স্টোচাস্টিক হিল ক্লাইম্বিং সাধারণত স্টিপেস্ট হিল ক্লাইম্বিংয়ের চেয়ে খারাপ কাজ করে তবে কী কী ক্ষেত্রে প্রাক্তন আরও ভাল পারফর্ম করে?
স্টিপেষ্টিক হিল ক্লাইম্বিং স্টিপেস্ট হিল ক্লাইম্বিংয়ের উপরে কখন বাছবেন?
উত্তর:
খাড়া পাহাড়ের আরোহণ অ্যালগরিদম উত্তল অপ্টিমাইজেশনের জন্য ভাল কাজ করে। তবে, বাস্তব বিশ্বের সমস্যাগুলি সাধারণত নন-উত্তল অপ্টিমাইজেশন ধরণের: একাধিক শৃঙ্গ রয়েছে। এই জাতীয় ক্ষেত্রে, যখন এই অ্যালগরিদম এলোমেলো সমাধানে শুরু হয়, তখন এটির চূড়ান্ত পরিবর্তে স্থানীয় শিখরে পৌঁছানোর সম্ভাবনা বেশি। সিমুলেটেড অ্যানিলিংয়ের মতো উন্নতিগুলি স্থানীয় শিখর থেকে দূরে সরে যাওয়ার জন্য অ্যালগরিদমকে মঞ্জুর করে এবং এই কারণে এটি বৈশ্বিক শিখরটি খুঁজে পাওয়ার সম্ভাবনা বাড়িয়ে দেয় me
স্পষ্টতই, শুধুমাত্র একটি শিখরের একটি সাধারণ সমস্যার জন্য, খাড়া পাহাড়ী আরোহণ সবসময় আরও ভাল। কোনও বৈশ্বিক শিখর পাওয়া গেলে এটি তাড়াতাড়ি থামতেও ব্যবহার করতে পারে। তুলনায়, সিমুলেটেড অ্যানিলিং অ্যালগরিদম আসলে একটি বৈশ্বিক শিখর থেকে দূরে লাফিয়ে ফিরে যাবে এবং আবার দূরে লাফিয়ে যাবে। এটি যথেষ্ট ঠান্ডা হয়ে যাওয়া বা পুনরাবৃত্তির একটি নির্দিষ্ট পূর্ব নির্ধারিত সংখ্যা সম্পূর্ণ না হওয়া পর্যন্ত এটি পুনরাবৃত্তি করবে।
বাস্তব বিশ্বের সমস্যাগুলি শোরগোল এবং অনুপস্থিত ডেটা নিয়ে কাজ করে। একটি স্টোকেস্টিক পাহাড়ী আরোহণের পদ্ধতি, ধীরে ধীরে এই সমস্যাগুলির জন্য আরও দৃust়, এবং সর্বোত্তম পাহাড়ী আরোহণের অ্যালগরিদমের তুলনায় অপ্টিমাইজেশান রুটিনটি বৈশ্বিক শিখরে পৌঁছানোর উচ্চতর সম্ভাবনা রয়েছে।
Epilogue: এটি একটি ভাল প্রশ্ন যা একটি সমাধান ডিজাইন করার সময় বা বিভিন্ন অ্যালগরিদমের মধ্যে নির্বাচন করার সময় একটি অবিরাম প্রশ্ন উত্থাপন করে: পারফরম্যান্স-কম্পিউটেশনাল ব্যয় বাণিজ্য off আপনার সন্দেহ থাকতে পারে, উত্তরটি সর্বদা: এটি আপনার অ্যালগরিদমের অগ্রাধিকারের উপর নির্ভর করে। যদি এটি কোনও অনলাইন লার্নিং সিস্টেমের অংশ হয় যা ডেটা ব্যাচে কাজ করে, তবে একটি শক্তিশালী সময়ের সীমাবদ্ধতা রয়েছে, তবে দুর্বল পারফরম্যান্স সীমাবদ্ধতা (উপাত্তের প্রথম ব্যাচগুলি প্রথম ব্যাচের উপাত্ত দ্বারা প্রবর্তিত ভুল পক্ষপাতের জন্য সংশোধন করবে)। অন্যদিকে, যদি এটি সম্পূর্ণ উপলব্ধ ডেটা হাতে রেখে অফলাইনে শেখার কাজ হয় তবে কার্য সম্পাদনই প্রধান বাধা এবং স্টোকাস্টিক পদ্ধতির পরামর্শ দেওয়া হয়।
প্রথমে কিছু সংজ্ঞা দিয়ে শুরু করা যাক।
হিল-ক্লাইম্বিং হ'ল একটি অনুসন্ধান অ্যালগরিদম কেবল একটি লুপ চালায় এবং ক্রমাগত মান বাড়ানোর দিকে চালিত করে যা চড়াই উতরাইয়ের দিকে। লুপটি যখন শীর্ষে পৌঁছায় তখন সমাপ্ত হয় এবং কোনও প্রতিবেশীর উচ্চতর মান থাকে না।
পাহাড়ী আরোহণের বৈকল্পিক স্টোকাস্টিক হিলি ক্লাইম্বিং , চড়াই উতরাইয়ের মধ্য থেকে একটি এলোমেলোভাবে বেছে নেয়। চলাচলের সম্ভাবনাটি চড়াই উতরাইয়ের তীব্রতার সাথে পরিবর্তিত হতে পারে wo দুটি সুপরিচিত পদ্ধতি হ'ল:
প্রথম পছন্দের পাহাড়ী আরোহণ: এটিকে এলোমেলোভাবে তৈরি করা হয় যতক্ষণ না একটি তৈরি করা হয় যা বর্তমান অবস্থার চেয়ে ভাল। * যদি রাষ্ট্রের অনেক উত্তরসূরি থাকে (যেমন হাজার বা লক্ষ লক্ষ) থাকে তবে তা ভাল বলে বিবেচিত হয়।
এলোমেলো-পুনঃসূচনা পাহাড়ী আরোহণ:"আপনি যদি সফল না হন তবে চেষ্টা করুন, আবার চেষ্টা করুন" -এর দর্শনে কাজ করে।
আপনার উত্তর এখন। স্টোচাস্টিক পাহাড় আরোহণ আসলে অনেক ক্ষেত্রে আরও ভাল পারফর্ম করতে পারে । নিম্নলিখিত বিষয় বিবেচনা করুন। চিত্রটি রাষ্ট্র-স্থানের আড়াআড়ি দেখায়। চিত্রটিতে উপস্থিত উদাহরণটি কৃত্রিম বুদ্ধিমত্তা: একটি আধুনিক পদ্ধতির বই থেকে নেওয়া হয়েছে ।
ধরুন আপনি বর্তমান অবস্থার দ্বারা দেখানো বিন্দুতে রয়েছেন। আপনি যদি সাধারণ পাহাড়ী আরোহণের অ্যালগরিদম প্রয়োগ করেন তবে আপনি স্থানীয় সর্বাধিক পৌঁছে যাবেন এবং অ্যালগরিদম সমাপ্ত হবে। যদিও সেখানে আরও সর্বোত্তম উদ্দেশ্যমূলক ফাংশন মান সহ রাষ্ট্র বিদ্যমান রয়েছে তবে স্থানীয় সর্বাধিক স্থানে আটকে যাওয়ায় অ্যালগরিদম সেখানে পৌঁছাতে ব্যর্থ হয়। অ্যালগরিদম ফ্ল্যাট স্থানীয় ম্যাক্সিমায় আটকে যেতে পারে ।
এলোমেলো পুনঃসূচনা পাহাড়ী আরোহণ একটি লক্ষ্যের সন্ধান না পাওয়া পর্যন্ত এলোমেলোভাবে উত্পাদিত প্রাথমিক রাজ্যগুলির থেকে পাহাড়ের আরোহণের অনুসন্ধানগুলির একটি সিরিজ পরিচালনা করে।
পাহাড়ী আরোহণের সাফল্য রাজ্য-স্থান ল্যান্ডস্কেপের আকারের উপর নির্ভর করে। যদি কেবল কয়েকটি স্থানীয় ম্যাক্সিমা, সমতল মালভূমি থাকে; এলোমেলো-পুনঃসূচনা পাহাড়ী আরোহণ খুব দ্রুত একটি ভাল সমাধান আবিষ্কার করবে। বেশিরভাগ বাস্তব-জীবনের সমস্যাগুলির মধ্যে অত্যন্ত রুক্ষ রাষ্ট্র-স্পেস ল্যান্ডস্কেপ থাকে, এগুলি পাহাড়ী আরোহণের অ্যালগরিদম বা এর কোনও বৈকল্পিক ব্যবহারের জন্য উপযুক্ত নয়।
দ্রষ্টব্য: হিল ক্লাইম্ব অ্যালগরিদমসর্বাধিক মানগুলি নয়, সর্বনিম্ন মান অনুসন্ধান করতেও ব্যবহার করা যেতে পারে । আমি আমার উত্তরে সর্বোচ্চ শব্দটি ব্যবহার করেছি। আপনি যদি ন্যূনতম মানগুলির সন্ধান করছেন তবে গ্রাফ সহ সমস্ত কিছুই বিপরীত হবে।
আপনি কীভাবে স্টোকাস্টিক পাহাড়ী আরোহণের অ্যালগরিদম সত্যিই কাজ করে সে সম্পর্কে আমাদের আরও বিশদ দিন?
—
মোস্তফা গাদিমি
আমি এই ধারণাগুলিতেও নতুন, কিন্তু যেভাবে আমি এটি বুঝতে পেরেছি, স্টোকাস্টিকের পাহাড় আরোহণ সেই ক্ষেত্রে আরও ভাল পারফরম্যান্স করতে পারে যেখানে গণনার সময় মূল্যবান (ফিটনেস ফাংশনের গণনা অন্তর্ভুক্ত) তবে সেরাটি পৌঁছানোর জন্য এটি সত্যিই প্রয়োজনীয় নয় সম্ভাব্য সমাধান. এমনকি স্থানীয় একটি সর্বোত্তম পৌঁছানো ঠিক হবে। একটি ঝাঁকুনিতে চলমান রোবটগুলি এটির উদাহরণ হতে পারে যেখানে এটি ব্যবহার করা যেতে পারে।
খাড়া পাহাড়ী আরোহণের মধ্যে আমি যে পার্থক্যটি দেখি তা হ'ল এটি কেবল প্রতিবেশী নোডগুলিই নয়, প্রতিবেশীদের উত্তরসূরিদেরও অনুসন্ধান করে, ঠিক যেমন একটি দাবা আলগোরিদম সেরা পদক্ষেপটি বাছাইয়ের আগে আরও অনেকগুলি অগ্রসর অনুসন্ধান করেছিল।
টিএলডিআর : আপনি যদি বিশ্বব্যাপী সর্বোত্তম সন্ধান করার চেষ্টা করছেন, কোথায় একাধিক স্থানীয় অপটিমা সহ একটি স্কোর ফাংশন, যেমন সমস্ত স্থানীয় অপটিমার সমান মান হয় না।