Bin packing problem

Vehicle routing problem

Change-making problem

Job scheduling problem

Quadratic knapsack problem

Economic load dispatch problem

Portfolio optimization problem

Antenna array synthesis

Workflow scheduling in cloud computing environment

Multiple-choice knapsack problem

Waste collection problem

Planar graph colouring problem

Change-making problem

Quadratic assignment problem

Multiple-choice knapsack problem

Economic dispatch problem

Quadratic knapsack problem

Time–cost–labor utilization tradeoff problem

Job scheduling problem

Economic load dispatch problem

Economic dispatch problemWaste collection problem

Vehicle routing problem

Portfolio optimization problem

Waste collection problem

Bin packing problem

Job-shop scheduling problem

Waste collection problem

Quadratic assignment problem

Antenna array synthesis

Planar graph colouring problem

Portfolio optimization problem

Workflow scheduling in cloud computing environment

Job scheduling problem

Job scheduling problem

Change-making problem

Antenna array synthesis

Job-shop scheduling problem

Waste collection problem

Economic dispatch problem

Time–cost–labor utilization tradeoff problem

Economic load dispatch problem

Quadratic knapsack problem

Change-making problem

Portfolio optimization problem

Bin packing problem

Multicast routing problem

Change-making problem

Planar graph colouring problem

Job scheduling problem

Economic load dispatch problem

Quadratic knapsack problem

Change-making problem

Quadratic assignment problem

Multiple-choice knapsack problem

Waste collection problem

Economic dispatch problem

NP (nondeterministic polynomial)

NP zupełny (NP - Complete)

NP trudny (NP - hard)

P (deterministic polynomial)

NP (nondeterministic polynomial)

NP zupełny (NP - Complete)

NP trudny (NP - hard)

P (deterministic polynomial)

Problem plecakowy

Sprawdzenie wszystkich podzbiorów sumujących się do zera

Sortowanie

Mnożenie macierzy

Problem plecakowy

TSP (Travelling Salesman Problem)

SAT (Boolean Satisfiability Problem)

Problem plecakowy

Optymalizacyjne

Decyzyjne

Przeszukiwawcze

Zarówno A, jak i C

Particle swarm optimization

Simulated Annealing

Tabu Search

Dynamic programming

Particle swarm optimization

Simulated Annealing

Genetic algorithms

Ant colony optimization

Iterative local search

Guided local search

Genetic algorithms

Ant colony optimization

Tabu Search

Genetic algorithms

Simulated Annealing

Particle swarm optimization

Firefly algorithm

Cuckoo search

Ant colony optimization

Artificial bee colony

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

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

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

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

Algorytmy zachłanne

lgorytm A*

Dziel i zwyciężaj

Metoda sympleksowa

Przeszukiwanie wyczerpujące

Algorytmy zachłanne

Metoda sympleksowa

Algorytmy wyliczeniowe

Mogą utknąć w lokalnym optimum.

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.

Kryterium Blanda

Kryterium największego przyrostu funkcji celu

Kryterium najmniejszego przyrostu funkcji celu

Kryterium losowe

Wybiera się rozwiązanie z minimalną wartością funkcji celu

Wybiera się rozwiązanie z maksymalną 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.

Węzeł i granica

Węzeł i wierzchołek

Węzeł i przyrost funkcji celu

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 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

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 sympleksowa

Programowanie dynamiczne

Algorytm zachłonny

Metoda podziału i ograniczeń

wielomianowym

stałym

logarytmicznym

eksponencjonalnym

Nie zawsze

Zależy od złożoności problemu

Nie

Tak

Zapewnia doskonałe rozwiązania

Oferuje jedno optymalne rozwiązanie

Stosuje metodę praktyczną, nie gwarantującą otrzymania doskonałego rozwiązania

Bazuje wyłącznie na teorii

Opiera się wyłącznie na teoretycznych założeniach

Koncentruje się na rozwiązaniu grupy problemów

Skupia się na jednym konkretnym problemie

Dostarcza optymalnych rozwiązań dla wszystkich problemów

Zapewnia idealne rozwiązania dla wszystkich problemów

Są mniej skuteczne od klasycznych metod

Szybkość znalezienia rozwiązania nie jest istotna

Dostarczają wystarczająco dobrych rozwiązań dla NP-trudnych problemów

Brak zmian w problemach

Zmieniające się problemy i ich skomplikowanie

Modelowanie problemu w sposób dokładny

Mała przestrzeń poszukiwań

Wzór matematyczny

Rozwiązanie

Zadania do rozwiązania

Problem i jego reprezentacja

Wyznacza jedynie teoretyczny zbiór rozwiązań

Decyduje o przestrzeni poszukiwań i sposobie kodowania reprezentacji

Określa jedynie wielkość przestrzeni poszukiwań

Nie ma wpływu na sposób szukania rozwiązania

Ciąg binarny

Sześciocyfrowa dokładność

Lista miast

Liczby naturalne

Znalezienie najkrótszej trasy między punktami

Znalezienie najdłuższej trasy między punktami

Brak określonego celu

Maksymalizacja odległości między punktami

Podaje numer miasta

Nie istnieje w tym problemie

Zwraca liczbę miast

Zwraca długość trasy dla danego rozwiązania

Porównanie różnych modeli

Brak możliwości porównania rozwiązań

Porównanie efektywności różnych metod

Porównanie długości tras dla różnych rozwiązań

Jest nieistotna w rozwiązaniu problemu

Określa liczbę miast

Zwraca wartość opisującą jakość rozwiązania

Nie ma wpływu na wybór najlepszej trasy

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

Heurystyka działa wyłącznie na bazie teorii

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

Stałym poszukiwaniem rozwiązania optymalnego

Metodą iteracyjną wykorzystującą jedynie przekształcenia losowe

Zmianą rozwiązania bez uwzględnienia prawdopodobieństwa

Iteracyjnym podejściem, które uwzględnia prawdopodobieństwo zaakceptowania gorszego rozwiązania

Zapamiętuje zmiany, aby uniknąć powtórzeń lub zbyt podobnych zmian

Jest używana jedynie jako pamięć długotrwała

Nie ma wpływu na proces podejmowania decyzji

Zawiera informacje o najmniejszych zmianach w rozwiązaniu

Brak informacji o aktualnym rozwiązaniu

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

Zależność wyniku od wyboru punktu początkowego

Zbyt duża liczba kroków w poszukiwaniu rozwiązania

Zastosowaniem tylko najlepszego rozwiązania

Wykorzystaniem funkcji losowej do generowania rozwiązania

Iteracyjnym podejściem, które zawsze akceptuje lepsze rozwiązanie

Uwzględnieniem prawdopodobieństwa akceptacji gorszego rozwiązania

Utrzymuje jedynie informacje o najgorszych zmianach w rozwiązaniu

Zapobiega powtórzeniom i zbyt podobnym zmianom

Pozwala na wykonywanie identycznych kroków w poszukiwaniu rozwiązania

Jest używana jedynie jako pamięć krótkotrwała

Badaniem tylko jednego rodzaju zmian w rozwiązaniu

Skupianiem się jedynie na pojedynczym rozwiązaniu

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

Wykorzystywaniem jedynie pamięci długotrwałej w procesie optymalizacji

Tylko lista tabu i kryterium zatrzymania

Lista tabu i sposób określania/generowania otoczenia

Wyłącznie kodowanie rozwiązania i określenie jakości rozwiązania

Kodowanie rozwiązania i określenie miary otoczenia

Jest stała przez cały proces optymalizacji

Nie ma wpływu na przebieg procesu

Początkowo wysoka, później maleje, wpływając na akceptację gorszych rozwiązań

Określa jedynie możliwość zaakceptowania gorszego rozwiązania

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

Zawsze znajduje się w maksimum globalnym

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

Brak możliwości poprawy znalezionego rozwiązania

Zawsze osiąga najlepsze możliwe rozwiązanie

Wybiera losowe rozwiązanie i sprawdza, czy jest lepsze od obecnego

W każdej iteracji losuje nowe rozwiązanie i je akceptuje

Wykonuje kroki w kierunku najwolniejszego spadku wartości funkcji celu

Wykonuje kroki w kierunku najszybszego wzrostu wartości funkcji celu

Zakodowana informacja o osobniku

Zapis genotypu

Informacja o zachowaniu osobnika

Punkt w przestrzeni kodów genetycznych

Losowe wybieranie osobników z populacji

Wybór jednostek najlepiej przystosowanych do środowiska

Tworzenie nowych jednostek

Losowa mutacja genów

Losowa zmiana jednego genu

Proces oceny przystosowania jednostek

Proces dobierania najlepszych jednostek

Tworzenie nowej populacji osobników

Zakodowana informacja o osobniku

Informacja o zachowaniu osobnika

Funkcja określająca stopień przystosowania osobnika do środowiska

Zapis genotypu

Wspomaganie podejmowania decyzji

Wszystkie z wymienionych

Harmonogramowanie zadań

Wspomaganie nawigacji

Proces łączenia się jednostek

Proces tworzenia nowych jednostek

Proces oceny przystosowania

Proces mutacji

Dobór

Krzyżowanie

Wszystkie wymienione

Mutacja

Tworzenie nowej populacji

Proces oceny przystosowania jednostek w populacji

Mutacja genów

worzenie populacji tymczasowej

Monitorowanie rozwiązań generowanych przez algorytm

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

Algorytm zatrzymuje się po przekroczeniu maksymalnego kosztu

Algorytm jest zatrzymywany po osiągnięciu określonej liczby generacji

Proces tworzenia nowych jednostek

Proces oceny przystosowania

Proces wyboru nowej populacji bazowej

Proces mutacji

Zwiększenie różnorodności w populacji

Poprawa szybkości przystosowania jednostek

Usunięcie najgorszych jednostek

Utworzenie identycznych kopii jednostek

Tworzenie nowych jednostek

Ocena funkcji przystosowania

Mieszanie genów co najmniej dwóch osobników

Modyfikacja jednego genu

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

Proces mutacji

Monitorowanie rozwiązań generowanych przez algorytm

Algorytm zatrzymuje się po przekroczeniu maksymalnego kosztu

Zwiększenie populacji

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

Tylko reprodukcja progowa

Tylko reprodukcja rangowa

Reprodukcja rangowa, progowa, ruletkowa i turniejowa

Tylko reprodukcja turniejowa

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

Nie istnieje coś takiego

Przechodzenie do kolejnego kroku wybierając Y^t

Losowe wybieranie chromosomów Y^t

Generowanie jednego chromosomu na krok i mutacja X^t

Generowanie wielu chromosomów na krok i mutacja X^t

Usunięcie operatora krzyżowania

Regułę selekcji ⅕

Zwiększenie liczby chromosomów w każdym kroku

Samoczynną adaptację zasięgu mutacji

Każdy osobnik ma pamięć z wartościami innych osobników

Posiadanie pamięci przez każdego osobnika

Brak pamięci w strategii ewolucyjnej

Każdy osobnik ma zapamiętane poprzednie generacje

Ograniczenie ruchu osobników na planszy

Zabranianie osobnikom oddalania się od siebie

Wprowadzenie zakazu odwiedzania pewnych rozwiązań przez określony czas

Stałe zamykanie wybranych rozwiązań

Wydzielanie osobników na podstawie ich cech

Stałe łączenie wybranych osobników w pary

Podział jednej populacji na mniejsze grupy

Stosowanie różnych metod selekcji dla osobników

Pomoc w dyfuzji informacji między osobnikami

Nakładanie się sąsiedztw dla zwiększenia populacji

Wybór jednostek, które są z siebie najbardziej oddalone

Ograniczenie interakcji między jednostkami

Wszystkie osobniki łączą się tylko raz

Uwzględnienie relacji rodzinnych

Stałe unikanie krzyżowania się osobników tej samej płci

Reguły zabraniające łączenia się osobników

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 adaptacyjnym, który rozpoznaje nowo pojawiające się antygeny

Jest układem przechowującym informacje o rozpoznanych wcześniej antygenach

Jest układem eliminującym komórki obce od ciała

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

Mutacja punktowa, hipermutacja, wiekowanie

Wiekowanie, eliminacja rozwiązań, przeszukiwanie lokalne

Selekcja, klonowanie, mutacja probabilistyczna

Klonowania, mutacja punktowa, mutacja wielopunktowa

Przydzielanie kolorów wierzchołkom, tak aby sąsiadujące wierzchołki miały różne kolory

Minimalna liczba kolorów potrzebna do pokolorowania grafu

Reprezentacja komórek immunologicznych w postaci listy obiektów

Przykład działania odporności swoistej

Wykrywanie zmian w danych spowodowanych wirusami komputerowymi

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

Przeliczenie stopnia przystosowania przeciwciał

Generacja populacji początkowej przeciwciał