পাহাড়ী আরোহণের অ্যালগরিদমের সীমাবদ্ধতাগুলি কী ? কীভাবে আমরা এই সীমাবদ্ধতাগুলি অতিক্রম করতে পারি?
পাহাড়ী আরোহণের অ্যালগরিদমের সীমাবদ্ধতাগুলি কী ? কীভাবে আমরা এই সীমাবদ্ধতাগুলি অতিক্রম করতে পারি?
উত্তর:
যেমন @ এনব্রো ইতিমধ্যে বলেছে যে হিল ক্লাইম্বিং স্থানীয় অনুসন্ধান অ্যালগরিদমের একটি পরিবার । সুতরাং, আপনি যখন হিল আরোহণের প্রশ্নে বলেছিলেন যে আমি ধরে নিয়েছি আপনি মানক পাহাড়ী আরোহণের কথা বলছেন। পাহাড়ী আরোহণের স্ট্যান্ডার্ড সংস্করণটির কিছু সীমাবদ্ধতা রয়েছে এবং প্রায়শই নিম্নলিখিত দৃশ্যে আটকে যায়:
এই সমস্যাগুলি সমাধান করতে পাহাড়ী আরোহণের অ্যালগরিদমগুলির অনেকগুলি বিকাশ করা হয়েছে। এগুলি সর্বাধিক ব্যবহৃত হয়:
পাহাড়ী আরোহণ অ্যালগরিদমের সাফল্য নির্ভর করে রাজ্য-স্থান ল্যান্ডস্কেপের আর্কিটেকচারের উপর on যখনই কিছু ম্যাক্সিমা এবং মালভূমি পাহাড়ের চূড়ান্ত সন্ধানের আলগোরিদিমগুলির রূপগুলি খুব সূক্ষ্মভাবে কাজ করে। তবে বাস্তব-জগতের সমস্যার মধ্যে এমন একটি আড়াআড়ি রয়েছে যা সমতল তলায় বাল্ডিং কর্কুপিনগুলির বিস্তৃত পরিবারের মতো দেখায়, প্রতিটি কর্কুপাইন সুইয়ের ডগায় ক্ষুদ্রাকৃতিগুলি বাস করে (কৃত্রিম বুদ্ধিমত্তা বইয়ের চতুর্থ অধ্যায়ে বর্ণিত) মডার্ন অ্যাপ্রোচ)। এনপি-হার্ড সমস্যাগুলিতে আটকা পড়ার জন্য সাধারণত স্থানীয় ম্যাক্সিমার ঘনিষ্ঠ সংখ্যা থাকে।
এই ধরণের সমস্যাগুলি কাটিয়ে উঠতে প্রদত্ত অ্যালগরিদমগুলি তৈরি করা হয়েছে:
পাহাড়ী আরোহণ কোনও অ্যালগরিদম নয়, তবে "স্থানীয় অনুসন্ধান" অ্যালগরিদমের পরিবার। "পাহাড়ী আরোহণ" অ্যালগোরিদমের বিভাগে আসা নির্দিষ্ট অ্যালগরিদমগুলি হ'ল 2-অপ্ট, 3-অপ্ট, 2.5-অপ্ট, 4-অপ্ট, বা সাধারণভাবে যে কোনও এন-অপ্ট। এই স্থানীয় অনুসন্ধান অ্যালগরিদমগুলির (টিএসপিতে প্রয়োগ করা হয়েছে) সম্পর্কিত আরও তথ্যের জন্য " দ্য ট্র্যাভেলিং সেলসম্যান প্রবলেম: লোকাল অপটিমাইজেশনের ক্ষেত্রে একটি কেস স্টাডি " পত্রিকার অধ্যায়টি দেখুন ।
এই বিভাগে একটি অ্যালগরিদমকে অন্য থেকে আলাদা করে কী তারা ব্যবহার করে "প্রতিবেশী কাজ" (সরল ভাষায়, তারা প্রদত্ত সমাধানের প্রতিবেশী সমাধানগুলি যেভাবে খুঁজে পায়)। মনে রাখবেন যে, বাস্তবে, এটি সর্বদা ক্ষেত্রে হয় না: প্রায়শই এই অ্যালগোরিদমগুলির বিভিন্ন আলাদা বাস্তবায়ন থাকে।
পাহাড়ী আরোহণের অ্যালগরিদমগুলির সর্বাধিক স্পষ্ট সীমাবদ্ধতা হ'ল তাদের প্রকৃতির কারণে, এটি হ'ল স্থানীয় অনুসন্ধান অ্যালগরিদম। তাই তারা সাধারণত স্থানীয় ম্যাক্সিমা (বা মিনিমা) সন্ধান করে। সুতরাং, যদি এই অ্যালগরিদমগুলির কোনও ইতিমধ্যে স্থানীয় সর্বনিম্ন (বা সর্বাধিক) রূপান্তরিত হয়েছে এবং সমাধান বা অনুসন্ধানের জায়গাতে, এই সন্ধান করা সমাধানের নিকটে, আরও ভাল সমাধান রয়েছে, এই অ্যালগরিদমগুলির মধ্যে এটির কোনও এটিই খুঁজে পেতে সক্ষম হবে না ভাল সমাধান। তারা মূলত আটকা পড়বে।
স্থানীয় অনুসন্ধান অ্যালগরিদম সাধারণত একা ব্যবহৃত হয় না। এগুলি অন্যান্য মেটা-হিউরিস্টিক অ্যালগরিদমের উপ-রুটিন হিসাবে ব্যবহার করা হয়, যেমন সিমুলেটেড অ্যানিলিং, পুনরাবৃত্তি-স্থানীয় অনুসন্ধান বা কোনও পিঁপড়া-কলোনী অ্যালগরিদমগুলিতে। সুতরাং, তাদের সীমাবদ্ধতাগুলি অতিক্রম করার জন্য, আমরা সাধারণত তাদের একা ব্যবহার করি না, তবে আমরা এগুলি অন্যান্য অ্যালগরিদমের সাথে একযোগে ব্যবহার করি, যার সম্ভাব্য প্রকৃতি রয়েছে এবং বৈশ্বিক মিনিমা বা ম্যাক্সিমা (উদাহরণস্বরূপ, পিঁপড়া-কলোনী অ্যালগরিদমের কোনওটি) খুঁজে পেতে পারে।