MicroAlgo Inc. ประกาศอัลกอริทึมการค้นหาแบบย้อนกลับที่เสริมความรู้

กรุงเทพฯ, 22 ก.ย. 2566 — MicroAlgo Inc. (NASDAQ: MLGO) (“บริษัท” หรือ “MicroAlgo”) ประกาศในวันนี้ว่า ได้พัฒนาขึ้นมาแล้วซึ่งอัลกอริทึมการค้นหาแบบย้อนกลับที่เสริมความรู้ ขณะที่การวิจัยและพัฒนาวิธีการคํานวณเชิงวิวัฒนาการให้พื้นฐานทางเทคนิคสําหรับการเกิดขึ้นของอัลกอริทึมการค้นหาแบบย้อนกลับที่เสริมความรู้ของ MicroAlgo อัลกอริทึมมีเป้าหมายเพื่อปรับปรุงประสิทธิภาพ ความแม่นยํา และความสามารถในการปรับตัวของการแก้ปัญหา และให้โอกาสมากขึ้นในการปรับให้เหมาะสมและสนับสนุนการตัดสินใจสําหรับบริษัทและสถาบันวิจัย การพัฒนาและการประยุกต์ใช้อัลกอริทึมนี้คาดว่าจะมีผลกระทบอย่างมีนัยสําคัญในหลายสาขา

อัลกอริทึมการค้นหาแบบย้อนกลับที่เสริมความรู้รวมกลยุทธ์การค้นหาแบบย้อนกลับและการเรียนรู้ความรู้เข้าด้วยกันเพื่อปรับปรุงประสิทธิภาพและประสิทธิผลของอัลกอริทึม พื้นฐานของอัลกอริทึมการค้นหาแบบย้อนกลับที่เสริมความรู้คือการค้นหาแบบย้อนกลับ การค้นหาแบบย้อนกลับเป็นวิธีการปรับให้เหมาะสมแบบทีละขั้นตอนที่เริ่มต้นด้วยทางเลือกหนึ่งของแนวทางแก้ปัญหาแล้วจึงค้นหาแนวทางแก้ปัญหาที่เหมาะสมที่สุดหรือเกือบที่สุดที่ดีที่สุดสําหรับปัญหาโดยการปรับปรุงแนวทางแก้ปัญหาปัจจุบันไปเรื่อยๆ ในแต่ละขั้นตอน อัลกอริทึมจะลองทางเลือกต่างๆ แล้วประเมินคุณภาพของทางเลือกเหล่านั้นและตัดสินใจเคลื่อนไหวถัดไป

อัลกอริทึมการค้นหาแบบย้อนกลับที่เสริมความรู้ของ MicroAlgo Inc. แนะนําพารามิเตอร์การควบคุมที่ปรับได้เพื่อให้สามารถปรับขนาดก้าวการค้นหาได้อย่างพลวัต ค่าของพารามิเตอร์เหล่านี้จะถูกปรับโดยอัตโนมัติตามข้อมูลโดยรวมและข้อมูลท้องถิ่นเกี่ยวกับประชากรในรอบปัจจุบัน ซึ่งหมายความว่าอัลกอริทึมสามารถปรับความลึกและความกว้างของการค้นหาได้อย่างยืดหยุ่นตามลักษณะของปัญหาและความคืบหน้าของการค้นหา ซึ่งช่วยสมดุลระหว่างความสามารถในการสํารวจและการใช้ประโยชน์ของอัลกอริทึม ดังนั้นจึงช่วยปรับปรุงประสิทธิภาพการค้นหา

อัลกอริทึมการค้นหาแบบย้อนกลับที่เสริมความรู้ใช้กลยุทธ์การกลายพันธุ์ที่แตกต่างกันซึ่งได้รับการชี้นําจากข้อมูลต่างๆ กลยุทธ์เหล่านี้ชี้นําอัลกอริทึมให้สร้างแนวทางแก้ปัญหาใหม่ตามประสบการณ์การค้นหาก่อนหน้าและความรู้เฉพาะด้าน เป้าหมายของกลยุทธ์เหล่านี้คือเพิ่มความหลากหลายของการค้นหา ช่วยให้อัลกอริทึมสามารถกระโดดออกจากแนวทางแก้ปัญหาที่เป็นท้องถิ่นที่ดีที่สุดและปรับปรุงประสิทธิภาพการค้นหาโดยรวม การเลือกและการปรับกลยุทธ์การกลายพันธุ์สามารถขึ้นอยู่กับธรรมชาติและความต้องการของปัญหา

เพื่อปรับปรุงประสิทธิภาพของอัลกอริทึมต่อไป อัลกอริทึมการค้นหาแบบย้อนกลับที่เสริมความรู้แนะนํากลยุทธ์ประชากรหลายกลุ่ม ซึ่งหมายความว่าอัลกอริทึมสามารถประมวลผลประชากรหลายกลุ่มไปพร้อมกันและดําเนินการในภูมิภาคการค้นหาที่แตกต่างกันได้ แต่ละประชากรสามารถใช้การตั้งค่าพารามิเตอร์แล