Change-making problem

Bin packing problem

Vehicle routing problem

Job scheduling problem

Antenna array synthesis

Portfolio optimization problem

Economic load dispatch problem

Quadratic knapsack problem

Multiple-choice knapsack problem

Workflow scheduling in cloud computing environment

Planar graph colouring problem

Waste collection problem

Multiple-choice knapsack problem

Economic dispatch problem

Quadratic assignment problem

Change-making problem

Job scheduling problem

Economic load dispatch problem

Time–cost–labor utilization tradeoff problem

Quadratic knapsack problem

Portfolio optimization problem

Economic dispatch problemWaste collection problem

Waste collection problem

Vehicle routing problem

Quadratic assignment problem

Bin packing problem

Job-shop scheduling problem

Waste collection problem

Portfolio optimization problem

Workflow scheduling in cloud computing environment

Planar graph colouring problem

Antenna array synthesis

Job scheduling problem

Antenna array synthesis

Change-making problem

Job scheduling problem

Economic dispatch problem

Waste collection problem

Time–cost–labor utilization tradeoff problem

Job-shop scheduling problem

Portfolio optimization problem

Quadratic knapsack problem

Change-making problem

Economic load dispatch problem

Bin packing problem

Multicast routing problem

Change-making problem

Planar graph colouring problem

Quadratic knapsack problem

Change-making problem

Economic load dispatch problem

Job scheduling problem

Multiple-choice knapsack problem

Economic dispatch problem

Quadratic assignment problem

Waste collection problem

NP (nondeterministic polynomial)

P (deterministic polynomial)

NP trudny (NP - hard)

NP zupełny (NP - Complete)

P (deterministic polynomial)

NP (nondeterministic polynomial)

NP zupełny (NP - Complete)

NP trudny (NP - hard)

Sortowanie

Sprawdzenie wszystkich podzbiorów sumujących się do zera

Mnożenie macierzy

Problem plecakowy

SAT (Boolean Satisfiability Problem)

TSP (Travelling Salesman Problem)

Problem plecakowy

Problem plecakowy

Przeszukiwawcze

Zarówno A, jak i C

Decyzyjne

Optymalizacyjne

Dynamic programming

Tabu Search

Simulated Annealing

Particle swarm optimization

Particle swarm optimization

Ant colony optimization

Simulated Annealing

Genetic algorithms

Ant colony optimization

Guided local search

Genetic algorithms

Iterative local search

Genetic algorithms

Simulated Annealing

Tabu Search

Particle swarm optimization

Cuckoo search

Ant colony optimization

Artificial bee colony

Firefly algorithm

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.

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.

lgorytm A*

Metoda sympleksowa

Dziel i zwyciężaj

Algorytmy zachłanne

Metoda sympleksowa

Algorytmy zachłanne

Przeszukiwanie wyczerpujące

Algorytmy wyliczeniowe

Zawsze znajdują rozwiązanie optymalne.

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

Są często stosowane w przypadku problemów NP trudnych.

Mogą utknąć w lokalnym optimum.

Kryterium losowe

Kryterium najmniejszego przyrostu funkcji celu

Kryterium Blanda

Kryterium największego przyrostu 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

Wybiera się rozwiązanie z minimalną wartością funkcji celu

Węzeł i granica

Węzeł i przyrost funkcji celu

Węzeł i wierzchołek

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

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

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

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

Algorytm zachłonny

Metoda sympleksowa

Programowanie dynamiczne

Metoda podziału i ograniczeń

wielomianowym

stałym

logarytmicznym

eksponencjonalnym

Tak

Nie zawsze

Nie

Zależy od złożoności problemu

Oferuje jedno optymalne rozwiązanie

Bazuje wyłącznie na teorii

Zapewnia doskonałe rozwiązania

Stosuje metodę praktyczną, nie gwarantującą otrzymania doskonałego rozwiązania

Koncentruje się na rozwiązaniu grupy problemów

Skupia się na jednym konkretnym problemie

Opiera się wyłącznie na teoretycznych założeniach

Dostarcza optymalnych rozwiązań dla wszystkich problemów

Szybkość znalezienia rozwiązania nie jest istotna

Zapewnia idealne rozwiązania dla wszystkich problemów

Są mniej skuteczne od klasycznych metod

Dostarczają wystarczająco dobrych rozwiązań dla NP-trudnych problemów

Mała przestrzeń poszukiwań

Zmieniające się problemy i ich skomplikowanie

Brak zmian w problemach

Modelowanie problemu w sposób dokładny

Problem i jego reprezentacja

Zadania do rozwiązania

Wzór matematyczny

Rozwiązanie

Wyznacza jedynie teoretyczny zbiór rozwiązań

Decyduje o przestrzeni poszukiwań i sposobie kodowania reprezentacji

Nie ma wpływu na sposób szukania rozwiązania

Określa jedynie wielkość przestrzeni poszukiwań

Lista miast

Liczby naturalne

Ciąg binarny

Sześciocyfrowa dokładność

Maksymalizacja odległości między punktami

Brak określonego celu

Znalezienie najdłuższej trasy między punktami

Znalezienie najkrótszej trasy między punktami

Zwraca liczbę miast

Nie istnieje w tym problemie

Zwraca długość trasy dla danego rozwiązania

Podaje numer miasta

Porównanie długości tras dla różnych rozwiązań

Brak możliwości porównania rozwiązań

Porównanie efektywności różnych metod

Porównanie różnych modeli

Jest nieistotna w rozwiązaniu problemu

Określa liczbę miast

Zwraca wartość opisującą jakość rozwiązania

Nie ma wpływu na wybór najlepszej trasy

Heurystyka działa wyłącznie na bazie teorii

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

Metaheurystyka nie jest praktyczna w rozwiązywaniu problemów.

Metaheurystyka zapewnia zawsze optymalne rozwiązania

Sprawdzaniem losowych przekształceń w rozwiązaniu

Poszukiwaniem rozwiązania poprzez zastosowanie funkcji losowej

Utrzymywaniem aktualnego rozwiązania bez zmian

Wykonywaniem kroków w kierunku najszybszego spadku wartości funkcji celu

Metodą iteracyjną wykorzystującą jedynie przekształcenia losowe

Zmianą rozwiązania bez uwzględnienia prawdopodobieństwa

Iteracyjnym podejściem, które uwzględnia prawdopodobieństwo zaakceptowania gorszego rozwiązania

Stałym poszukiwaniem rozwiązania optymalnego

Zawiera informacje o najmniejszych zmianach w rozwiązaniu

Nie ma wpływu na proces podejmowania decyzji

Jest używana jedynie jako pamięć długotrwała

Zapamiętuje zmiany, aby uniknąć powtórzeń lub zbyt podobnych zmian

Zależność wyniku od wyboru punktu początkowego

Brak informacji o aktualnym rozwiązaniu

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

Zbyt duża liczba kroków w poszukiwaniu rozwiązania

Zastosowaniem tylko najlepszego rozwiązania

Uwzględnieniem prawdopodobieństwa akceptacji gorszego rozwiązania

Wykorzystaniem funkcji losowej do generowania rozwiązania

Iteracyjnym podejściem, które zawsze akceptuje lepsze rozwiązanie

Jest używana jedynie jako pamięć krótkotrwała

Utrzymuje jedynie informacje o najgorszych zmianach w rozwiązaniu

Zapobiega powtórzeniom i zbyt podobnym zmianom

Pozwala na wykonywanie identycznych kroków w poszukiwaniu rozwiązania

Skupianiem się jedynie na pojedynczym rozwiązaniu

Wykorzystywaniem jedynie pamięci długotrwałej w procesie optymalizacji

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

Badaniem tylko jednego rodzaju zmian w rozwiązaniu

Lista tabu i sposób określania/generowania otoczenia

Tylko lista tabu i kryterium zatrzymania

Wyłącznie kodowanie rozwiązania i określenie jakości rozwiązania

Kodowanie rozwiązania i określenie miary otoczenia

Nie ma wpływu na przebieg procesu

Początkowo wysoka, później maleje, wpływając na akceptację gorszych rozwiązań

Jest stała przez cały proces optymalizacji

Określa jedynie możliwość zaakceptowania gorszego rozwiązania

Nie zmienia cyklu, lecz dodaje nowe krawędzie

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

Sprawdza każdą krawędź i wybiera najkrótszą ścieżkę

Usuwa krawędzie z dokładnością do ich długości

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

Zawsze znajduje się w maksimum globalnym

Zawsze osiąga najlepsze możliwe rozwiązanie

Brak możliwości poprawy znalezionego rozwiązania

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

Informacja o zachowaniu osobnika

Punkt w przestrzeni kodów genetycznych

Zapis genotypu

Zakodowana informacja o osobniku

Tworzenie nowych jednostek

Wybór jednostek najlepiej przystosowanych do środowiska

Losowe wybieranie osobników z populacji

Losowa mutacja genów

Tworzenie nowej populacji osobników

Losowa zmiana jednego genu

Proces dobierania najlepszych jednostek

Proces oceny przystosowania jednostek

Zapis genotypu

Informacja o zachowaniu osobnika

Funkcja określająca stopień przystosowania osobnika do środowiska

Zakodowana informacja o osobniku

Wszystkie z wymienionych

Wspomaganie podejmowania decyzji

Wspomaganie nawigacji

Harmonogramowanie zadań

Proces mutacji

Proces łączenia się jednostek

Proces oceny przystosowania

Proces tworzenia nowych jednostek

Mutacja

Krzyżowanie

Dobór

Wszystkie wymienione

Mutacja genów

worzenie populacji tymczasowej

Proces oceny przystosowania jednostek w populacji

Tworzenie nowej populacji

Algorytm jest zatrzymywany po osiągnięciu określonej liczby generacji

Algorytm zatrzymuje się po przekroczeniu maksymalnego kosztu

Monitorowanie rozwiązań generowanych przez algorytm

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

Proces oceny przystosowania

Proces tworzenia nowych jednostek

Proces mutacji

Proces wyboru nowej populacji bazowej

Utworzenie identycznych kopii jednostek

Zwiększenie różnorodności w populacji

Poprawa szybkości przystosowania jednostek

Usunięcie najgorszych jednostek

Mieszanie genów co najmniej dwóch osobników

Ocena funkcji przystosowania

Modyfikacja jednego genu

Tworzenie nowych jednostek

Proces mutacji

Algorytm zatrzymuje się po przekroczeniu maksymalnego kosztu

Monitorowanie rozwiązań generowanych przez algorytm

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

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

Mieszanie genów co najmniej dwóch osobników

Zwiększenie populacji

Oddziaływanie na wartości genów chromosomów

Tylko reprodukcja rangowa

Tylko reprodukcja turniejowa

Reprodukcja rangowa, progowa, ruletkowa i turniejowa

Tylko reprodukcja progowa

Nie istnieje coś takiego

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

W częściowym zastępowaniu nową populację bazową staje się populacja potomna

Ma zapewnić przeżycie najlepszego osobnika

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

Każdy osobnik ma zapamiętane poprzednie generacje

Każdy osobnik ma pamięć z wartościami innych osobników

Brak pamięci w strategii ewolucyjnej

Posiadanie pamięci przez każdego osobnika

Wprowadzenie zakazu odwiedzania pewnych rozwiązań przez określony czas

Stałe zamykanie wybranych rozwiązań

Zabranianie osobnikom oddalania się od siebie

Ograniczenie ruchu osobników na planszy

Podział jednej populacji na mniejsze grupy

Stosowanie różnych metod selekcji dla osobników

Stałe łączenie wybranych osobników w pary

Wydzielanie osobników na podstawie ich cech

Nakładanie się sąsiedztw dla zwiększenia populacji

Ograniczenie interakcji między jednostkami

Wybór jednostek, które są z siebie najbardziej oddalone

Pomoc w dyfuzji informacji między osobnikami

Reguły zabraniające łączenia się osobników

Stałe unikanie krzyżowania się osobników tej samej płci

Uwzględnienie relacji rodzinnych

Wszystkie osobniki łączą się tylko raz

Skóra, czynniki fizjologiczne, limfocyty, antygeny

Skóra, odporność nieswoista, limfocyty, antygeny

Skóra, czynniki fizjologiczne, odporność nieswoista, odporność swoista

Skóra, odporność nieswoista, odporność swoista, limfocyty

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

Wiekowanie, eliminacja rozwiązań, przeszukiwanie lokalne

Klonowania, mutacja punktowa, mutacja wielopunktowa

Selekcja, klonowanie, mutacja probabilistyczna

Mutacja punktowa, hipermutacja, wiekowanie

Przydzielanie kolorów wierzchołkom, tak aby sąsiadujące wierzchołki miały różne kolory

Reprezentacja komórek immunologicznych w postaci listy obiektów

Minimalna liczba kolorów potrzebna do pokolorowania grafu

Przykład działania odporności swoistej

Generacja populacji początkowej przeciwciał

Przeliczenie stopnia przystosowania przeciwciał

Eliminacja komórek, które rozpoznają własne struktury

Wykrywanie zmian w danych spowodowanych wirusami komputerowymi

Generacja populacji początkowej przeciwciał

Symulacja śmierci komórek systemu immunologicznego

Eliminacja komórek, które rozpoznają własne struktury

Przeliczenie stopnia przystosowania przeciwciał