metaheuristiikkaa

Metaheuristiikkaa on yleisnimitys optimoinnin menetelmille, jotka ohjaavat alhaisemman tason heuristiikkojen etsimää ratkaisua kohti hyviä ratkaisuja suurissa ja monimutkaisissa hakutiloissa. Ne ovat problemakohtaisesti riippumattomia ja niitä voidaan soveltaa lukuisissa ongelmissa muokkaamalla kriteerifunktiota, rajoituksia sekä ratkaisun esittämistapaa. Metaheuristiikat pyrkivät tasapainottamaan tutkimisen (exploration) ja hyödyntämisen (exploitation) sekä käyttävät usein stokastisia elementtejä.

Esimerkkejä yleisesti käytetyistä metaheuristiikoista ovat geneettiset algoritmit (GA), simuloitu jäähdytys (simulated annealing, SA), tabu-haku, ant colony optimization (ACO) sekä partikkelijoukkooptimointi (PSO). Osa menetelmistä on populaatio-pohjaisia (GA, PSO, ACO), osa polku- tai tilahakumenetelmiä (SA, tabu-haku). Käytännössä ratkaisut edustavat ratkaisuja tai niiden joukoja, joita parannetaan iteratiivisesti erilaisten operaatioiden avulla.

Käyttökohteita on laajasti: reititys ja logistiikka, tuotannon aikataulutus, suunnittelu ja muotoilu sekä koneoppimisen hyperparametrien optimointi. Metaheuristiikkoja arvostetaan erityisesti silloin, kun perinteiset eksaktiin ratkaisuun tähtäävät tekniikat eivät skaalaudu tai kun tarvitaan hyvä ratkaisu nopeasti.

Rajoitukset: ne eivät yleensä takaa optimaalisinta ratkaisua, tulokset voivat riippua parametreista ja satunnaisuudesta, ja tulosten vertailu vaatii toistorajoja. Historiaa: kehitys sai alkunsa 1980-luvulla, ja nykyään ne tarjoavat yleisen kehyksen monimutkaisten ongelmien lähestymiseen.