Language
Country/Area
No result found
Bagaimana cara menggunakan "keacakan" untuk menemukan solusi terbaik? Ungkap rahasia algoritma pencarian acak!
Metode optimasi tradisional sering kali memerlukan informasi turunan dalam upaya mencari solusi terbaik, namun, algoritma pencarian acak dapat beroperasi tanpa informasi ini. Hal ini menjadikan pencarian acak sebagai alat yang ampuh untuk fungsi yang tidak berkesinambungan atau tidak dapat dibedakan. Singkatnya, pencarian acak adalah keluarga metode optimasi numerik yang dapat menemukan solusi optimal dalam banyak ruang pencarian yang kompleks.
Metode pencarian acak juga disebut metode pencarian langsung, bebas turunan, atau kotak hitam.
Pada dasarnya, pencarian acak dimulai dengan serangkaian tebakan acak yang didistribusikan dalam urutan atau pola tertentu di seluruh ruang pencarian parameter. Pada tahun 1953, Anderson meninjau metode ini dan menjelaskan cara menggunakan serangkaian tebakan acak untuk menemukan nilai minimum atau maksimum. Metode pencarian ini dapat berupa pencarian grid (faktor) dari semua parameter, atau pencarian berurutan dari setiap parameter, atau kombinasi keduanya.
Seiring dengan perkembangan teknologi, pencarian acak secara bertahap telah diterapkan di banyak bidang. Terobosan terbesar adalah pengoptimalan hiperparameter dalam jaringan saraf tiruan. Penelitian telah menunjukkan bahwa meskipun hanya 5% dari ruang pencarian berisi konfigurasi yang baik, probabilitas menemukan setidaknya satu konfigurasi yang baik setelah mencoba 60 konfigurasi masih lebih dari 95%. Hal ini membuat pencarian acak layak dan bahkan perlu.
Keberhasilan pencarian acak terletak pada kemampuannya untuk mengambil sampel secara acak dari hipersfer di sekitar solusi kandidat saat ini.
Algoritma Pencarian Acak
Proses dasar algoritma pencarian acak dapat dijelaskan sebagai berikut: Pertama, inisialisasi posisi acak x dalam ruang pencarian. Kemudian, hingga kriteria terminasi tertentu tercapai (seperti mencapai jumlah iterasi maksimum atau memperoleh nilai fungsi objektif yang memuaskan), langkah-langkah berikut dilakukan berulang kali:
- Ambil sampel posisi baru y dari hipersfer di sekitar posisi saat ini x.
- Jika f(y) < f(x), maka perbarui posisi saat ini ke y; yaitu, pindah ke posisi baru.
Keuntungan dari metode ini adalah kesederhanaannya dan fakta bahwa tidak ada turunan yang perlu dihitung, sehingga dapat diterapkan pada banyak masalah optimasi nonstandar.
Varian Pencarian AcakMeskipun pencarian acak murni sangat bergantung pada keberuntungan, beberapa pencarian acak yang terstruktur secara artifisial dilakukan secara strategis. Berbagai varian pencarian acak juga muncul untuk meningkatkan efisiensi pencarian:
- Prosedur Friedman-Savage: Metode ini melakukan pencarian berurutan untuk setiap parameter, yang dirancang berdasarkan pola spasial antara tebakan awal dan batas.
- Pencarian acak langkah tetap (FSSRS): Ini adalah algoritma dasar Rastrigin, yang mengambil sampel dari hipersfer dengan radius tetap.
- Pencarian Acak Ukuran Langkah yang Dioptimalkan (OSSRS): Metode ini terutama merupakan studi teoritis, yang bertujuan untuk mempercepat kecepatan konvergensi dengan mengoptimalkan radius hipersfer.
- Pencarian Acak Ukuran Langkah Adaptif (ASSRS): Metode ini secara cerdas menyesuaikan radius hipersfer, memilih ukuran langkah berdasarkan apakah metode ini meningkatkan kualitas solusi.
Tujuan dari varian ini adalah untuk meningkatkan efisiensi pencarian dan meminimalkan biaya komputasi.
Metode Terkait
Pencarian acak bukan satu-satunya metode pengoptimalan. Ada beberapa teknik terkait lainnya di bidang pengoptimalan, seperti pengoptimalan stokastik, yang merupakan sekelompok metode pengoptimalan yang mengambil sampel dari distribusi normal; dan Luus–Jaakola, metode pengoptimalan berdasarkan pengambilan sampel dari distribusi seragam, dan dalam ruang pencarian, pencarian pola yang mengambil langkah-langkah di sepanjang sumbu koordinat. Metode-metode ini memberikan solusi unik dalam situasi yang berbeda.
Fleksibel dan serbagunanya pencarian acak membuatnya sangat penting dalam memecahkan masalah pengoptimalan yang kompleks.
Pencarian acak memberikan solusi yang sederhana dan efektif yang melengkapi metode analitis. Hal ini membuat kita bertanya-tanya, di bidang pengoptimalan masa depan, apakah algoritme ini akan menjadi solusi utama atau bahkan menggantikan metode tradisional?
