Hyper-heuristics for grouping problems

Abstract

Üst sezgiseller, çözümü zor hesaplamaya dayalı arama problemlerini direk çözümler üzerinde arama yapmak yerine sezgiseller üzerinde arama yaparak çözmeye çalışan etki alanı bağımsız bir metodoloji olarak ortaya çıkmaktadır. Üst sezgisel araştırmanın ana hedefi,farklı problem alanlarında uygulanabilir genel yaklaşımların geliştirilmesini desteklemek ve araştırmaktır. Çok amaçlı optimizasyon birden fazla ve genellikle çelişen amacı optimize etmeyi hedefler. Bu çalışmada, yüksek düzey üst sezgiseller gruplama problemleri için bir grup düşük düzey sezgiseller kullanarak doğrusal bağlantı kodlaması olarak adlandırılan verimli bir sunuma bağlı olarak araştırıldı. Çok amaçlı ve tek amaçlı, çizge boyama,sınav çizelgeleme, veri gruplama ve sele doldurma problemleri gibi gruplama problemleri üzerindeki deneysel sonuçlarda, önerilen gruplama üst sezgisel sistemi bütün etki alanlarında yeterince genel yüksek kalietede sonuçlar vermiştir.

Hyper-heuristics emerge as domain independent methodologies to solve hard computational search problems by performing search over the heuristics rather than directly solutions. One of the main goals of hyper-heuristic research is to support and investigate into the development of more general approaches applicable across different problem domains. Grouping problems requires partitioning of a set of items into mutually disjoint subsets subject to constraints. In this study, high level selection hyper-heuristics are investigated embedding a set of low level heuristics for grouping problems based on an efficient representation, referred to as linear linkage encoding. The empirical results over multi-objective and single objective grouping problems, such as graph coloring, examination timetabling, data clustering and bin packing show that the proposed grouping hyper-heuristic framework is sufficiently general providing high quality solutions at each domain.