Λεπτομέρειες Μαθήματος

Eισαγωγή στους μεταευρεστικούς αλγορίθμους (Metaheuristics): Υπολογιστική πολυπλοκότητα (computational complexity) Τα όρια των κλασσικών προσεγγίσεων.

Προσεγγιστικοί αλγόριθμοι (Αpproximation Αlgorithms): Τοπική έρευνα (Local Search) Γειτονιά (Neighborhood) Κινήσεις (Moves) Μεταευρεστικοί αλγόριθμοι (Metaheuristics).

Στοχαστικοί μεταευρεστικοί αλγόριθμοι (Stochastic Metaheuristics): Προσομοιωμένη ψύξη (Simulated Annealing) Ο αλγόριθμος Metropolis, ο αλγόριθμος επιλογής κατωφλίου (Threshold Accepting) Σύγκλιση και εφαρμογές.

Γενετικοί Αλγόριθμοι (Genetic Algorithms): Οι αναλογίες των γενετικών αλγορίθμων με την πραγματική φυσική διαδικασία, Βασικά συστατικά του αλγορίθμου, Επιλογή αρχικού πληθυσμού, Χαρακτηριστικά εύλογων συνδυαστικών λειτουργιών.

Απαγορευμένη έρευνα (Tabu Search): Εισαγωγή, Βασικές έννοιες, Ο αλγόριθμος της απότομης κλίσης (Steepest Descent Algorithm) Χαρακτηριστικά λύσης (Solution Attributes) Απαγορευμένη Λίστα (Tabu List) Κριτήρια υπέρβασης της λίστας (Aspiration Criteria).

Διασκορπιζόμενη Έρευνα (Scatter Search): Η έννοια της ποιότητας της λύσης (Solution Quality) Δεξαμενή ποιοτικά αναβαθμισμένων λύσεων (Elite Quality Pool) Ανακατασκευή δομικών λύσεων (Reconstruction of Structural solutions).

Υπολογιστικά προβλήματα: Διατύπωση κλασσικών προβλημάτων διακριτής αριστοποίησης, Επίλυση με λογισμικό ανεπτυγμένο σε περιβάλλον κλασσικών γλωσσών προγραμματισμού (C++, Java)