupy

Stałe łączenie wybranych osobników w pary

Wydzielanie osobników na podstawie ich cech

Pomoc w dyfuzji informacji między osobnikami

Ograniczenie interakcji między jednostkami

Wybór jednostek, które są z siebie najbardziej oddalone

Nakładanie się sąsiedztw dla zwiększenia populacji

Reguły zabraniające łączenia się osobników

Stałe unikanie krzyżowania się osobników tej samej płci

Uwzględnienie relacji rodzinnych

Wszystkie osobniki łączą się tylko raz

Skóra, odporność nieswoista, odporność swoista, limfocyty

Skóra, czynniki fizjologiczne, odporność nieswoista, odporność swoista

Skóra, odporność nieswoista, limfocyty, antygeny

Skóra, czynniki fizjologiczne, limfocyty, antygeny

Jest układem przechowującym informacje o rozpoznanych wcześniej antygenach oraz adaptacyjnym, który rozpoznaje nowo pojawiające się antygeny

Jest układem eliminującym komórki obce od ciała

Jest układem adaptacyjnym, który rozpoznaje nowo pojawiające się antygeny

Jest układem przechowującym informacje o rozpoznanych wcześniej antygenach

Mutacja punktowa, hipermutacja, wiekowanie

Selekcja, klonowanie, mutacja probabilistyczna

Wiekowanie, eliminacja rozwiązań, przeszukiwanie lokalne

Klonowania, mutacja punktowa, mutacja wielopunktowa

Przydzielanie kolorów wierzchołkom, tak aby sąsiadujące wierzchołki miały różne kolory

Reprezentacja komórek immunologicznych w postaci listy obiektów

Przykład działania odporności swoistej

Minimalna liczba kolorów potrzebna do pokolorowania grafu

Wykrywanie zmian w danych spowodowanych wirusami komputerowymi

Przeliczenie stopnia przystosowania przeciwciał

Generacja populacji początkowej przeciwciał

Eliminacja komórek, które rozpoznają własne struktury

Przeliczenie stopnia przystosowania przeciwciał

Symulacja śmierci komórek systemu immunologicznego

Eliminacja komórek, które rozpoznają własne struktury

Generacja populacji początkowej przeciwciał