metaheuristiikkamenetelmiä

Metaheuristiikkamenetelmät ovat ylemmän tason ongelmanratkaisustrategioita, joiden tavoitteena on löytää hyviä ratkaisuja suurten tai monimutkaisten optimointitehtävien ratkaisemiseksi. Ne eivät tarjoa takeita optimaalisuudesta, mutta voivat löytää riittävän laadukkaita ratkaisuja kohtuullisella laskentateholla. Yleisesti ne ovat ongelmakohtaisia hakustrategioita, jotka ohjaavat alhaisemman tason heuristiikkoja hakemaan tehokkaasti sekä laajaa etsintää että parannuksia nykyiseen ratkaisuun.

Metaheuristiikkamenetelmät ovat usein stokastisia tai hybridisiä. Ne käyttävät satunnaisuutta hakuprosessin ohjaamiseen ja pyrkivät hallitsemaan eksploraation ja exploitaation välistä tasapainoa, jotta sekä kartoitus uusista alueista että nykyisten ratkaisujen parantaminen ovat mahdollisia.

Yleisimmät esimerkit ovat genetic algorithms (GA), simulated annealing (SA), tabu search (TS), ant colony optimization (ACO), particle swarm optimization (PSO), differential evolution (DE) sekä memetic algorithms.

Sovelluskohteita ovat muun muassa reititys- ja logistiikkaongelmat, tuotanto- ja aikataulutusongelmat sekä verkko- ja suunnittelutehtävät. Lisäksi niitä käytetään parametrituningissa ja erilaisten hybridien muodossa, joissa metahieristiikka yhdistyy paikallisiin hakuihin.

Arviointi ja rajoitteet: tulokset voivat riippua ratkaisutavan oikeasta kuvaamisesta ja parametrian valinnasta. Metaheuristiikka ei takaa parasta mahdollista ratkaisua, ja ne voivat olla laskennallisesti kalliita. Ongelman luonteesta riippuen ratkaisuja arvioidaan useimmiten käytännön soveltuvuuden ja robustisuuden perusteella.