فرایند پیدا کردن فرد مناسب برای ازدواج را تاحدی می‌شود با بهینه‌سازی مقایسه کرد. یک تابع هدف داریم که مثلا می‌شود گفت اینکه چقدر فکر می‌کنم این فرد به درد ما می‌خورد! یک فضای جواب هم داریم که مثلاً می‌شود کل مجردهای جنس مخالف (البته اگر هم‌جنس‌گرا باشید که خوب فرق می‌کند این فضای جواب!!).
البته اینجا یک نکته‌ی ظریفی هست! از آنجایی که فضای جواب اصلی مساله یک فضای گسسته است! می‌توانیم یک بحث دیگری مثل درجه‌ی آشنایی با فرد را هم وارد کنیم تا مساله پیوسته شود. مثلا اگر نقطه‌ی A در فضای جواب شخص A را نشان دهد مثلا می‌توان گفت اگر ۵۰ درصد با شخص آشنا شده‌اید به فاصله‌ی ۰٫۵ از او قرار دارید! اگر ۸۰ درصد آشنا شده‌اید به فاصله‌ی ۰٫۲. جالبی مساله آنجاست که اولاً شما نمی‌دانید چقدر با این فرد آشنا شده‌اید! پس اگر در حد فعلی آشنایی‌تان به میزان x از او خوشتان می‌آید نمی‌دانید که با بیشتر شناختن این فرد بیشتر خوشتان خواهد آمد یا کمتر. حالا فرض کنیم آمدید و به این نتیجه رسیدید که با این فرد ۱۰۰ درصد آشنا شده‌اید و به میزان y از او خوشتان می‌آید. یک جورهایی می‌شود گفت به بهینه‌ی محلی رسیده‌اید! حالا از کجا بدانید این بهینه‌ی محلی که بهش رسیده‌اید بهینه‌ی سراسری باشد؟
۱. واقعیت این است که شما نمی‌توانید تمام فضای جواب را به امید یافتن بهینه‌ی سراسری جستجو کنید.
۲. آشنایی بیشتر به معنی حرکت در مسیر بهینه‌ی محلی است.
روش‌های کلاسیک بهینه‌سازی نیاز به داشتن فرم تابع هدف دارند ولی اکثر اوقات ما فقط یک بلک‌باکس داریم که مختصات نقطه را می‌دهیم و مقدار تابع هدف را می‌گیریم. در این مسائل معمولا از روش‌های فراابتکاری (Metaheuristic) همچون الگوریتم ژنتیک یا PSO (بهینه‌سازی گروه پرندگان!) استفاده می‌شود. در این روش‌های فرا ابتکاری برای اینکه تضمین کنیم در یک بهینه‌ی محلی کم ارزش به تله نمی‌افتیم معمولا بخشی تصادفی قرار داده می‌شود که به نوعی کل فضای جواب را پوشش دهد (مثل جهش ژنتیکی در الگوریتم ژنتیک).
فرض کنید با شخصی آشنا می‌شوید و این اولین مواجه‌ی شما از نوع خاص است!!! یعنی اولین کاندیدای شماست. کم‌کم با او آشنا می‌شوید و می‌بینید هر چه بیشتر آشنا می‌شوید بیشتر خوشتان می‌آید پس یعنی در مسیر یک جواب بهینه قرار گرفته‌اید. حال از کجا مطمئن می‌شوید این شخص یک بهینه‌ی سراسری است؟ شاید این سطح از تابع هدف در مقایسه با جواب‌های بهینه‌ی محلی دیگر خیلی هم پایین باشد!
به نظرتان چه چیزی را باید به این الگوریتم آشنایی اضافه کنیم تا در بهینه‌ی محلی گیر نیافتیم؟
پ.ن.
شرمنده اگر اصلاً خوب درنیامد!
اینو هم باید در نظر گرفت که مساله دینامیکه استاتیک نیست و گزینه ها بعد از مدتی از فضای جواب خارج می شن
کامنت خوبی بود!
یک مساله هم هزینه آشنایی هست... (که برای دخترها یک نوع هزینه هست، برای
پسرها یک نوع دیگه)... فکر می کنم این هزینه توی جامعه ما یکم بالا هست... اگه این هزینه کمتر بود، امکان عوض کردن تصمیم راحتتر بود... و حتی نیازی نبود که مطمئن باشیم به جوابی نزدیک به بهینه سراسری رسیده ایم.
به هر جال این مشکل را نمی توانیم حل کنیم و باید راه حلی پیدا کنیم که کار کند. مکانیزمی که من فکر می کنم در عمل استفاده می شود، مکانیزم حساسیت بالا در دوره آشنایی هست... مثلاهمانطور که اگه ازدور ببینید پنجره یک ساختمان شکسته هست نتیجه می گیرید که آن ساختمان متروکه هست...سیگنالهای منفی جزئی در دروه آشنایی بزرگنمایی می شوند...پسر یا دختر به اخلاقهای منفی مشکوک می شوند اگر کوچکتری سیگنالی دار بر این موارد را مشاهده کنند و در صورت داشتن انتخاب دیگر به سوی انتخاب دیگر می روند. حالا بعضی ها آنقدر درجه حساسیت را بالا می برند که در محدوده قدرت انتخابشان پاسخی پیدا نمی کنند، بعضی هم انتخاب بهتری ندارند و با بشری که مشکلاتی هم دارد سر می کنند. خلاصه اینکه در طول آشنایی درجه حساسیت به مسایل کمی بالاتر است از درجه حساسیت در طول زندگی واقعی.
اسم زندگی زندگیه اسم ازدواج ازدواج مطمئن باشین نه شبیه معادله نه شبیه یه خانه متروکه
در جواب به نظر شما یک پست جدید نوشته‌ام.
اتفاقا پست بسیار خوبی نوشته اید. یافتن همسر یکی از موضوعات جالب اقتصاد است و کسانی مانند گری بیکر برنده جایزه نوبل روی آن کار کرده اتد.
من یه سرچ کردم تو اینترنت ببینم metaheuristic فارسیش چی میشه. به این پست برخوردم و واقعاً مشعوف شدم از این مقایسه جالب. همین الگوریتمهای فرا ابتکاری! هم احتمالا از یه پست تو وبلاگ شروع شده. خلاصه از نتیجه مسائل مربوط به ازدواجم میتونی یه الگوریتم درست کنی، مثلا ازدواج بهینه. ماشالله این روزا از این کارا زیاد می کنن. ولی نکته اصلی و شباهت اصلی به نظر من اینه که در حل بسیاری از مسائل بهینه سازی به کمک متاهیوریستیک مسئله پیدا کردن جواب بهینه نهایی نیست و یک جوابی که نزدیک بهینه هم باشه خیلی وقتا خوبه. ;)