1. Kako rjeavamo dobro strukturirane probleme u transportnoj logistici npr. transport istovrsne robe?

Za dobro strukturirane probleme mogu se definirati matematiki modeli koji se rjeavaju egzaktnim metodama. Ove metode uvijek polaze od precizno formuliranog matematikog modela koji dovoljno dobro odraava prirodu problema koji se rjeava na primjer: Transport istovrsne robe Treba odrediti plan transporta tako da ukupni trokovi budu minimalni. U ovom primjeru ponuda je jednaka potranji tj. Nepoznate veliine su xij tj. koliko tereta treba iz i-tog ishodita transportirati u j-to odredite. 2. Definirajte problem trgovakog putnika i navedi primjer u logistici.

Sa problemom trgovakog putnika susreemo se pri obavljanju distribucije, sakupljanja ili neke druge usluge na logistikoj mrei. Prilikom rjeavanja problema trgovakog putnika teimo da pronaemo najkrau rutu koja poinje u odreenom voru logistike mree, prolazi kroz ostale vorove mree najmanje jedanput i zavrava u poetnom voru. Sluaj kada trgovaki putnik mora posjetiti svaki vor na transportnoj mrei tono jedanput, pri emu se vraa u poetni vor prevalivi najmanje mogue rastojanje, obino se naziva klasinim problemom trgovakog putnika. Primjer distribucija robe 3. Objasniti pojam simetrini problem trgovakog putnika.

Ako rastojanje izmeu bilo koja dva grada ne zavisi od pravca putovanja od jednog ka drugom ovaj problem se naziva simetrini problem trgovakog putnika. 4. Zato upotrebljavamo heuristiku?

Openito, heuristike metode i metode umjetne inteligencije su osobito prikladne za rjeavanje slabo definiranih problema, koji se ne mogu dobro matematiki formulirati, kao to je ve spomenuti problem ukrcaja i iskrcaja broda. Upotrebljavaju se i za dobro definirane probleme koji bi se u teoriji mogli rjeavati matematikim metodama, ali se od toga odustaje zbog nedostatka ili nepouzdanosti podataka 5. Koja je razlika izmeu egzaktnih metoda rjeavanja i heuristikih metoda rjeavanja? Za dobro strukturirane probleme mogu se definirati matematiki modeli koji se rjeavaju egzaktnim metodama. Ove metode uvijek polaze od precizno formuliranog matematikog modela koji dovoljno dobro odraava prirodu problema.
1

Heuristike metode i metode umjetne inteligencije su osobito prikladne za rjeavanje slabo definiranih problema, koji se ne mogu dobro matematiki formulirati, kao to je ve spomenuti problem ukrcaja iiskrcaja broda. Upotrebljavaju se i za dobro definirane probleme koji bi se u teoriji mogli rjeavati matematikim metodama, ali se od toga odustaje zbog nedostatka ili nepouzdanosti podataka. 6. Definicija heuristike.

Heuristika je tehnika koja pokuava nai neka dobra rjeenja problema (tj. takva dopustiva rjeenja problema koja su dovoljno bliska njegovom optimumu) u okviru razumnog vremena, pri emu se ne garantira da e naeno rjeenje biti optimalno, niti se moe odrediti njihova bliskost optimalnom rjeenju. 7. Koja je razlika izmeu polinomskih i nepolinomskih heuristikih algoritama? Pod dobrim algoritmima se, promatrano sa stajalita raunarske sloenosti smatraju tzv. polinomski algoritmi. Polinomski algoritmi su oni algoritmi ija je raunarska sloenost proporcionalna ili ograniena polinomskom funkcijom reprezentanta dimenzije problema. Tako su, na primjer, algoritmi koji zahtijevaju O(n2), O(n5) ili O(n6) vremena, polinomski algoritmi. Pod loim algoritmima podrazumijevaju se eksponencijalni (nepolinomski) algoritmi. Eksponencijalni su, na primjer, algoritmi koji zahtijevaju O(3n) ili O(n!) vremena. Da bi heuristiki algoritmi bili efikasni treba da budu polinomski, da u razumno vrijeme mogu rijeiti problem velikih dimenzija. 8. Koje osobine mora imati heuristika kako bi davala dobra rjeenja i radila u to kraem vremenu? Ona treba biti jednostavna da bi bila razumljiva za one koji je koriste, i robusna, tj. da ne mijenja drastino svoje ponaanje za male promjene parametara problema; treba ako je potrebno, da posjeduje mogunost generiranja veeg broja dobrih rjeenja da bi korisnik mogao izabrati najprihvatljivije od njih u odnosu na neke kriterije koje je teko formalizirati; treba imati i mogunost interaktivnog rada, gdje korisnik moe interaktivno da utjee, u veoj ili manjoj mjeri, na proces dobivanja rjeenja donosei bitne odluke u nekim koracima heuristike; itd. 9. to je to Hamiltonov ciklus?

Metoda najblieg neposjeenog susjeda (primijenjenu na grafiki predstavljeni simetrini problem- slika2), polazei od nekog vora pridruenog grafa, formira iterativno, vor po vor, tako da se u svakoj iteraciji kao slijedei vor bira najblii neposjeeni susjed trenutnoga vora. Na primjer, kod grafa na slici 2, ako bi se polo od vora 1, tada bi se meu njemu susjednim vorovima 2, 3,4 izabrao najblii vor 3
2

kao slijedei vor, dok bi se nadalje meu neposjeenim susjedima 2, 4 i 5 vora 3 izabrao najblii 4 kao slijedei, itd. Na taj nain bi se dobila tzv. Hamiltonova kontura ili Hamiltonov ciklus (1,3,4,5,2) ija je ukupna duljina 19, jer se iz toke 2 treba vratiti u 1. Hamiltonov ciklus na grafu G je ciklus koji sadri sve vrhove od G. Kako je problem simetrian istu ukupnu duljinu puta 19 imao bi obilazak u suprotnom smjeru tj. (2,5,4,3,1). Da smo za poetnu toku izabrali vor 3 tada bi metodom najblieg neposjeenog susjeda dobili konturu (3,1,4,5,2) ija je ukupna duljina 18, za konturu (1,4,3,5,2) isto je ukupna duljina 18, to su inae optimalne konture. Konture se mogu prikazati i grafiki kao Hamiltonova kontura s teinama na lukovima - udaljenosti, slika 3. Konture x1 i x2 mogua rjeenja ili mogui obilasci, a svi obilasci tj. sve konture ine skup X. Funkcija cilja za konturu x1 je f(x1) = 19, za x2 je f(x2) = 18.

10. Zato nije lako procijeniti dali neki realni problem treba rjeavati egzaktno ili heuristiki? Nije uvijek lako procijeniti da li neki realni problem treba rjeavati egzaktno ili heuristiki. Naime, ako se, pri njegovom egzaktnom rjeavanju poe od matematikog modela koji ne odraava dovoljno dobro realnost, tada se moe oekivati da e optimalno rjeenje ovog modela biti daleko od stvarnog optimalnog rjeenja problema. S druge strane, poto su heuristike obino fleksibilnije od egzaktnih metoda i sposobne su da savladaju znatno komplicirana i realnija ogranienja problema, modeli od koji oni polaze mogu se formulirati tako da mnogo vjernije odraavaju strukturu problema. 11. Navedite neke heuristike metode koje se esto koriste u praksi.

Neke vrste heuristika koje se esto koriste u praksi su: Konstruktivne metode Metode lokalnog pretraivanja (ili sekvencijalne metode) Evolucijske metode Metode dekompozicije Induktivne metode Moe se navesti jo jedna novija podjela heuristikih metoda na: specijalne i ope.
3

12.

Objasnite metodu lokalnog pretraivanja.

Metode lokalnog pretraivanja (ili sekvencijalne metode) iterativno generiraju itav niz dopustivih rjeenja problema, teei da ona budu sve bolja i bolja. Pri tom se u svakoj iteraciji pretrauje okolina trenutnog rjeenja i u njoj bira, prema nekom lokalnom kriteriju, slijedee rjeenje u ovom nizu. (Princip rada ovakvih heuristika biti e prikazano kada se bude govorilo o metodologiji Simuliranog kaljenja i Tabu pretraivanju). 13. Objasnite evolucijske metode.

Evolucijske metode u svakoj iteraciji generiraju, ne jedno, nego vie dopustivih rjeenja problema, koja ine tzv. populaciju, pri emu se tei da svaka slijedee formirana populacija bude u prosjeku bolja od prethodne. (Genetski algoritmi, o kojima emo govoriti, podravaju ba ovakve metode). 14. Kakve su to specijalne heuristike?

Specijalne heuristike se dizajniraju za posebne vrste optimalizacijskih problema potujui, pri tome, svojstva i specifinosti ovih problema. Zato se njima mogu rjeavati samo oni problemi za koje su dizajnirani. U prvoj fazi razvoja heuristikog pristupa intenzivno su razvijene samo metode ovog tipa, tako da danas za svaki problem sa liste NP kompletnih problema postoji bar jedna specijalna heuristika koja ga rjeava. 15. Kakve su to ope heuristike?

Ope heuristike su heuristike metodologije opeg karaktera koje se mogu primijeniti na bilo koji problem kombinirane optimizacije, bez obzira na specifinost njegove strukture. iroka primjena i popularnost opih heuristika u praksi, kao i njihova velika prilagodljivost razliitim vrstama problema, su razlog zato je ovim heuristikama posveena posebna panja. 16. Na koji nain dolazimo do 2-okoline neke Hamiltonove konture X?

Pri heuristikom rjeavanju simetrinog problema trgovakog putnika esto se razmatra tzv. 2-okolina neke Hamiltonove konture x u pridruenom neorjentiranom grafu koja se definiraju pomou slijedee modifikacije: Iz konture x se eliminira dva njene nesusjedna luka, ime se ona razbija na dva puta. Ovi putovi se zatim spajaju s dva nova luka tako da se dobije nova Hamiltonova kontura y. Prethodna modifikacija se naziva 2-razmjena izmeu x i y i ona predstavlja pomak m(x,y). Kontura y se smatra susjedom konture x, dok sve konture koje se ovakvim pomakom mogu generirati iz x ine 2-okolinu N(x)

2-okolina za problem trgovakog putnika

17.

Kako u pretraivanju okoline moemo izbjei zamku lokalnog minimuma?

Meutim, glavni nedostatak pri primjeni metoda sputanja na problem nalaenja globalnih minimuma (u koje spada i problem min f(x), x X) , je to se esto u procesu pretraivanja ne mogu izbjei zamke lokalnog minimuma, iz koje se ne moe izvui koritenjem samo silazeih pomaka.

Zaglavljivanje u lokalni minimum Kod opih heuristika Simuliranog kaljenja i Tabu pretraivanja, ovaj nedostatak je realiziran tako, to one koriste lokalno pretraivanje, ali pri tome dozvoljavaju (na strogo kontrolirani nain) i uspinjue pomake, tj. pomake koji vode u susjede sa loijom (veom) vrijednosti funkcije cilja. 18. Objasnite opu heuristiku pod nazivom simulirano kaljenje.

Simulirano kaljenje (SK) je opa heuristika koja kombinira princip deterministike metode sputanja sa vjerojatnosnim pristupom. Naime, u svakoj iteraciji ova heuristika na sluajan nain generira nekog susjeda iz okoline trenutne toke, uzimajui ga kao slijedeu toku pretraivanja, ne samo u sluaju poboljanja, nego i u sluaju pogoranja funkcije cilja, ali sa izvjesnom vjerojatnosti koja se kontrolirano mijenja tijekom iteracija. Na taj nain se mogu izbjei zamke lokalnih minimuma i tako poveati mogunost dobivanja kvalitetnih rjeenja. 19. Kod tabu pretraivanja to je to aktivna okolina toke Xn?

Okolina N(xn) trenutne toke xn se modificira (smanjuje ili proiruje) u zavisnosti od povijesti H i na taj nain formira skup N(xn,H) svih kandidata za slijedeu toku pretraivanja xn+1 . N(xn,H) se esto naziva i aktivnom okolinom toke xn u odnosu na povijest H.

20.

Objasni sistem rada genetikih algoritama.

One jedinke iz populacije koje su u veoj mjeri prilagoene okruenju, meusobno se dalje reproduciraju (primjenom genetskih operatora na njihove kromosome) i tako se stvara nova generacija jedinki, vie prilagoena od prethodne. Iako genetiki algoritmi nisu prvobitno predvieni za rjeavanje optimizacijskih problema, pokazano je da se oni mogu koristiti i za optimizaciju nelinearnih funkcija, a u skorije vrijeme i kao opa heuristia metodologija za rjeavanje problema min f(x), x X . 21. Objasni problem naprtnjae.

Problem naprtnjae je kombinirani problem u kojem je potrebno Maksimalizirati funkciju cilja. Dano je n grumena koji sadre zlato i naprtnjaa kapaciteta W. U torbu treba spremiti onu kombinaciju grumena koja je najvrednija tj. koja sadri najvie zlata . Problem naprtnjae ili problem ranca praktino je koriten u vojsci SAD za odreivanje sadraja vojne naprtnjae. Svaki predmet pridruena je vjerojatnost da e biti potreban vojniku. Ukupan volumen i ukupna teina bili su ogranienja. Isti problem javlja se kod ukrcaja tereta u zrakoplov ili brod. Kod postavljana raznih predmeta na palete isto ili pakovanje kutija slini su problemi problemima naprtnjae. Za rjeavanje problema naprtnjae obino se koristi koncept tabu pretraivanja. Ideja je te heuristike da se naprtnjaa stalno puni I prazni, na nain da se u nju doda grumen s najveim relativnim doprinosom profita a kada to nije mogue onda se oduzme grumen s najmanjim omjerom profita i teine.