بهینهسازی اکسترمال یا اتوماتای یادگیر؟ افزایش کارایی شبکههای اسپینی در انتخاب بهینهسبدسهام

الگوریتمهای اکتشافی مختلفی برای حل مسئله انتخاب بهینه سبدسهام ارائه شده است. یکی از این الگوریتمها مبتنی براسپینگلاس میباشد که بهدلیل داشتن قابلیت جستجوی محلی و پردازش موازی مورد توجه است. از آنجایی که اسپینگلاسهابیشتر از الگوریتمهای مبتنی بر شبیهسازی مونتکارلو همچون شبیهسازی گداختگی برای یافتن حالت بهینه استفاده میکنند و به دلیل داشتن ماهیت تصادفی، سرعت همگرایی پائینی دارند که برای بهینه سازی آنها از الگوریتم هایی همچون ژنتیک و اتوماتای یادگیر استفاده میگردد. در این راستا، کوشش شده است روشی مبتنی بر بهینه سازی اکسترمال ارائه شود بطوریکهاسپینهای کمارزشتر را با احتمال بیشتر انتخاب و تغییر میدهد و باعث بهبود وصعیت تمام اسپینها میگردد این عمل تا آنجا ادامه می یابد که شبکه به تغییرات اسپین حساس شده و تغییر کوچکی در مقدار هر اسپین باعث تغییرات بزرگی در شبکه میگردد بنابراین فرار از بهینه های محلی راحتر شده و زودتر بهینه عمومی پیدا می شود. نتایج آزمایش که با نتایج الگوریتمهای شبیهسازی گداختگی و اتوماتای یادگیر مقایسه شده است نشان از بهبود در سرعت همگرایی در حین حفظ دقت میدهد.

کلیدواژه ها:

مدل اسپینگلاس ، انتخاب بهینه سبدسهام ، شبیهسازی گداختگی ، اتوماتای یادگیر و بهینه سازی اکسترمال