🌘 🤚🏻 👩🏿‍⚖️ हार्मोनिक खोज। सद्भाव की खोज 🍠 🤞🏽 ➡️

Predpredislovie

प्रतिक्रिया द्वारा, इस पोस्ट को ध्यान में रखना तय किया गया था, इसलिए मुझे उम्मीद है कि अब इसे पढ़ना एक अधिक सुखद और जानकारीपूर्ण पाठ बन जाएगा। मैंने अधिकतम सभी इच्छाओं को ध्यान में रखने की कोशिश की।

प्रस्तावना

जैसा कि मैंने पहले लिखा था: हेयुरिस्टिक तरीकों (दोनों काफी सामान्य और अज्ञात) को कवर करने की इच्छा है। इस पोस्ट को यह समझने के लिए किया गया था कि क्या यह विषय आपके लिए दिलचस्पी का होगा। ठीक है, चलो आशा करते हैं कि मुझसे गलती नहीं हुई। पहली विधि जिसे मैं पाठकों से परिचय कराना चाहूंगा वह है हार्मोनिक खोज (एचएस) विधि।

ऐतिहासिक पृष्ठभूमि

तो यह सब कहां से शुरू हुआ? यह सब बहुत पहले शुरू नहीं हुआ था। 2001 में, गीम ने अपना हार्मोनिक खोज एल्गोरिथम (हार्मनी सर्च, या एचएस) विकसित किया और प्रस्तावित किया। कुछ लेखकों का दावा है कि यह एल्गोरिथ्म एक जैज संगीतकार से प्रेरित था, दूसरों का कहना है कि आधार केवल एक सुखद राग बनाने की प्रक्रिया है। इससे सार नहीं बदलता है। एकमात्र महत्वपूर्ण बात यह है कि एक अनुभवी संगीतकार जल्दी से अन्य संगीतकारों के साथ खेल सकता है और कुछ सुंदर को सुधार सकता है। यह एल्गोरिथ्म का आधार बना।

रणनीति

क्लासिक एचएस हार्मोनिक मेमोरी की अवधारणा (आनुवंशिक एल्गोरिदम के मूल पूल के समान) का उपयोग करता है। यहाँ अनुकूलन समस्या के अनुमानित समाधान का प्रतिनिधित्व करने वाले वैक्टर संग्रहीत हैं। प्रारंभ में, वे बेतरतीब ढंग से एक ऐसे क्षेत्र में उत्पन्न होते हैं, जिसकी जांच अधिकतम या न्यूनतम (आप की जरूरत के आधार पर) के लिए की जाती है। इस मेमोरी का आकार स्वाभाविक रूप से सीमित है। फिर शुरू होता है कामचलाऊ व्यवस्था (एल्गोरिथम का पुनरावृत्त भाग)।

स्वयं में सुधार इस प्रकार है:

एक परीक्षण वेक्टर उत्पन्न होता है (या तो बिल्कुल यादृच्छिक रूप से, या मेमोरी से वैक्टर का उपयोग करके),
परीक्षण वेक्टर को संशोधित किया गया है (यदि स्मृति का उपयोग करके परीक्षण वेक्टर बनाया गया था, तो घटकों में थोड़ी बदलाव होता है),
एक संशोधित परीक्षण वेक्टर सबसे खराब उपलब्ध जगह लेता है।

उन लोगों के लिए जो एल्गोरिथ्म के अधिक विस्तृत विवरण में रुचि रखते हैं

एल्गोरिथ्म

एल्गोरिथ्म की योजना अपने आप में विश्वासघाती थी [ 3 ]। कुछ सूत्र जोड़ें ताकि यह सब अधिक सार्थक रूप ले। इसलिए, हमारे पास कुछ कार्य है

कम से कम और खोज क्षेत्र के लिए

(सादगी के लिए हम इसे एक बहुआयामी आयताकार समानांतर चतुर्भुज मानते हैं), जिस पर न्यूनतम बिंदु, या इसके सन्निकटन की तलाश की जाएगी। अगला कदम हमारे खोज क्षेत्र में प्रारंभिक हार्मोनिक्स उत्पन्न करना है

(रैंडम)। मूल्य

उपयोगकर्ता द्वारा निर्धारित किया गया है, और, जैसा कि आप अनुमान लगा सकते हैं, हार्मोनिक्स की संख्या को इंगित करता है जिसे मेमोरी में संग्रहीत किया जा सकता है। इसके अलावा, उपयोगकर्ता को भी निर्दिष्ट करना होगा

- स्मृति में हार्मोनिक्स से चुनने की संभावना,

- संशोधन की संभावना और

- उस संशोधन का मूल्य। अब जबकि सभी तैयारियां कर ली गई हैं, स्पष्ट विवेक के साथ, हम फ़ंक्शन को कम ~~करने के लिए संगीत बनाना~~ शुरू कर सकते हैं। एल्गोरिथ्म को पूरा करने के लिए कसौटी पर खरा उतरने तक चलने वाला पुनरावृत्त भाग जारी रहता है। यह या तो पुनरावृत्तियों की संख्या पर सीमा हो सकती है, या हार्मोनिक मेमोरी को अपडेट किए बिना रन की संख्या, या किसी विशेष मीट्रिक के अर्थ में जोड़े गए हार्मोनिक की निकटता। यह सब आपकी इच्छा पर निर्भर करता है। पुनरावृत्त भाग के दौरान, निम्न होता है:

एक नया शून्य हार्मोनिक बनाएं ।
अगला, प्रत्येक हार्मोनिक घटक के लिए, हम निम्नलिखित करते हैं: एक यादृच्छिक संख्या उत्पन्न करते हैं समान रूप से शून्य से एक में वितरित किया जाता है। अगर से कम है , तो हम मेमोरी से यादृच्छिक चयनित हार्मोनिक से संबंधित घटक को वर्तमान घटक में लिखते हैं। अन्यथा, घटक अनियमित रूप से उत्पन्न होता है, जो संबंधित खोज क्षेत्र से संबंधित होता है । यदि स्मृति का उपयोग करके घटक उत्पन्न किया गया था, तो शायद इसे संशोधित करने की आवश्यकता है। इसके लिए, एक यादृच्छिक संख्या फिर से उत्पन्न होती है समान रूप से शून्य से एक में वितरित किया जाता है। अगर से कम है , तब घटक द्वारा बदल जाता है जहाँ - यादृच्छिक चर समान रूप से वितरित को ।
अगर तो विकल्प (मेमोरी अपडेट की जा रही है)।

पेशेवरों और विपक्ष

पेशेवरों:

सादगी (कार्यान्वयन और समझ दोनों)। दरअसल, एल्गोरिथ्म संचालन के साथ ढेर नहीं है (वास्तव में, केवल यादृच्छिक संख्या पीढ़ी और वेक्टर संशोधन);
विन्यास योग्य मापदंडों की एक छोटी संख्या और मापदंडों को चुनने के लिए सिफारिशों की उपलब्धता;
एक शून्य-क्रम विधि है (संख्यात्मक विभेदन की कोई आवश्यकता नहीं है, और, इसलिए, इस प्रक्रिया से जुड़ी सभी कठिनाइयाँ);
विधि आसानी से और आसानी से अन्य तरीकों में एम्बेडेड है (उदाहरण के लिए, स्मृति एल्गोरिदम में, या एक आनुवंशिक एल्गोरिथ्म के अतिरिक्त समोच्च के रूप में)।

विपक्ष:

अभिसरण की कम दर;
मेरी राय में, विधि बड़ी-आयामी समस्याओं को सुलझाने के लिए लागू होती है (जैसे कि एनालिंग सिमुलेशन विधि) क्योंकि संचालन की सादगी के कारण जो विधि बनाते हैं (इस मामले में, समान आनुवंशिक एल्गोरिदम तेजी से परिमाण के एक क्रम को तेज करते हैं)।

सूत्रों का उपयोग किया

ज़ोंग वू गीम, संगीत-प्रेरित सद्भाव खोज एल्गोरिथम (स्प्रिंगर)
विकिपीडिया ,
Chukiat Worasucheep द्वारा लिखित लेख (एचएस विविधता के लिंक हैं),
मेरे पसंदीदा लेखकों और विद्वानों में से एक शिन-शी यांग का एक लेख ।

अंतभाषण

मैं एक अच्छी परंपरा स्थापित करना चाहता हूं - मतदान द्वारा भविष्य की पोस्ट के विषय को निर्धारित करने के लिए। तो उन सभी से अनुरोध है, जो अगले पोस्ट के विषय के लिए वोट करने के लिए परवाह करते हैं।

हार्मोनिक खोज। सद्भाव की खोज