Optimasi Stokastik
Metode optimasi stokastik (SO) merupakan metode optimasi yang menghasilkan dan menggunakan variabel acak. Dalam permasalahan stokastik, variabel acak muncul dalam rumusan masalah optimasi itu sendiri dan mencakup fungsi tujuan acak atau batasan acak. Metode optimasi stokastik juga mencakup metode dengan iterasi acak. Beberapa metode optimasi stokastik menggunakan iterasi acak untuk memecahkan masalah stokastik, menggabungkan kedua makna optimasi stokastik. metode optimasi stokastik menggeneralisasi metode deterministik ke masalah deterministik.
Metode fungsi stokastik
Dalam konteks analisis data, terdapat situasi di mana sebagian data masukan bersifat acak, seperti pada bidang estimasi dan kontrol waktu nyata. Selain itu, optimasi berbasis simulasi juga sering melibatkan penggunaan simulasi Monte Carlo sebagai perkiraan sistem sebenarnya. Masalah lain yang dihadapi adalah ketika terdapat kesalahan eksperimental atau kebisingan acak dalam pengukuran kriteria. Dalam kasus-kasus seperti itu, pemahaman bahwa nilai-nilai fungsi dapat terkontaminasi oleh kebisingan acak mendorong pengembangan algoritma yang menggunakan alat inferensi statistik untuk memperkirakan nilai-nilai "sebenarnya" dari fungsi dan/atau membuat keputusan optimal secara statistik terkait langkah-langkah selanjutnya.
Metode yang termasuk dalam kategori ini mencakup berbagai pendekatan seperti pendekatan stokastik (SA) oleh Robbins dan Monro (1951), penurunan gradien stokastik, SA perbedaan hingga oleh Kiefer dan Wolfowitz (1952), gangguan simultan SA oleh Spall (1992), dan optimasi skenario. Keseluruhan, metode-metode ini menyediakan kerangka kerja yang efektif untuk menangani data masukan yang bersifat acak dan kesalahan eksperimental, dengan menggunakan prinsip-prinsip inferensi statistik untuk membuat keputusan yang lebih akurat dan optimal.
Metode pencarian acak
Metode pencarian acak, sering disebut sebagai metaheuristik, memperkenalkan keacakan ke dalam proses pencarian untuk mempercepat kemajuan, terutama ketika kumpulan data terdiri dari pengukuran yang tepat. Keacakan yang diperkenalkan dapat membuat metode ini lebih toleran terhadap kesalahan pemodelan dan menghasilkan keuntungan lain, seperti memperkirakan interval fitur minimum menggunakan statistik nilai ekstrem. Selain itu, keacakan dalam proses pencarian memungkinkan kita untuk keluar dari optimal lokal dan mendekati optimal global, menjadikan prinsip pengacakan ini sebagai cara yang sederhana dan efektif untuk mengembangkan algoritma yang kinerjanya hampir pasti dan konsisten di berbagai kumpulan data dan masalah.
Beberapa metode optimasi stokastik yang menerapkan prinsip pencarian acak antara lain simulasi anil oleh S. Kirkpatrick, CD Gelatt dan MP Vecchi (1983), probabilitas kolektif oleh DH Wolpert, SR Bieniawski dan DG Rajnarayan (2011), dan algoritma genetika oleh Holland (2011). Ada pula metode lain seperti metode cross-entropy dari Rubinstein dan Kroese (2004), random search dari Anatoly Zhigljavsky (1991), dan stochastic tunneling.
Meskipun metode pencarian acak dianggap efektif, beberapa penulis berpendapat bahwa pengacakan hanya dapat meningkatkan algoritma deterministik jika algoritma deterministik dirancang dengan buruk. Ada juga argumen bahwa ketergantungan pada elemen acak dapat menghambat pengembangan komponen deterministik yang lebih cerdas dan unggul. Lebih jauh lagi, menyajikan hasil algoritma optimasi stokastik, misalnya dengan hanya mencantumkan rata-rata atau N run terbaik tanpa menyebutkan distribusi, dapat menghasilkan bias positif terhadap keacakan.
Beberapa permasalahan kompleksitas terbuka berkaitan dengan pertanyaan apakah keacakan dapat memungkinkan penyelesaian permasalahan dalam waktu yang lebih singkat, seperti pada permasalahan P = BPP.Konvergensi algoritma pencarian lokal stokastik menuju solusi optimal terkadang dapat terjadi sebagai akibat dari kemungkinan perpindahan dari satu solusi ke solusi lainnya dalam ruang pencarian pada setiap iterasi. Namun, sifat semantik penting dari algoritma pencarian lokal stokastik, termasuk kemampuannya untuk menemukan solusi optimal atau solusi dalam jarak tertentu dari nilai optimal, seringkali tidak dapat ditentukan secara umum. Hal ini disebabkan kemampuan algoritma ini untuk mensimulasikan programapa pun, terutama jika bahan dasarnya dimaksudkan sederhana.
Disadur dari : en.wikipedia.org