การหาค่าเหมาะที่สุดในการค้นหาเชิงรับ (อังกฤษ: reactive search optimization) หมายถึงการศึกษาสำนึกด้วยการค้นเฉพาะที่ (local-search heuristics) บนพื้นฐานของการเรียนรู้ของเครื่อง เป็นหนึ่งในขึ้นตอนวิธีการหาค่าเหมาะที่สุดที่เป็นการค้นเฉพาะที่ หรือเป็นรูปแบบหนึ่งของการศึกษาสำนึกซึ่งปรับเปลี่ยนค่าในการทำงานในระหว่างขั้นตอนการหาค่าเหมาะที่สุด
ลักษณะโดยทั่วไป: การเรียนรู้ในขณะค้นหาค่าเหมาะที่สุด
การหาค่าเหมาะที่สุดในการค้นหาเชิงรับก็เหมือนวิธีการค้นเฉพาะที่ทั่ว ๆ ไปที่ถูกนำมาใช้แก้ปัญหาจำพวกการหาโครงแบบที่เหมาะสมของระบบ โดยที่โครงแบบดังกล่าวมักจะประกอบด้วยตัวแปรที่เปลี่ยนแปลงไปมาทั้งในลักษณะที่ต่อเนื่องและไม่ต่อเนื่อง แต่ในขณะเดียวกันเกณฑ์ในการหาค่าเหมาะที่สุดนั้นเป็นเพียงตัวเลขตัวเดียว ส่วนใหญ่แล้วปัญหาการหาค่าเหมาะที่สุดนั้นมักจะถูกลดรูปไปสู่ปัญหาการหาค่าน้อยที่สุดของฟังก์ชันที่มีอากิวเมนต์ของฟังก์ชันคือตัวแปรโครงแบบที่ถูกมองว่าเป็นตัวแปรอิสระในโดเมนของฟังก์ชันนี้
การหาค่าเหมาะที่สุดในการค้นหาเชิงรับนั้นสนับสนุนการผสมผสานกันระหว่างวิธีการการเรียนรู้ของเครื่องภายใต้วิธีทางสัญลักษญ์ (sub-symbolic machine learning) และการศึกษาสำนึกด้วยวิธีการค้นหา (search heuristics) เพื่อร่วมกันแก้ปัญหาการค้นหาค่าเหมาะที่สุดที่ซับซ้อน คำว่า "เชิงรับ" นั้น หมายถึงพร้อมเสมอที่จะตอบสนองต่อเหตุการณ์ระหว่างการค้นหา ทั้งประวัติในการค้นหาและความรู้ต่างๆที่เก็บสะสมมาในขณะที่เคลื่อนตัวผ่านพื้นที่โครงแบบนั้นถูกใช้ในการปรับตัวเองอย่างอัตโนมัติ ซึ่งขั้นตอนวิธีการนี้ได้ถูกสร้างขึ้นมาเพื่อให้มีความยืนหยุ่นต่อการจัดการกับปัญหาที่แตกต่างในระหว่างการค้นหา หรือกล่าวโดยสรุปว่ามันมีความมสามารถในการปรับตัวอย่างอัตโนมัติโดยการตัดสินใจจากประสบการณ์ในอดีตนั่นเอง
ในโลกแห่งความเป็นจริงนั้น คนต้องพบเจอกับปัญหาในชีวิตประจำวันมากมาย เรามักเลือกตัดสินปัญหาหลายๆอย่างโดยยึดจากการสังเกตและเรียนรู้ประสบการณ์ที่ผ่านมาในอดีตเป็นแนวทางในการแก้ไขและพัฒนา นอกจากนี้สมองของคนมีการเรียนรู้ที่รวดเร็วทำให้ในบางครั้งที่ตัดสินใจทำอะไรไปแล้ว ก็สามารถต้องเปลี่ยนแผนกลางครันเมื่อเห็นว่าเราเดินมาผิดทางและมีทางที่น่าจะได้ผลดีกว่าทางปัจจุบัน ด้วยพฤติกรรมของคนนี้เองเป็นแบบอย่างให้เกิดขึ้นตอนวิธีนี้ขึ้น เพราะในโลกของการแก้ปัญหาทางคอมพิวเตอร์นั้นก็มีวิธีการค้นหาคำตอบมากมายผ่านปริภูมิการค้นหา(search space)เช่นเดียวกัน ทำให้เกิดการเพิ่มวิธีการเรียนรู้ของเครื่องไปสู่การหาค่าเหมาะที่สุดในการค้นหาเชิงรับ
ปัญหาการปรับค่าตัวแปรในกระบวนการศึกษาสำนึก
การศึกษาสำนึกในปัญหาการค้นหาส่วนใหญ่เช่น กาค้นหาด้วยวิธีการทาบู (tabu search) และการจำลองการอบเหนียว ได้ถูกนำมาใช้ในโปรแกรมคอมพิวเตอร์อย่างมีประสิทธภาพและมีประโยชน์ โดยการศึกษาสำนึกเหล่านี้มีลักษณะที่อ่อนไหวต่อตัวแปรภายในเป็นอย่างมาก ตัวอย่างเช่นปัญหาการจำลองการอบเหนียวซึ่งขึ้นอยู่การตารางเวลาการหลอมบ่อยครั้งถูกอธิบายโดยตัวแปรอัตราการทำให้เย็นตัวลง (cooling rate) โดยค่าที่เหมาะที่สุดมีควาแตกต่างไปตามแต่ละกรณีซึ่งกำลังถูกแก้ไป ดังนั้นขึ้นตอนวิธีเดียวกันจึงต้องการค่าการเปลี่ยนที่ดีและแน่นอนเพื่อที่สามารถนำมาใช้กับปัญหาใหม่ได้ ในขั้นตอนการหาค่าเหมาะที่สุดโดยทั่วไปผู้ออกแบบมักจะใส่การปรับเปลี่ยนเพียงเล็กน้อยในขึ้นตอนวิธีนั้นเพื่อเพิ่มความเร็วของระบบ
เป็นที่สังเกตว่าผลการวิจัยจำนวนมากที่เกี่ยวกับการศึกษาสำนึกการค้นหาค่าเหมาะที่สุดมีความลำเอียงมาจากปัญหานี้ เพราะในบางครั้งประสิทธิภาพของขั้นตอนวิธีถูกคำนวณหลังจากที่ได้เปลี่ยนตัวแปรแล้ว ทั้งที่จริงแล้วกำลังทั้งหมดของการหาค่าเหมาะที่สุดรวมถึงเวลาในการปรับค่าตัวแปรควรที่จะถูกรวมเข้ามาคิดด้วย
การปรับค่าตัวแปรในฐานะองค์ประกอบหลักของการศึกษาสำนึก
การหาค่าเหมาะที่สุดในการค้นหาเชิงรับให้วิธีการแก้ปัญหาโดยการบวกกลไกการปรับค่าตัวแปรลงไปในขึ้นตอนวิธีการค้นหาด้วยตัวมันเอง ซึ่งตัวแปรเหล่านี้จะถูกปรับด้วยวงวนการป้อนข้อมูลอัตโนมัติตัวหนึ่งซึ่งจะปรับตัวไปตามคุณภาพของวิธีแก้ปัญหาที่พบ โดยยึดจากประวัติการค้นหา และจากเกณฑ์อื่นๆ
ประโยชน์
- ความอัตโนมัติของวิธีการหาค่าเหมาะที่สุดรวมถึงความอัตโนมัติของขึ้นตอนการปรับค่าตัวแปรที่เหมาะสม
- การปรับตัวพลวัตของตัวแปรการค้นหา ซึ่งอาจจะเกิดขึ้นในทุกๆก้าวของการค้นหา นำไปสู่เวลาในการหาค่าเหมาะที่สุดรวมที่เร็วขึ้น
- รูปแบบที่เพิ่มขึ้นของผลลัพธ์เพราะขั้นตอนวิธีที่สมบูรณ์แบบของการปรับค่าตัวแปร
การหาค่าเหมาะที่สุดในการค้นหาเชิงรับกับการค้นหาค่าเหมาะที่สุดอย่างชาญฉลาด
การหาค่าเหมาะที่สุดในการค้นหาเชิงรับจัดอยู่ในพื้นที่การวิจัยที่ซ้อนทับกันหลายองค์ประกอบ ทั้งการวิจัยทางการจัดการ (การหาค่าเหมาะที่สุด) วิทยาการคอมพิวเตอร์ การเรียนรู้ของเครื่อง รวมถึงโครงข่ายประสาทเทียมจุดประสงค์หลักคือเพื่อที่จะศึกษารูปแบบการเรียนรุ้ที่สามารถประยุกต์ใช้ไปในการแก้ไขปัญหาและการหาค่าเหมาะที่สุด
สัญญาณการเรียนรู้ที่ส่งผลต่อการปรับค่าตัวแปรภายในของวิธีการการแก้ปัญหาได้มาจากสามแหล่ง คือ
- ลักษณะของปัญหาการค้นหาค่าเหมาะที่สุด ตัวอย่างเช่น ตัวแปรและตัวเลือกสำหรับการค้นหาที่ถูกประยุกต์ไปใช้กับปัญหา Travelling salesman problem(TSP) จะแตกต่างอย่างมากตัวแปรที่ใช้กับปัญหา Satisfiability
- กรณีที่เฉพาะเจาะจง ตัวอย่างเช่น การแก้ปัญหา TSP สำหรับเมืองในเทือกเขาแอลป์อาจจะต้องการตัวแปรการแก้ปัญหานี้สำหรับเมืองในพื้นราบ
- ลักษณะพิเศษในปริภูมิโครงแบบโดยรอบคำตอบที่ถูกเลือก ตัวอย่างเช่นถ้าคำตอบปัจจุบันถูกจำกัดอยู่ในอ่างน้ำรอบจุดเหมาะที่สุด(local optimum) ลักษณะของอ่างน้ำ เช่น เส้นผ่านศูนย์กลาง ความสูงของผนังอ่าง เป็นต้น สามารถถูกใช้เพื่อที่จะปรับแต่งวิธีการหลบหนีที่หลากหลาย
โปรแกรมที่เกี่ยวข้อง
มีโปรแกรมมากมายที่เกี่ยวข้องกับการค้นหาเชิงรับเพราะเป็นหนึ่งในการค้นเฉพาะที่สนับสนุนโปรแกรมจำนวนมาก ต่อไปนี้คือโปรแกรมที่ได้ถูกตีพิมพ์มาไม่กี่ปีมานี้และมีความน่าสนใจที่เกี่ยวกับการค้นหาเชิงรับ
- quadratic assignment
- training neural nets and control problems
- vehicle-routing
- structural acoustic control
- special-purpose VLSI realizations
- graph partitioning
- electric power distribution
- maximum satisfiability
- constraint satisfaction
- optimization of continuous functions
- traffic grooming in optical networks
- maximum clique
- real-time dispatch of trams in storage yards
- roof truss design
- increasing internet capacity
- improving vehicle safety
- aerial reconnaissance simulations
สรุป
การหาค่าเหมาะที่สุดในการค้นหาเชิงรับนั้นเป็นศาสตร์ที่มีความเกี่ยวข้องกับศาสตร์หลายแขนงมาก และมีความน่าสนใจมาก เพราะอย่างที่ทราบกันว่าปัญหาหลายๆปัญหานั้นมีความยากและต้องใช้เวลานานในการหาคำตอบ หรือการประมวลผลอุปกรณ์บางอย่างต้องทำอย่างต่อเนื่อง ยกตัวอย่างเช่นเทคโนโลยีทางด้านการเรียนรู้ของเครื่อง ที่ต้องการให้เครื่องมีการเรียนรู้อยู่ตลอดเวลา มีการปรับเปลี่ยนวีธีการประมวลสิ่งต่างๆ และแก้ปัญหาต่างๆอยู่ตลอดเวลา ลองจินตนาการดูว่าอีกไม่นานเราก็จะมีสุนัขที่เป็นหุ่นยนต์ แรกเริ่มที่เราซื้อมามันก็ยังทำอะไรไม่เป็นแต่เมื่อเราสอน มันก็เรียนรู้ได้เฉกเช่นเดียวกับสุนัขจริงๆ คงจะดีไม่น้อยนะครับอีกต่อไปเราคงไม่คงไม่ต้องพามันไปหาสัตวแพทย์อยู่บ่อยๆเพราะป่วยเป็นโรคโน่นโรคนี่ หรืออย่างหนังทางวิทยาศาสตร์ที่หุ่นยนต์มายึดครองโลกก็ตาม ลากมาซะยาวก็เพื่อต้องการจะให้เห็นถึงความวิเศษของขั้นตอนวิธีการหาค่าเหมาะที่สุดในการค้นหาเชิงรับนี้ สิ่งเล็กๆแค่นี้อาจจะดูยิ่งใหญ่ไปซักหน่อย แต่เป็นก้าวย่างที่ดีที่จะนำเราไปสู่อีกหลายๆเทคโนโลยีที่กำลังมาในโลกปัจจุบัน
ดูเพิ่ม
อ้างอิง
- Battiti, Roberto (2008). Reactive Search and Intelligent Optimization. . ISBN . คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 2012-03-16. สืบค้นเมื่อ 2011-09-28.
{{}}
: ไม่รู้จักพารามิเตอร์|coauthors=
ถูกละเว้น แนะนำ (|author=
) ((help)) - Battiti, Roberto (2011). Reactive Business Intelligence. From Data to Models to Insight. Trento, Italy: Reactive Search Srl. ISBN . คลังข้อมูลเก่าเก็บจากแหล่งเดิมเมื่อ 2011-03-15. สืบค้นเมื่อ 2011-09-28.
{{}}
: ไม่รู้จักพารามิเตอร์|coauthors=
ถูกละเว้น แนะนำ (|author=
) ((help)) - Battiti, Roberto (1994). "The reactive tabu search" (PDF). ORSA Journal on Computing. 6 (2): 126–140.
{{}}
: ไม่รู้จักพารามิเตอร์|coauthors=
ถูกละเว้น แนะนำ (|author=
) ((help))
แหล่งข้อมูลอื่น
- The Reactive Search Community เก็บถาวร 2010-06-02 ที่ เวย์แบ็กแมชชีน
- LION Conference on Learning and Intelligent Optimization techniques เก็บถาวร 2010-11-08 ที่ เวย์แบ็กแมชชีน
- Reactive Search srl เก็บถาวร 2011-09-03 ที่ เวย์แบ็กแมชชีน
wikipedia, แบบไทย, วิกิพีเดีย, วิกิ หนังสือ, หนังสือ, ห้องสมุด, บทความ, อ่าน, ดาวน์โหลด, ฟรี, ดาวน์โหลดฟรี, mp3, วิดีโอ, mp4, 3gp, jpg, jpeg, gif, png, รูปภาพ, เพลง, เพลง, หนัง, หนังสือ, เกม, เกม, มือถือ, โทรศัพท์, Android, iOS, Apple, โทรศัพท์โมบิล, Samsung, iPhone, Xiomi, Xiaomi, Redmi, Honor, Oppo, Nokia, Sonya, MI, PC, พีซี, web, เว็บ, คอมพิวเตอร์
karhakhaehmaathisudinkarkhnhaechingrb xngkvs reactive search optimization hmaythungkarsuksasanukdwykarkhnechphaathi local search heuristics bnphunthankhxngkareriynrukhxngekhruxng epnhnunginkhuntxnwithikarhakhaehmaathisudthiepnkarkhnechphaathi hruxepnrupaebbhnungkhxngkarsuksasanuksungprbepliynkhainkarthanganinrahwangkhntxnkarhakhaehmaathisudlksnaodythwip kareriynruinkhnakhnhakhaehmaathisudkarhakhaehmaathisudinkarkhnhaechingrbkehmuxnwithikarkhnechphaathithw ipthithuknamaichaekpyhacaphwkkarhaokhrngaebbthiehmaasmkhxngrabb odythiokhrngaebbdngklawmkcaprakxbdwytwaeprthiepliynaeplngipmathnginlksnathitxenuxngaelaimtxenuxng aetinkhnaediywkneknthinkarhakhaehmaathisudnnepnephiyngtwelkhtwediyw swnihyaelwpyhakarhakhaehmaathisudnnmkcathukldrupipsupyhakarhakhanxythisudkhxngfngkchnthimixakiwemntkhxngfngkchnkhuxtwaeprokhrngaebbthithukmxngwaepntwaeprxisrainodemnkhxngfngkchnni karhakhaehmaathisudinkarkhnhaechingrbnnsnbsnunkarphsmphsanknrahwangwithikarkareriynrukhxngekhruxngphayitwithithangsylksy sub symbolic machine learning aelakarsuksasanukdwywithikarkhnha search heuristics ephuxrwmknaekpyhakarkhnhakhaehmaathisudthisbsxn khawa echingrb nn hmaythungphrxmesmxthicatxbsnxngtxehtukarnrahwangkarkhnha thngprawtiinkarkhnhaaelakhwamrutangthiekbsasmmainkhnathiekhluxntwphanphunthiokhrngaebbnnthukichinkarprbtwexngxyangxtonmti sungkhntxnwithikarniidthuksrangkhunmaephuxihmikhwamyunhyuntxkarcdkarkbpyhathiaetktanginrahwangkarkhnha hruxklawodysrupwamnmikhwammsamarthinkarprbtwxyangxtonmtiodykartdsiniccakprasbkarninxditnnexng Da Vinci s man RSO inspiration inolkaehngkhwamepncringnn khntxngphbecxkbpyhainchiwitpracawnmakmay eramkeluxktdsinpyhahlayxyangodyyudcakkarsngektaelaeriynruprasbkarnthiphanmainxditepnaenwthanginkaraekikhaelaphthna nxkcaknismxngkhxngkhnmikareriynruthirwderwthaihinbangkhrngthitdsinicthaxairipaelw ksamarthtxngepliynaephnklangkhrnemuxehnwaeraedinmaphidthangaelamithangthinacaidphldikwathangpccubn dwyphvtikrrmkhxngkhnniexngepnaebbxyangihekidkhuntxnwithinikhun ephraainolkkhxngkaraekpyhathangkhxmphiwetxrnnkmiwithikarkhnhakhatxbmakmayphanpriphumikarkhnha search space echnediywkn thaihekidkarephimwithikareriynrukhxngekhruxngipsukarhakhaehmaathisudinkarkhnhaechingrb pyhakarprbkhatwaeprinkrabwnkarsuksasanuk karsuksasanukinpyhakarkhnhaswnihyechn kakhnhadwywithikarthabu tabu search aelakarcalxngkarxbehniyw idthuknamaichinopraekrmkhxmphiwetxrxyangmiprasiththphaphaelamipraoychn odykarsuksasanukehlanimilksnathixxnihwtxtwaeprphayinepnxyangmak twxyangechnpyhakarcalxngkarxbehniywsungkhunxyukartarangewlakarhlxmbxykhrngthukxthibayodytwaeprxtrakarthaiheyntwlng cooling rate odykhathiehmaathisudmikhwaaetktangiptamaetlakrnisungkalngthukaekip dngnnkhuntxnwithiediywkncungtxngkarkhakarepliynthidiaelaaennxnephuxthisamarthnamaichkbpyhaihmid inkhntxnkarhakhaehmaathisudodythwipphuxxkaebbmkcaiskarprbepliynephiyngelknxyinkhuntxnwithinnephuxephimkhwamerwkhxngrabb epnthisngektwaphlkarwicycanwnmakthiekiywkbkarsuksasanukkarkhnhakhaehmaathisudmikhwamlaexiyngmacakpyhani ephraainbangkhrngprasiththiphaphkhxngkhntxnwithithukkhanwnhlngcakthiidepliyntwaepraelw thngthicringaelwkalngthnghmdkhxngkarhakhaehmaathisudrwmthungewlainkarprbkhatwaeprkhwrthicathukrwmekhamakhiddwy karprbkhatwaeprinthanaxngkhprakxbhlkkhxngkarsuksasanuk karhakhaehmaathisudinkarkhnhaechingrbihwithikaraekpyhaodykarbwkklikkarprbkhatwaeprlngipinkhuntxnwithikarkhnhadwytwmnexng sungtwaeprehlanicathukprbdwywngwnkarpxnkhxmulxtonmtitwhnungsungcaprbtwiptamkhunphaphkhxngwithiaekpyhathiphb odyyudcakprawtikarkhnha aelacakeknthxun praoychn khwamxtonmtikhxngwithikarhakhaehmaathisudrwmthungkhwamxtonmtikhxngkhuntxnkarprbkhatwaeprthiehmaasm karprbtwphlwtkhxngtwaeprkarkhnha sungxaccaekidkhuninthukkawkhxngkarkhnha naipsuewlainkarhakhaehmaathisudrwmthierwkhun rupaebbthiephimkhunkhxngphllphthephraakhntxnwithithismburnaebbkhxngkarprbkhatwaeprkarhakhaehmaathisudinkarkhnhaechingrbkbkarkhnhakhaehmaathisudxyangchaychladRSO is multi disciplinary karhakhaehmaathisudinkarkhnhaechingrbcdxyuinphunthikarwicythisxnthbknhlayxngkhprakxb thngkarwicythangkarcdkar karhakhaehmaathisud withyakarkhxmphiwetxr kareriynrukhxngekhruxng rwmthungokhrngkhayprasathethiymcudprasngkhhlkkhuxephuxthicasuksarupaebbkareriynruthisamarthprayuktichipinkaraekikhpyhaaelakarhakhaehmaathisud syyankareriynruthisngphltxkarprbkhatwaeprphayinkhxngwithikarkaraekpyhaidmacaksamaehlng khux lksnakhxngpyhakarkhnhakhaehmaathisud twxyangechn twaepraelatweluxksahrbkarkhnhathithukprayuktipichkbpyha Travelling salesman problem TSP caaetktangxyangmaktwaeprthiichkbpyha Satisfiability krnithiechphaaecaacng twxyangechn karaekpyha TSP sahrbemuxnginethuxkekhaaexlpxaccatxngkartwaeprkaraekpyhanisahrbemuxnginphunrab lksnaphiessinpriphumiokhrngaebbodyrxbkhatxbthithukeluxk twxyangechnthakhatxbpccubnthukcakdxyuinxangnarxbcudehmaathisud local optimum lksnakhxngxangna echn esnphansunyklang khwamsungkhxngphnngxang epntn samarththukichephuxthicaprbaetngwithikarhlbhnithihlakhlayopraekrmthiekiywkhxngmiopraekrmmakmaythiekiywkhxngkbkarkhnhaechingrbephraaepnhnunginkarkhnechphaathisnbsnunopraekrmcanwnmak txipnikhuxopraekrmthiidthuktiphimphmaimkipimaniaelamikhwamnasnicthiekiywkbkarkhnhaechingrb quadratic assignment training neural nets and control problems vehicle routing structural acoustic control special purpose VLSI realizations graph partitioning electric power distribution maximum satisfiability constraint satisfaction optimization of continuous functions traffic grooming in optical networks maximum clique real time dispatch of trams in storage yards roof truss design increasing internet capacity improving vehicle safety aerial reconnaissance simulationssrupkarhakhaehmaathisudinkarkhnhaechingrbnnepnsastrthimikhwamekiywkhxngkbsastrhlayaekhnngmak aelamikhwamnasnicmak ephraaxyangthithrabknwapyhahlaypyhannmikhwamyakaelatxngichewlananinkarhakhatxb hruxkarpramwlphlxupkrnbangxyangtxngthaxyangtxenuxng yktwxyangechnethkhonolyithangdankareriynrukhxngekhruxng thitxngkarihekhruxngmikareriynruxyutlxdewla mikarprbepliynwithikarpramwlsingtang aelaaekpyhatangxyutlxdewla lxngcintnakarduwaxikimnanerakcamisunkhthiepnhunynt aerkerimthierasuxmamnkyngthaxairimepnaetemuxerasxn mnkeriynruidechkechnediywkbsunkhcring khngcadiimnxynakhrbxiktxiperakhngimkhngimtxngphamniphastwaephthyxyubxyephraapwyepnorkhonnorkhni hruxxyanghnngthangwithyasastrthihunyntmayudkhrxngolkktam lakmasayawkephuxtxngkarcaihehnthungkhwamwiesskhxngkhntxnwithikarhakhaehmaathisudinkarkhnhaechingrbni singelkaekhnixaccaduyingihyipskhnxy aetepnkawyangthidithicanaeraipsuxikhlayethkhonolyithikalngmainolkpccubnduephimkarcalxngkarxbehniyw khntxnwithiechingphnthukrrmxangxingBattiti Roberto 2008 Reactive Search and Intelligent Optimization ISBN 978 0 387 09623 0 khlngkhxmulekaekbcakaehlngedimemux 2012 03 16 subkhnemux 2011 09 28 a href wiki E0 B9 81 E0 B8 A1 E0 B9 88 E0 B9 81 E0 B8 9A E0 B8 9A Cite book title aemaebb Cite book cite book a imruckpharamietxr coauthors thuklaewn aenana author help Battiti Roberto 2011 Reactive Business Intelligence From Data to Models to Insight Trento Italy Reactive Search Srl ISBN 978 88 905795 0 9 khlngkhxmulekaekbcakaehlngedimemux 2011 03 15 subkhnemux 2011 09 28 a href wiki E0 B9 81 E0 B8 A1 E0 B9 88 E0 B9 81 E0 B8 9A E0 B8 9A Cite book title aemaebb Cite book cite book a imruckpharamietxr coauthors thuklaewn aenana author help Battiti Roberto 1994 The reactive tabu search PDF ORSA Journal on Computing 6 2 126 140 a href wiki E0 B9 81 E0 B8 A1 E0 B9 88 E0 B9 81 E0 B8 9A E0 B8 9A Cite journal title aemaebb Cite journal cite journal a imruckpharamietxr coauthors thuklaewn aenana author help aehlngkhxmulxunThe Reactive Search Community ekbthawr 2010 06 02 thi ewyaebkaemchchin LION Conference on Learning and Intelligent Optimization techniques ekbthawr 2010 11 08 thi ewyaebkaemchchin Reactive Search srl ekbthawr 2011 09 03 thi ewyaebkaemchchin