metaheuristiska

Metaheuristiska metoder, eller metaheuristics, är övergripande ramverk för att konstruera heuristiska algoritmer som kan användas för att lösa olika optimeringsproblem. De kännetecknas av att vara problemoberoende och tillämpbara på många olika domäner genom att kombinera generella sökstrategier med problem-specifika operatorer. En central idé är att balansera utforskning och intensiv lokal sökning för att undvika att fastna i lokala optima och att hitta bra lösningar inom rimlig tid. Metaheuristiker är i regel stokastiska och iterativa metoder som oftast ger goda approximationer av den optimala lösningen när exakta metoder är orealistiska att använda.

Exempel på metaheuristiska ramverk omfattar evolutionära algoritmer (genetiska algoritmer, evolutionstrategier), swarm-optimering (particle swarm optimization, ant colony optimization), samt lokala sökmetoder som tabu search och simulated annealing. Det finns även hybridiserade eller mer generella ramverk som memetiska algoritmer och scatter search. Typiska komponenter är representation av lösningar, urval och variation (t.ex. korsning och mutation eller motsvarande operatorer), samt en återkopplings- och stopp-strategi som styr hur länge sökningen ska pågå.

Användningsområden inkluderar schemaläggning, logistik- och köproblem, fordonsruttoptimering, design och maskininlärning (t.ex. urval av funktioner och hyperparametrar). Metoderna används ofta när problemet är komplext eller när andra lösningsmetoder är för dyra eller inte robusta nog. Begränsningar inkluderar att de inte garanterar optimal lösning, att resultatet beror på val av operatorer och parametrar samt att beräkningskostnaden kan vara hög. Metaheuristik används ofta i hybrider eller som del av en större lösningstruktur.