การหาค าเหมาะท ส ดในการค นหาเช งร บ อ งกฤษ reactive search optimization หมายถ งการศ กษาสำน กด วยการค นเฉพาะท local searc

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