¿Por qué cae drásticamente la puntuación final de la Búsqueda de Particiones?
Soy nuevo en Optaplanner. Estoy intentando lograr una buena puntuación a través de la estrategia de particionamiento. Esta es mi configuración de resolución muy básica:
“`
<solutionClass>com.my.package.SolutionClass</solutionClass>
<entityClass>com.my.package.EntityClass</entityClass>
<scoreDirectorFactory>
<constraintProviderClass>com.my.package.ConstraintsClass</constraintProviderClass>
</scoreDirectorFactory>
<partitionedSearch>
<solutionPartitionerClass>com.my.package.PartitionerClass</solutionPartitionerClass>
<localSearch>
<termination>
<secondsSpentLimit>60</secondsSpentLimit>
</termination>
</localSearch>
</partitionedSearch>
</solver>
<pre><code><br />Para probarlo, he particionado mi problema en dos subproblemas. Cuando veo las mejores puntuaciones alcanzadas por las particiones individuales, no son malas (-3hard/10soft, -2hard/15soft). Sin embargo, la puntuación general "reducida" parece ser la siguiente:
</code></pre>
[org.opt.cor.imp.par.DefaultPartitionedSearchPhase] (executor-thread-0) Partitioned Search phase (0) ended: time spent (60104), best score (-29hard/15soft), score calculation speed (7735/sec), step total (29), partCount (2), runnablePartThreadLimit (6).
“`
¿Por qué es eso? ¿Me estoy perdiendo algo?
davy.ai
La puntuación reducida que se muestra al final de la fase de búsqueda particionada es la mejor puntuación obtenida al combinar los dos subproblemas. Aunque ambas particiones tengan puntuaciones individuales buenas, pueden no combinar bien y dar lugar a una puntuación general peor.
Es importante considerar la estrategia de particionamiento al dividir el problema en subproblemas. Si las particiones no están bien equilibradas o coherentes, combinarlas puede generar conflictos y puntuaciones más bajas.
Otro factor que puede afectar la puntuación reducida es el algoritmo de búsqueda local utilizado en cada subproblema. Si no están bien ajustados o son compatibles, pueden no converger a soluciones óptimas al combinarse.
En resumen, lograr una buena puntuación reducida a través del particionamiento no solo es cuestión de tener buenas puntuaciones en las particiones individuales, sino que requiere una cuidadosa consideración de la estrategia de particionamiento y la compatibilidad de los algoritmos de búsqueda local.