万用启发式演算法metaheuristics研讨会研习心得.pdfVIP

萬用啟發式演算法 (Metaheuristics)研討會 研習心得 「演算法」就是解決問題的策略與法則。演算法是解決某一個工 作或問題 所需要的一些有限個數的指令或步驟， ，同時需要具備下列 五項條件: 1. 準確描述的輸入：演算法通常是接受一些輸入，再加以處理或運 算後，產生一些輸出值。這些輸入必須有清楚的型別和個數描 述。例如歐幾里得演算法，需要兩個自然數作為輸入。 2. 每一個指令必須具有明確性（definiteness ）及有效性 （effectiveness ），清楚而不造成混淆，並且能讓人們用紙筆來執 行運算。 3. 正確性：演算法既是以解題為目的，所以我們必須能夠證明一演 算法可以正確解決問題。 4. 有限性：演算法必須在有限步驟內結束。通常我們不需要知道執 行步驟的確實數目，反而會想知到他的執行上限。也就是說，我 們比較想知道執行此演算法的步驟或時間不會超過某個上限。這 對於我們瞭解並評估演算法相當重要。 5. 結果的描述與輸出：例如歐幾里得演算法的輸出，是兩個自然數 的最大公因數，也是一個自然數。 演算法（algorithm ）的正式說法是指任何有良好定義的計算程序， 在韋氏字典定義為：「在有限步驟內解決數學問題的程序」。在計算 機科學領域中，我們所解決的問題不再只限於數學問題，因此演算法 泛指那些適合被實做成計算機程式的解題方法。此計算程序會採用一 些數值，或是一群數值來當作輸入值，並且輸出一些數值或一群數 值。所以一個演算法是一連續的計算步驟，並且能將輸入值轉換成輸 出值(如下圖所示1 ) 。 圖 1. 演算法的定義 而由於萬用啟發式演算法 (Metaheuristics)是一種新興的最佳演算 法，其概念通常是經由觀察自然界所獲得的靈感，例如GA演算法是 源自於生物演化、蟻群演算法習自蟻群的覓食行為，粒子群最佳化演 算法則是效法鳥類的覓食 。這些演算法非常具有彈性，可求解許多不 同問題 且做法簡單，求解效率高，因此已經成為數量方法中最重要的 方法之ㄧ。此次研習 針對上述之GA 、蟻群、粒子群與 Tabu Search 等 演算法進行介紹，重點簡要整理如下：  基因演算法(GE)是模擬生物演化機制的方法，藉由編碼、交配、 突變、複製等方式來尋找最佳解的演算法。  粒子群最佳化(PSO)演算法則是模仿個體與群體互動模式的演算 法，透過個體更新速度的方式來尋找群體最佳解的演算法。  基因演算法與粒子群最佳化演算法都是 Population-based 演算法 的一種，然而 PSO演算機制比 GA 為簡單，在所做過的實驗中多 數也是 PSO演算法在速度、品質上贏過 GA 。 螞蟻演算法為 90 年代根據螞蟻族群搜尋食物的現象，所發展而 成的萬用啟發式演算法。現今，已有越來越多的學者針對螞蟻演 算法進行改良 與修正，並應用於許多組合最佳化問題。  就程式運算速度來說， PSO是比目前所知的啟發式演算法來的快 許多，尤其是跟 GA演算法比，它少了編碼的過程，事實上 GA 演算法在解空間編碼的過程與速度，是為人詬病的一塊，但如果 沒有編碼的過程，則後面的運算機制其實意義就不大。然而就以 前實驗的經驗來說， GA雖然處理過程比較慢，但是比起 PSO 類 神經網路訓練起來的品質要好些，但是比起最初的導傳遞類神經 所使用的最陡坡降法還要差， PSO反而在某些情況下速度比導傳 遞的過程還要快，解的品質也尚可接受，但兩種啟發式演算法在 參數設計上，確實都是一門學問。 而演算法可以解決什麼樣的問題呢？實際的應用相當廣泛，並且 到處可見，小到一般學生用來解決課業上的問題，大至許多大型研究 計畫，我們舉了以下幾個例子做為參考：  人體基因計畫希望能夠辨識人體DNA所有的基因，並且決定 組成人體DNA 其30億個化學基礎對的順序，再將這些資訊儲 存成資料庫，並且發