Talvez isso também lhe interesse (adaptado de Métodos para converter restrições globais em restrições locais )
Como os métodos gananciosos (métodos locais mais corretamente ) empregam apenas informações locais para obter otimização global, se forem encontradas formas capazes de transformar condições globais em condições capazes de serem usadas empregando apenas informações locais, isso fornece uma solução (globalmente) ideal para os problemas usando apenas técnicas gananciosas / locais.
Referências:
- Pense globalmente, ajuste localmente: aprendizado não supervisionado de coletores de baixa dimensão (Journal of Machine Learning Research 4 (2003))
- Otimização global usando informações locais com aplicativos para controle de fluxo, Bartal, Y.
- Por que Natural Gradient ?, Amari S., Douglas SC
- Otimização local de objetivos globais: resolução de impasse distribuído competitivo e alocação de recursos, Awerbuch, Baruch, Azar, Y.
- Aprendendo com consistência local e global
- Problemas de satisfação com restrições solucionáveis por métodos de consistência local
Existem algumas referências que abordam o problema de traduzir funções de avaliação global (ou restrições) para funções locais (usando informações locais) e sua consistência (isto é, convergência para o mesmo ótimo global):
- Funções Locais de Avaliação e Funções Globais de Avaliação para Evolução Computacional, HAN Jing, 2003
- Emergência da Função de Avaliação Local, Han Jing e Cai Qingsheng, 2002
Resumo (de 1. acima)
Este artigo apresenta um novo olhar sobre a evolução computacional a partir do aspecto da localidade e globalidade das funções de avaliação para resolver o problema combinatório clássico: o Problema kcoloring (problema de decisão) e o Problema Mínimo de Coloração (problema de otimização). Primeiro, revisamos os algoritmos atuais e modelamos o problema de coloração como um sistema multiagente. Em seguida, mostramos que a diferença essencial entre algoritmos tradicionais (Pesquisa Local, como Simulated Annealing) e algoritmos distribuídos (como o modelo Alife & AER) está na função de avaliação: O Simulated Annealing usa informações globais para avaliar todo o estado do sistema, chamado o método da função de avaliação global (GEF); o modelo Alife & AER usa informações locais para avaliar o estado de um único agente, chamado método de função de avaliação local (LEF). Comparamos o desempenho dos métodos LEF e GEF para resolver os problemas da coloração k e os problemas mínimos da coloração. Os resultados experimentais em computador mostram que a LEF é comparável aos métodos GEF (Simulated Annealing and Greedy); em muitos casos problemáticos, a LEF vence os métodos GEF. Ao mesmo tempo, analisamos a relação entre GEF e LEF: consistência e inconsistência. O Teorema da Consistência mostra que os Equilíbrios de Nash de um LEF são idênticos aos ótimos locais de um GEF quando o LEF é consistente com o GEF. Esse teorema explica em parte por que a LEF pode levar o sistema a um objetivo global. Algumas regras para a construção de uma LEF consistente são propostas. Além da consistência,
Especificamente, o artigo aborda métodos para determinar se uma função local (LEF) é consistente com uma função global (GEF) e métodos para construir LEFs consistentes a partir de determinados GEFs ( teorema da consistência ).
Trecho da seção Conclusão (de 1. acima)
Este artigo é apenas o começo dos estudos da LEF e GEF. Além do relatório de pesquisa acima, ainda há muitos trabalhos futuros: mais experimentos nos métodos LEF; estudo analítico sobre LEF; suficiência de informações locais para LEF; e a existência de um GEF consistente para qualquer LEF; O conceito de consistência é suficiente? Como os algoritmos genéticos também têm uma função de avaliação (função de condicionamento físico), podemos aplicar LEF e GEF aos algoritmos genéticos? … Nossa intenção é estudar e tentar responder a todas essas perguntas