Optimización de búsqueda reactiva

RSO ciclo de aprendizaje

Optimización de búsqueda reactiva (RSO), como todas las técnicas de búsqueda local, se aplica al problema de encontrar la configuración óptima de un sistema; tal configuración se compone generalmente de forma continua o discreta de parámetros variables, mientras que el criterio de optimalidad es un valor numérico asociado con cada configuración. En la mayoría de los casos, un problema de optimización puede reducirse a encontrar el mínimo (global) de una función cuyos argumentos son los parámetros de configuración, vistos como variables libres en el espacio de dominio de la función.

La optimización de búsqueda reactiva aboga por la integración de las técnicas sub-simbólicas de aprendizaje automático en búsquedas heurísticas para resolver problemas complejos de optimización. La palabra reactiva sugiere una pronta respuesta a los acontecimientos durante la búsqueda a través de un ciclo de retroalimentación en línea de auto-ajuste y adaptación dinámica. En búsqueda reactiva, la historia de la búsqueda y el conocimiento acumulado mientras se mueve en el espacio de configuración, se utiliza para la auto-adaptación de una manera autónoma: el algoritmo mantiene la flexibilidad interna necesaria para abordar diferentes situaciones durante la búsqueda, pero la adaptación es automática, y ejecutada mientras que el algoritmo se corre en una sola instancia y reflexiona sobre su experiencia pasada.

Hombre de Vitruvio, la inspiración de RSO

Las metáforas de búsqueda reactiva se derivan principalmente de la experiencia humana individual. Su lema es "aprender sobre la marcha". Los problemas del mundo real tienen una rica estructura. Mientras que muchas soluciones alternativas se ponen a prueba en la exploración de un espacio de búsqueda, los patrones y regularidades aparecen. El cerebro humano aprende rápidamente y conduce las decisiones futuras sobre la base de las observaciones anteriores. Esta es la fuente de inspiración principal para la inserción de técnicas de aprendizaje en línea de la máquina en la optimización de motores de búsqueda reactivos.

RSO es multidisciplinario

RSO es un área de investigación multidisciplinaria entre Investigación de Operaciones (optimización), Ciencias de la Computación, aprendizaje de máquinas y redes neuronales. . Su objetivo específico es el estudio de los sistemas de aprendizaje en línea aplicadas a la resolución de problemas y optimización, de acuerdo con el principio aprender mientras se optimiza.

Las señales de aprendizaje para la adaptación de los parámetros internos de la técnica de solución provienen de tres fuentes:

1. . El problema de optimización. Por ejemplo, los parámetros y opciones para la búsqueda local aplicada al Problema del Viajante (TSP) pueden ser muy diferentes a los aplicados para la búsqueda local en el problema de la Satisfacibilidad.
2. La instancia específica. Por ejemplo, resolver un problema del viajante con las ciudades de los Alpes pueden requerir parámetros distintos a los que corresponden a las ciudades de una región plana.
3. Las características locales en el espacio de configuración en torno a una solución candidata determinada. Por ejemplo, si la solución actual es confinada en una cuenca de atracción en torno a un punto óptimo local (a.k.a óptimo local), las características de la cuenca de atracción (como su dimensión y altura de los obstáculos) se puede utilizar para ajustar la diversificación (escape) métodos.

Optimización inteligente de un superconjunto de Búsqueda Reactiva, se refiere a un área más extensa de la investigación, incluidos los planes en línea y fuera de línea basados en el uso de la memoria, la adaptación, el desarrollo incremental de modelos, algoritmos experimentales aplicados a la optimización, personalización inteligente y diseño de heurísticas. En algunos casos, el trabajo está en un nivel superior, donde los métodos básicos están adecuadamente orientados y combinados, y el término metaheurística se ha propuesto en el pasado.

Inteligencia de negocios reactiva defiende los principios de RSO principales para aplicaciones en el área de minería de datos, análisis de negocios, y visualización interactiva.

El campo de aplicación de la búsqueda reactiva es la misma de todas las técnicas de búsqueda local. En particular, las aplicaciones de búsqueda reactiva a los siguientes temas han sido publicados en los últimos años:

• Asignación cuadrática
• Entrenamiento de redes neuronales y problemas de control
• Enrutamiento de vehículos
• Control acústico estructural
• Particionamiento de grafos
• Distribución de energía eléctrica
• Satisfacibilidad máxima
• Optimización de funciones continuas
• Clique máximo
• Incrementar la capacidad de Internet
• Simulaciones de reconocimiento aéreo

• Optimización global
• Algoritmo genético

• Battiti, Roberto; Mauro Brunato; Franco Mascia (2008). Reactive Search and Intelligent Optimization. Springer Verlag. ISBN 978-0-387-09623-0. Archivado desde el original el 16 de marzo de 2012.

• Battiti, Roberto; Mauro Brunato (2011). Reactive Business Intelligence. From Data to Models to Insight.. Trento, Italy: Reactive Search Srl. ISBN 978-88-905795-0-9.

• Battiti, Roberto; Gianpietro Tecchiolli (1994). «The reactive tabu search.» (PDF). ORSA Journal on Computing 6 (2): 126-140.