Integrating and accelerating tabu search, simulated annealing, and genetic algorithms

1993 ◽  
Vol 41 (2) ◽  
pp. 47-67 ◽  
Author(s):  
Bennett L. Fox
Keyword(s):  
Genetic Algorithms ◽  
Simulated Annealing ◽  
Tabu Search

scholarly journals Συστήματα διαχείρισης πόρων και λήψης αποφάσεων γεωσχετισμένης πληροφορίας για περιβάλλον διοικητικής μέριμνας

2007 ◽  
Author(s):  
Νικόλαος Καραδήμας
Keyword(s):  
Genetic Algorithms ◽  
Simulated Annealing ◽  
Tabu Search ◽  
Ant Colony ◽  
Ant Colony System

Είναι γεγονός ότι στις μέρες μας, παρατηρείται μεγάλη κατασπατάληση υλικών πόρων καθώς και ανθρώπινου δυναμικού σε δραστηριότητες μη αποδοτικές ιδιαίτερα όταν οι εφαρμογές αφορούν προβλήματα μεγάλης κλίμακας και πολυπλοκότητας. Τέτοια είναι τα Μέσα Μαζικής Επικοινωνίας και Μεταφοράς, η Παραγωγή, Διανομή και Διαχείριση Συστημάτων Ενέργειας, η Διαχείριση Αστικών Στερεών Αποβλήτων, κ.α. Επιπλέον, παρατηρείται ότι σε πολλές από τις περιπτώσεις υπάρχει έλλειψη και αλλού υπερβολή των υλικών πόρων ή/και του ανθρώπινου δυναμικού. Το μόνο σίγουρο είναι ότι δεν είναι εύκολος ο εντοπισμός των Χώρο-Χρονικών αυτών αναγκών, όπως επίσης και η διάθεση των αναγκαίων πόρων (υλικών και έμψυχων) στο χώρο και στο χρόνο, που χρειάζονται. Συστήματα λήψης απόφασης κατάλληλα για να διαχειριστούν προβλήματα μεγάλης έκτασης και πολυπλοκότητας ανακύπτουν καθημερινά σε περιβάλλον διοικητικής μέριμνας. Το πρόβλημα της διαχείρισης των Αστικών Στερεών Αποβλήτων (ΑΣΑ) αποτελεί αναμφισβήτητα ένα πρόβλημα μεγάλης κλίμακας και πολυπλοκότητας και ανάγεται σε ένα από τα σημαντικότερα περιβαλλοντικά και οικονομικά προβλήματα της εποχής μας. Η διαχείριση των ΑΣΑ ξεκινά με τη συλλογή τους από τους χώρους παραγωγής και καταλήγει στην τελική απόθεσή τους. Ο τρόπος συλλογής και μεταφοράς, που χρησιμοποιείται σε μεγάλη κλίμακα, είναι η τοποθέτηση των ΑΣΑ σε κάδους, η συλλογή και η μεταφορά τους από απορριμματοφόρα οχήματα μέχρι ένα σταθμό μεταφόρτωσης ή μέχρι τον Χώρο Υγειονομικής Ταφής Απορριμμάτων (ΧΥΤΑ). Στα πλαίσια της συγκεκριμένης διατριβής αναπτύχθηκε ένα μοντέλο, το οποίο είναι μέρος ενός εκτεταμένου συστήματος διαχείρισης στερεών αποβλήτων και χρησιμοποιεί μία χωρική βάση δεδομένων, που ενσωματώνεται σε ένα περιβάλλον Γεωγραφικών Συστημάτων Πληροφοριών (ΓΣΠ). Λαμβάνει υπόψη διάφορες παραμέτρους της παραγωγής στερεών αποβλήτων, όπως πυκνότητα πληθυσμών, εμπορικές δραστηριότητες, χαρακτηριστικά οδών και την επιρροή τους στη θέση και στην κατανομή των κάδων απορριμμάτων. Εφαρμόστηκαν επίσης επιτόπου αναλύσεις για την εκτίμηση των συσχετίσεων μεταξύ των προαναφερθέντων παραγόντων και των παραλλαγών που εμφανίζονται στην παραγωγή απορριμμάτων μεταξύ κατοικημένων και εμπορικών περιοχών. Επομένως, το προτεινόμενο μοντέλο ακολουθεί μια ενοποιημένη προσέγγιση κατηγοριοποίησης για τις κατοικημένες και τις εμπορικές δραστηριότητες και εστιάζει στους κυρίαρχους παράγοντες που καθορίζουν την παραγωγή στερεών αποβλήτων στην εξεταζόμενη περιοχή. Ένα από τα σημαντικότερα αποτελέσματα της παρούσας διατριβής είναι η ακριβής εκτίμηση του βέλτιστου αριθμού κάδων απορριμμάτων καθώς και της κατανομής τους σε μία εξεταζόμενη περιοχή. Μια νέα μεθοδολογία και ένας κατάλληλος αλγόριθμος έχουν αναπτυχθεί για αυτόν το λόγο προκειμένου να διευκολύνουν τη δρομολόγηση και την αποκομιδή των στερεών αποβλήτων. Με τη χρησιμοποίηση αυτών των αποτελεσμάτων, οι δήμοι ενήμεροι για τις κοινωνικές, οικονομικές και περιβαλλοντικές επιπτώσεις που έχει η διαχείριση των στερεών αποβλήτων, μπορούν να επιτύχουν τη βέλτιστη χρήση των πόρων τους (υλικών και έμψυχων) και να προσφέρουν τις καλύτερες δυνατές υπηρεσίες στους πολίτες τους. Στη συνέχεια, για τον προσδιορισμό των βέλτιστων διαδρομών για τη αποκομιδή των ΑΣΑ χρησιμοποιούνται τέσσερις αλγόριθμοι βελτιστοποίησης, οι οποίοι έχουν εφαρμοστεί σε διάφορα προβλήματα εύρεσης βέλτιστης λύσης. Αυτοί είναι: οι Γενετικοί Αλγόριθμοι (Genetic Algorithms), η Προσομοιωμένη Ανόπτηση (Simulated Annealing), η Αναζήτηση Ταμπού (Tabu Search) και το Σύστημα Αποικίας Μυρμηγκιών (Ant Colony System). Το ΓΣΠ λαμβάνει υπόψη όλες τις απαραίτητες παραμέτρους για την αποκομιδή των στερεών αποβλήτων. Αυτές οι παράμετροι περιλαμβάνουν στατικά και δυναμικά στοιχεία, όπως οι θέσεις των κάδων απορριμμάτων, του οδικού δικτύου και της σχετιζόμενης μ’ αυτό κυκλοφορίας στην εξεταζόμενη περιοχή. Επιπλέον, λαμβάνονται υπόψη τα προγράμματα αποκομιδής των στερεών αποβλήτων καθώς και οι ικανότητες φορτηγών και τα χαρακτηριστικά τους. Επιπλέον, χρησιμοποιούνται χώρο-χρονικές στατιστικές αναλύσεις για την εκτίμηση των συσχετίσεων μεταξύ των δυναμικών παραγόντων, όπως οι κυκλοφοριακές αλλαγές στις κατοικημένες και εμπορικές περιοχές. Ο χρήστης, στο προτεινόμενο σύστημα, είναι σε θέση να καθορίσει ή να τροποποιήσει όλους τους απαραίτητους δυναμικούς παράγοντες για τη δημιουργία εναλλακτικών σεναρίων. Ο στόχος του συστήματος είναι να προσδιοριστεί το πιο οικονομικά αποδοτικό σενάριο για την αποκομιδή των στερεών αποβλήτων, να υπολογιστεί το τρέχον κόστος του και να προσομοιωθεί η εφαρμογή του. Τέλος, τα αποτελέσματα των τεσσάρων αλγορίθμων συγκρίνονται μεταξύ τους, αλλά και με την εμπειρική μέθοδο που χρησιμοποιείται στην παρούσα περίοδο από το δήμο Αθηναίων.

The Discovery of Interesting Nuggets Using Heuristic Techniques

Data Mining ◽  
2011 ◽  
pp. 48-71 ◽  
Author(s):  
Beatriz de la Iglesia ◽  
Victor J. Rayward-Smith
Keyword(s):  
Data Mining ◽  
Genetic Algorithms ◽  
Simulated Annealing ◽  
Tabu Search ◽  
Heuristic Algorithms ◽  
Partial Ordering ◽  
Knowledge Discovery In Databases ◽  
Evaluation Function ◽  
Interactive Process ◽  
Partial Classification

Knowledge Discovery in Databases (KDD) is an iterative and interactive process involving many steps (Debuse, de la Iglesia, Howard & Rayward-Smith, 2000). Data mining (DM) is defined as one of the steps in the KDD process. According to Fayyad, Piatetsky-Shapiro, Smyth and Uthurusamy (1996), there are various data mining tasks including: classification, clustering, regression, summarisation, dependency modeling, and change and deviation detection. However, there is a very important data mining problem identified previously by Riddle, Segal and Etzioni (1994) and very relevant in the context of commercial databases, which is not properly addressed by any of those tasks: nugget discovery. This task has also been identified as partial classification (Ali, Manganaris & Srikant, 1997). Nugget discovery can be defined as the search for relatively rare, but potentially important, patterns or anomalies relating to some pre-determined class or classes. Patterns of this type are called nuggets. This chapter will present and justify the use of heuristic algorithms, namely Genetic Algorithms (GAs), Simulated Annealing (SA) and Tabu Search (TS), on the data mining task of nugget discovery. First, the concept of nugget discovery will be introduced. Then the concept of the interest of a nugget will be discussed. The necessary properties of an interest measure for nugget discovery will be presented. This will include a partial ordering of nuggets based on those properties. Some of the existing measures for nugget discovery will be reviewed in light of the properties established, and it will be shown that they do not display the required properties. A suitable evaluation function for nugget discovery, the fitness measure, will then be discussed and justified according to the required properties.

Sign in / Sign up

Export Citation Format

Share Document