เทคนิคเมตาฮิวริสติก
4(4-0-12)
เงื่อนไข: โดยความเห็นชอบของสาขาวิชา
การศึกษาชุดวิชานี้ศึกษาเทคนิคเมตาฮิวริสติกและเลือกเทคนิคที่เหมาะสมสัมพันธ์กับปัญหาระบบการผลิต นักศึกษาจะได้เรียนรู้และเข้าใจโครงสร้างและประเมินความเหมาะสมสำหรับเทคนิคเมตาฮิวริสติกต่าง ๆ หัวข้ออัลกอริทั่มอิงเส้นทาง เช่น เทคนิคปีนภูเขา เทคนิคตาบูเสริช และเทคนิคอบอ่อน เป็นต้น และ หัวข้ออัลกอริทัมอิงประชากร เช่น เทคนิคเจนเนติกอัลกอริทั่ม เป็นต้น ผ่านการเขียนภาษาทางคอมพิวเตอร์ นักศึกษาสามารถประยุกต์ความรู้เพื่อสร้างแบบวิธีการเมตาฮิวริสติก เพื่อใช้ในการหาผลเฉลยใกล้เคียงค่าที่ดีที่สุดของปัญหาอ้างอิงจากปัญหาที่ได้รับมอบหมายในชั้นเรียนได้
เค้าโครงรายวิชา
1. บทนำเข้าสู่พื้นฐานของเมตาฮิวริสติก (8 ชั่วโมง)
2. อัลกอริทั่มสำหรับการสร้างและปรับปรุงผลเฉลยด้วยวิธีเมตาฮิวริสติก (8 ชั่วโมง)
3. อัลกอริทั่มอิงพื้นฐานเส้นทาง เช่น เทคนิคปีนภูเขา เทคนิคตาบูเสริช เทคนิคอบอ่อน เป็นต้น (8 ชั่วโมง)
4. อัลกอริทั่มอิงประชากร เช่น เจนเนติกอัลกอริทั่ม (8 ชั่วโมง)
5. การประเมินทางเลือกของวิธีเมตาฮิวริสติกที่เหมาะสม (8 ชั่วโมง)
6. การเขียนเมตาฮิวริสติกสำหรับปัญหามากกว่าหนึ่งจุดประสงค์ (8 ชั่วโมง)
7. ฝึกเขียนบทความเบื้องต้นเกี่ยวกับการใช้วิธีเมตาฮิวริสติกเพื่อหาผลเฉลยใกล้เคียง (8 ชั่วโมง)
ค่าที่ดีที่สุดจากการมอบหมายงานในห้องเรียน
ผลสัมฤทธิ์การเรียนรู้
1. นักศึกษาสามารถเข้าใจและประยุกต์ใช้เทคนิคเมตาฮิวริสติก ทั้งอัลกอริทั่มอิงเส้นทาง และอัลกอริทั่มอิงประชากร เพื่อหาผลเฉลยที่ดีที่สุดของแบบจำลองได้
2. สามารถเขียนโครงร่างโครงการวิจัยเบื้องต้นเกี่ยวกับการนำการวิเคราะห์ระบบและการหาค่าใกล้เคียงค่าที่ดีที่สุด ไปใช้งานและการสืบค้นงานวิจัย หรือบทความวิชาการได้
Metaheuristic Techniques
Condition: Consent of the School
This class will study a survey of selected metaheuristic techniques. Study will learn and understand the constructive and evaluative metaheuristic algorithm. Topics may include path-based algorithm such as hill claiming technique, tabu searching technique, simulated and annealing technique and population-based algorithm such as genetic algorithm. Students implement metaheuristics from problems throughout the computer language. Students implement metaheuristics to solve the near-optimization model based on problems in the class assignments.
Course Outline
1. Introduction to Traditional Methods (8 hours)
2. Constructive algorithms (8 hours)
3. Improvement algorithms (8 hours)
4. Path-based algorithm such as simulated annealing and tabu searching (8 hours)
5. Population-based algorithm such as genetic algorithm (8 hours)
6. Evolutionary algorithms (8 hours)
7. Multiple objective metaheuristics (8 hours)
8. Practice in models relate to near-optimization problem, academic paper (8 hours)
from class assignments
Learning Outcomes
1. Students should be understand and implement the metaheuristic techniques both path-based and population-based algorithm to solve the optimization models.
2. Compose preliminary research proposal by applying the metaheuristic to solve near-optimization project and searching academic papers from literature reviews.