Event-Driven Metaheuristic Optimization؛ بهینه‌سازی پویا در تخصیص منابع و زمان‌بندی

یک پروژه Python برای مسئله‌های بهینه‌سازی مقید و در حال تغییر که GA و Differential Evolution، event-driven coordination، warm-start state و benchmarkهای تکرارپذیر را کنار هم قرار می‌دهد.

گفت‌وگو درباره مسئله مشاهده راهکار مرتبط

زمینه

در تخصیص منابع و زمان‌بندی، مسئله ممکن است هنگام اجرا تغییر کند: job جدید وارد شود، deadline یا priority تغییر کند، یا ظرفیت منابع جابه‌جا شود. در این حالت فقط پیدا کردن یک جواب خوب کافی نیست؛ باید recovery پس از تغییر مسئله نیز قابل اندازه‌گیری باشد.

مسئله

پروژه مسئله را به شکل یک بهینه‌سازی مقید و زمان‌متغیر مدل می‌کند و سؤال اصلی آن این است که پس از تغییر مسئله، ادامه دادن از state سازگارشده چه تفاوتی با restart از صفر دارد. benchmarkها این دو راهبرد را با seedهای متعدد مقایسه می‌کنند و پروژه صریحاً از ادعای «warm-start همیشه بهتر است» پرهیز می‌کند.

صورت‌بندی بهینه‌سازی پویا

\min_x f_t(x)\quad\text{s.t.}\quad g_{i,t}(x)\le 0

محدودیت‌ها و الزامات

تغییر objective و constraintها در طول اجرا
پشتیبانی از Genetic Algorithm و Differential Evolution در هسته فعلی
رعایت قیود و repair در یک مسیر مشترک
stateful warm-start برای problem versionهای جدید
benchmark تکرارپذیر با seed مشخص و metricهای recovery
جداسازی رویداد، optimizer و transport

رویکرد

هسته الگوریتمی GA و DE را در کنار یک Random Search baseline نگه می‌دارد. state در GAState صریح است؛ هنگام تغییر مسئله، geneهای jobهای بدون تغییر حفظ می‌شوند، موارد جدید مقداردهی می‌شوند و اثر تغییر منابع با نمونه‌گیری مجدد مدیریت می‌شود.

text

Problem Change Event
        -> Apply Change
        -> Adapt GA State
        -> Continue Optimization
        -> Record Evaluation / Metrics
        -> Publish Completion Event

تصمیم‌ها و مصالحه‌ها

تصمیم	دلیل
دو metaheuristic مشخص در scope	مقایسه روشن GA و DE بدون گسترش بی‌دلیل دامنه الگوریتمی.
Warm-start به‌عنوان فرضیه قابل آزمون	state قبلی به‌صورت صریح استفاده می‌شود، اما برتری آن از benchmark نتیجه‌گیری می‌شود نه از فرض اولیه.
Deterministic benchmark با seed	نتایج recovery و مقایسه قابل بازتولید می‌شوند.
Event-driven orchestration	تغییر مسئله و چرخه optimization از transport خاص مستقل می‌ماند.
Kafka فقط در لایه زیرساخت	حضور Kafka به معنی تبدیل هر iteration داخلی optimizer به event نیست.

نتیجه

خروجی پروژه یک چارچوب قابل اجرا برای dynamic optimization است که GA، DE و Random Search، سازگاری state، event bus، Kafka adapter و benchmarkهای recovery را کنار هم قرار می‌دهد. برای هر اجرا metricهایی مانند success rate، iterations-to-target، mean/median recovery و feasible fraction ثبت می‌شوند تا مقایسه به داده متکی باشد.

عمق فنی

Mixed-integer chromosome در GA و DE/rand/1/bin برای بردار real-valued
یک مسیر مشترک برای evaluation، repair و termination
رویدادهای versioned با event_id، event_type، timestamp و aggregate_id
Kafka با semantics تحویل at-least-once و dedup در سطح consumer
RunRecord و GenerationMetric برای ثبت telemetry و reproducibility

شواهد

طراحی، benchmarkها و پیاده‌سازی به‌صورت عمومی در GitHub قابل بررسی هستند.

GitHub — Event-Driven Metaheuristic Optimization

README پروژه مسئله، معماری، benchmarkهای recovery و مرزهای scope را مستند کرده است.

باز کردن منبع

راهکارهای مرتبط

مدل‌سازی، الگوریتم و بهینه‌سازی

آموزش‌های مرتبط

از مسئله واقعی تا مدل ریاضی بهینه‌سازی متاهیوریستیک‌ها؛ جست‌وجو بین اکتشاف و بهره‌برداری

مسئله بهینه‌سازی شما در طول زمان تغییر می‌کند؟

می‌توان ساختار مسئله، روش recovery و معیارهای مقایسه را پیش از انتخاب الگوریتم دقیق‌تر کرد.

گفت‌وگو درباره مسئله