TL: DR : ไฮเปอร์ - ฮิวริสติกเป็นวิชาเกี่ยวกับจักษุแพทย์ซึ่งเหมาะสำหรับการแก้ปัญหาการหาค่าเหมาะที่สุดแบบเดียวกัน แต่ (โดยหลักการ) ให้แนวทาง "การสร้างต้นแบบอย่างรวดเร็ว" สำหรับผู้ปฏิบัติที่ไม่ใช่ผู้เชี่ยวชาญ ในทางปฏิบัติมีปัญหาด้วยวิธีการแลกเปลี่ยนมุมมองการสร้างแรงจูงใจที่เกิดขึ้นใหม่ใน'whitebox' Hyper-การวิเคราะห์พฤติกรรม
รายละเอียดเพิ่มเติม:
Metaheuristics เป็นวิธีการในการค้นหาพื้นที่ขนาดใหญ่ของทางออกที่เป็นไปได้เพื่อหาวิธีแก้ปัญหา 'คุณภาพสูง' อภิธานศัพท์ที่เป็นที่นิยม ได้แก่ การจำลองการอบ, การค้นหาแบบทาบู, อัลกอริทึมทางพันธุกรรมเป็นต้น
ความแตกต่างที่สำคัญระหว่าง metaheuristic และ hyper-heuristic คือการเพิ่มระดับของการค้นหาทางอ้อม: ทางการ heuristic แบบ hyper-heuristic สามารถอธิบายได้ว่า ดังนั้นเราจึงสามารถใช้ metaheuristic ใด ๆ ที่เป็นไฮเปอร์ - ฮิวริสติกหากมีการกำหนดลักษณะของ 'พื้นที่ของฮิวริสติก' เพื่อทำการค้นหาอย่างเหมาะสม
พื้นที่แอปพลิเคชันสำหรับการวิเคราะห์พฤติกรรมแบบไฮเปอร์จึงเป็นเช่นเดียวกับการวิเคราะห์ข้อมูล การบังคับใช้ของพวกเขา (เทียบกับ metaheuristics) เป็น 'เครื่องมือสร้างต้นแบบอย่างรวดเร็ว': แรงจูงใจดั้งเดิมคือการอนุญาตให้ผู้ปฏิบัติงานที่ไม่ใช่ผู้เชี่ยวชาญสามารถใช้งาน metaheuristic กับปัญหาการเพิ่มประสิทธิภาพเฉพาะของพวกเขา (เช่น "Travelling-Salesman (TSP)) การบรรจุ ") โดยไม่ต้องใช้ความเชี่ยวชาญในโดเมนปัญหาที่เฉพาะเจาะจง แนวคิดก็คือสิ่งนี้สามารถทำได้โดย:
- อนุญาตให้ผู้ปฏิบัติงานใช้ฮิวริสติกแบบง่าย ๆ (มีประสิทธิภาพสุ่ม) สำหรับการเปลี่ยนวิธีแก้ปัญหาที่อาจเกิดขึ้น ตัวอย่างเช่นสำหรับ TSP: "สลับสองเมืองสุ่ม" แทน (พูด) ฮิวริสติกLin-Kernighanที่ซับซ้อนมากขึ้น
- บรรลุผลลัพธ์ที่มีประสิทธิภาพ (แม้จะใช้ฮิวริสติกแบบง่ายเหล่านี้) โดยการรวม / เรียงลำดับพวกเขาด้วยวิธีที่ชาญฉลาดซึ่งโดยทั่วไปจะใช้กลไกการเรียนรู้บางรูปแบบ
Hyper-heuristics สามารถอธิบายได้ว่า 'เลือก' หรือ 'กำเนิด' ขึ้นอยู่กับว่าฮิวริสติกนั้นเรียงลำดับหรือรวมกันตามลำดับ Generative Hyper-Heuristics จึงมักจะใช้วิธีการเช่นการเขียนโปรแกรมทางพันธุกรรมเพื่อรวมฮิวริสติกแบบดั้งเดิมและมักจะถูกกำหนดโดยผู้ประกอบการในการแก้ปัญหาเฉพาะ ตัวอย่างเช่นเอกสารต้นฉบับเกี่ยวกับการวิเคราะห์ไฮเปอร์เพลตแบบดั้งเดิมใช้ระบบตัวแยกประเภทการเรียนรู้เพื่อรวมการวิเคราะห์พฤติกรรมสำหรับการจัดเรียงขยะ เนื่องจากวิธีการกำเนิดเป็นปัญหาเฉพาะความคิดเห็นด้านล่างจึงไม่สามารถใช้ได้
ในทางตรงกันข้ามแรงจูงใจดั้งเดิมของไฮเปอร์ฮิวริสติกแบบเลือกได้คือนักวิจัยจะสามารถสร้างตัวแก้ไฮเปอร์ฮิวริสติกซึ่งน่าจะทำงานได้ดีในโดเมนที่มองไม่เห็นโดยใช้ฮิวริสติกแบบสุ่มเพียงอย่างเดียว
วิธีที่ใช้ในการดำเนินการตามธรรมเนียมนี้คือการเปิดตัว'อุปสรรคโดเมนมากเกินไป' (ดูรูปด้านล่าง) โดยทั่วไปทั่วโดเมนปัญหาจะอ้างว่าทำได้โดยป้องกันไม่ให้มีความรู้เกี่ยวกับโดเมนที่ มันกำลังทำงาน แต่มันจะแก้ปัญหาโดยการดำเนินการเฉพาะกับดัชนีจำนวนเต็มทึบแสงในรายการของการวิเคราะห์พฤติกรรมที่มีอยู่ (เช่นในลักษณะของ'ปัญหาโจรติดอาวุธหลายกอง' )
ในทางปฏิบัติวิธีการนี้ 'ตาบอดโดเมน' ไม่ได้ส่งผลให้เกิดโซลูชั่นที่มีคุณภาพเพียงพอ เพื่อให้บรรลุผลทุกที่เปรียบได้กับ metaheuristics เฉพาะปัญหานักวิจัย hyper-heuristic ต้องใช้ฮิวริสติกเฉพาะปัญหาที่ซับซ้อนจึงล้มเหลวในเป้าหมายของการสร้างต้นแบบอย่างรวดเร็ว
ยังคงเป็นไปได้ในหลักการในการสร้างตัวแก้ไฮเปอร์ฮิวริสติกแบบเลือกซึ่งมีความสามารถในการสรุปโดเมนปัญหาใหม่ แต่สิ่งนี้ทำได้ยากขึ้นเนื่องจากความเชื่อด้านบนของอุปสรรคโดเมนหมายความว่ามีชุดคุณลักษณะที่ จำกัด จำนวนมากเท่านั้น - การเรียนรู้โดเมน (เช่นสุดขั้วโดยกรอบการทำงานแบบเลือกหลายมิติที่เป็นที่นิยม)
มุมมองการวิจัยล่าสุดเกี่ยวกับ'ไฮเปอร์ไวท์' แบบไวท์บ็อกซ์สนับสนุนวิธีการอธิบายคุณลักษณะที่หลากหลายเพื่ออธิบายโดเมนปัญหา วิธีการนี้มีข้อดีหลายข้อ
- ตอนนี้ผู้ปฏิบัติการไม่ต้องการใช้การวิเคราะห์พฤติกรรมอีกต่อไปแต่เพียงระบุโดเมนปัญหา
- มันกำจัดสิ่งกีดขวางทางโดเมนโดยใช้ไฮเปอร์เท็กซ์ฮิวริสติกในสถานะ 'ข้อมูล' ที่เหมือนกันเกี่ยวกับปัญหาดังกล่าวเป็นอภิปัญญาเฉพาะปัญหา
- ด้วยคำอธิบายปัญหาของ whitebox, ทฤษฎีบท 'ไม่มีอาหารกลางวันฟรี' ที่น่าอับอาย(ซึ่งเป็นหลักกล่าวว่า, พิจารณาพื้นที่ของปัญหากล่องดำทั้งหมด, การจำลองการหลอมด้วยตารางการอบที่ไม่มีที่สิ้นสุดโดยเฉลี่ย, เช่นเดียวกับวิธีการอื่น ๆ ) ใช้อีกต่อไป
การปฏิเสธความรับผิด: ฉันทำงานในพื้นที่การวิจัยนี้และดังนั้นจึงเป็นไปไม่ได้ที่จะลบอคติส่วนบุคคลทั้งหมดออกจากคำตอบ