tinkamas genetinių operatorių ir lokaliojo individų (sprendinių) gerinimo derinimas leidžia gerokai padidinti genetinės paieškos efektyvumą.

No abstract

Kombinatorinis optmizavimas ir metaeuristiniai metodai: teoriniai aspektai alfonsas misevičiusKauno technologijos universiteto Multimedijos inžinerijos katedros techn. m. dr., Straipsnyje aptariami kombinatorinio optimizavimo ir intelektualių optimizavimo priemonių, t. y. me taeuristinių metodų (metaeuristikų), teoriniai aspektai. Apibūdinami kombinatorinio optimizavimo už daviniai, jų savybės, specifika. Pagrindinis dėmesys skiriamas metaeuristinių optimizavimo metodų charakterizavimui būtent kombinatorinio optimizavimo kontekste. Trumpai formuluojami metaeuristi nių metodų tikslai, bendrosios nuostatos, taip pat akcentuojamas šių metodų savitumas, modernu mas. Išsamiau apžvelgiami skiriamieji metaeuristikų bruožai, aprašomos svarbesnės teorinės meta euristinių metodų aiškinimo kryptys. Pabaigoje pateikiamos apibendrinamosios pastabos.

Straipsnis skiriamas euristinių optimizavimo algoritmų, kurie jau kelis dešimtmečius traukia kompiuterių mokslo specialistų dėmesį, klasifikavimo klausimų aptarčiai. Jame apibrėžiami euristinių algoritmų tikslai, paskirtis, jų principiniai skiriamieji faktoriai, savybės. Apžvelgiamos svarbesnių euristinių optimizavimo algoritmų (tokių kaip atkaitinimo modeliavimas, tabu paieška, genetiniai algoritmai ir pan.) klasifikavimo schemos (metodikos). Nagrinėjamas universalios algoritmų sudedamųjų komponentų matricos – substancinių konceptų sistemos – naudojimas klasifikuojant euristinius algoritmus. Pabaigoje pateikiamos apibendrinamosios išvados.Reikšminiai žodžiai: algoritmai, algoritmų klasės, euristiniai ir metaeuristiniai algoritmai, algoritmų klasifikavimas.On the classification of heuristic algorithmsAlfonsas Misevičius, Vytautas Bukšnaitis, Jonas Blonskis SummaryIn this paper, the issues related to the classification (taxonomy) of heuristic optimization algorithms are discussed. Firstly, the main goals and features of heuristic techniques are introduced. Further, we outline some important classification schemes (templates) for the classical and modern heuristic algorithms such as (descent) local search, simulated annealing, tabu search, genetic (evolutionary) algorithms, ant colony optimization, etc. We also analyze the basic aspects of a universal classification template based on a set of so-called substantial concepts, i.e. the fundamental structural components of the algorithms. The paper is completed with concluding remarks. Key words: algorithms, heuristic and metaheuristic algorithms, classification of algorithms.

No abstract