شبکه های اسپینی بستری برای پردازش توزیع شده: مطالعه موردی حل مسئله انتخاب بهینه سبدسهام

امروزه خواص فیزیکی اجسام، دستاویزی برای حل مسائل بهینه سازی است تا پاسخ بهینه مسائل با تعداد حالات زیاد سریع تر و دقیق تر یافته شود. به عنوان نمونه می توان به الگوریتم های بهینه سازی مبتنی بر اسپین گلاس (شبکه های اسپینی) اشاره کرد که به دلیل داشتن قابلیت جستجوی محلی و پردازش توزیع شده مورد توجه قرار دارند. از آنجایی که شبکه های اسپینی، بیشتر مبتنی بر الگوریتم های تصادفی - مونت کارلو همچون تبرید تدریجی (SA) برای یافتن حالت بهینه استفاده می کنند، از سرعت همگرایی پائینی برخورداند. بنابراین برای افزایش سرعت، از الگوریتم های بهینه سازی اکتشافی، تکاملی و غیره استفاده می شود. در این مقاله با در نظر گرفتن قابلیت شبکه اسپینی در حل مسائل بهینه سازی،کوشش شده است یکی از مسائل غیرچندجمله ای (NP) با عنوان مسئله انتخاب بهینه سبدسهام با استفاده از تبرید تدریجی حل شود؛ سپس با توجه به خواص توزیع شده گی اینگونه از شبکه ها، الگوریتم جدید مبتنی بر اتوماتای یادگیر(LA) بعنوان پردازش متمرکزو همچنین بهینه سازی اکسترمال (EO) بعنوان پردازش توزیع شده، ارائه گردیده است. نتایج آزمایش ها نشان می دهند که هرچند دو الگوریتم ارائه شده از حیث عملکرد، متفاوتند؛ ولی هردو در محدوده پاسخ، تقریبا توزیع احتمال یکسانی برای انتخاب اسپین های برتر فراهم می کنند. به عبارت دیگر این دو روش از مرحله ای به بعد، شبیه هم عمل کرده و نتایج یکسانی تولید می کنند و کارایی شبکه های اسپینی از حیث سرعت همگرایی با حفظ دقت را به مقدار زیادی افزایش می دهند. همچنین دستاوردها نشان می دهد که انتخاب روش مبتنی بر LA یا EO برای شبکه های با تعداد اسپین کم تفاوتی ندارد؛ اما برای شبکه های بزرگ، EO که توانایی پردازش توزیع شده منحصر بفردی دارد، بسیار بهتر از روش های مبتنی بر یادگیری پاسخ می دهد که نتایج آزمایش های حاصل بر 5 بورس معتبر دنیا این موضوع را تائید می کند.