الگوریتم‌های فراابتکاری برای مسائلی استفاده می‌شوند که فضای جواب بسیار بزرگ است و روش‌های دقیق هزینه محاسباتی بالایی دارند. چهار روش پرکاربرد در این حوزه الگوریتم ژنتیک، ازدحام ذرات، کلونی مورچگان و کرم شب‌تاب هستند.

الگوریتم ژنتیک

GA از مفاهیم انتخاب طبیعی، تقاطع و جهش استفاده می‌کند. هر جواب به‌صورت یک کروموزوم نمایش داده می‌شود و جمعیت در نسل‌های متوالی تکامل می‌یابد. مزیت اصلی GA انعطاف در نمایش جواب و توانایی حفظ تنوع است. چالش آن تنظیم نرخ جهش و تقاطع و هزینه ارزیابی جمعیت‌های بزرگ است.

بهینه‌سازی ازدحام ذرات

PSO حرکت گروهی پرندگان یا ماهی‌ها را مدل می‌کند. هر ذره یک موقعیت، سرعت، بهترین تجربه شخصی و بهترین تجربه جمعی دارد. PSO معمولاً سریع همگرا می‌شود و پارامترهای کمتری نسبت به GA دارد، اما ممکن است زود در بهینه محلی متوقف شود.

کلونی مورچگان

ACO از فرایند پیدا کردن مسیر توسط مورچه‌ها الهام گرفته است. مسیرهای بهتر فرومون بیشتری دریافت می‌کنند و احتمال انتخاب آن‌ها افزایش می‌یابد. این روش برای مسائل گسسته، مسیر‌یابی و ترتیب‌دهی بسیار مناسب است. با این حال تبخیر فرومون، تعداد مورچه‌ها و شدت تقویت مسیر باید دقیق تنظیم شوند.

الگوریتم کرم شب‌تاب

Firefly بر اساس جذب کرم‌های شب‌تاب به نور بیشتر عمل می‌کند. جواب‌های ضعیف‌تر به سمت جواب‌های بهتر حرکت می‌کنند و مؤلفه تصادفی امکان کشف نواحی جدید را فراهم می‌کند. این روش در مسائل پیوسته عملکرد مناسبی دارد، ولی انتخاب ضریب جذب و کاهش تصادفی بودن بر کیفیت همگرایی اثر زیادی دارد.

کدام الگوریتم بهتر است؟

پاسخ مطلق وجود ندارد. GA برای ساختارهای ترکیبی و نمایش‌های سفارشی مناسب است. PSO در مسائل پیوسته و زمانی که سرعت همگرایی مهم است انتخاب خوبی است. ACO در مسیر‌یابی و مسائل گرافی مزیت دارد. Firefly برای جست‌وجوی چندناحیه‌ای و مسائل پیوسته مفید است.

چرا روش ترکیبی؟

یک الگوریتم ممکن است در اکتشاف فضای جواب قوی و در بهره‌برداری از نواحی مناسب ضعیف باشد. ترکیب روش‌ها می‌تواند این ضعف را جبران کند؛ مثلاً GA تنوع را حفظ کند، PSO همگرایی را سرعت دهد و ACO تجربه مسیرهای خوب را تقویت کند. البته روش ترکیبی باید طوری طراحی شود که سربار آن از بهبود حاصل بیشتر نشود.

نتیجه‌گیری

انتخاب الگوریتم باید بر اساس نوع متغیرها، اندازه مسئله، زمان قابل قبول، پویایی محیط و معیارهای ارزیابی انجام شود. مقایسه منصفانه نیز نیازمند داده یکسان، بودجه محاسباتی برابر و چندین اجرای مستقل است.