Mga Opsyon sa Algorithm ng Solver

DEPS Evolutionary Algorithm

Ang DEPS ay binubuo ng dalawang independiyenteng algorithm: Differential Evolution at Particle Swarm Optimization. Ang dalawa ay partikular na angkop para sa mga numerical na problema, tulad ng nonlinear optimization, at komplementaryo sa isa't isa dahil pinapantayan nila ang mga pagkukulang ng isa't isa.

Setting	Paglalarawan
Rate ng Paglipat ng Ahente	Tinutukoy ang posibilidad para sa isang indibidwal na pumili ng diskarte sa Differential Evolution.
Ipagpalagay na ang mga variable ay hindi negatibo	Markahan upang pilitin ang mga variable na maging positibo lamang.
DE: Crossover Probability	Tinutukoy ang posibilidad na maisama ang indibidwal sa pinakamahusay na punto sa buong mundo. Kung hindi ginamit ang crossover, ang punto ay binuo mula sa sariling memorya ng indibidwal.
DE: Scaling Factor	Sa panahon ng crossover, ang scaling factor ay nagpapasya tungkol sa "bilis" ng paggalaw.
Mga Siklo ng Pagkatuto	Tinutukoy ang bilang ng mga pag-ulit, dapat gawin ng algorithm. Sa bawat pag-ulit, ang lahat ng indibidwal ay gumagawa ng hula sa pinakamahusay na solusyon at nagbabahagi ng kanilang kaalaman.
PS: Cognitive Constant	Itinatakda ang kahalagahan ng sariling memorya (lalo na ang pinakamahusay na naabot na punto sa ngayon).
PS: Constriction Coefficient	Tinutukoy ang bilis ng paggalaw ng mga particle/indibidwal patungo sa isa't isa.
PS: Mutation Probability	Tinutukoy ang posibilidad, na sa halip na ilipat ang isang bahagi ng particle patungo sa pinakamagandang punto, random itong pumipili ng bagong halaga mula sa wastong hanay para sa variable na iyon.
PS: Social Constant	Itinatakda ang kahalagahan ng pandaigdigang pinakamahusay na punto sa pagitan ng lahat ng mga particle/indibidwal.
Ipakita ang Katayuan ng Pinahusay na Solver	Kung pinagana , isang karagdagang dialog ang ipinapakita sa panahon ng proseso ng paglutas na nagbibigay ng impormasyon tungkol sa kasalukuyang pag-unlad, ang antas ng pagwawalang-kilos, ang kasalukuyang pinakakilalang solusyon pati na rin ang posibilidad, na ihinto o ipagpatuloy ang solver.
Sukat ng Swarm	Tinutukoy ang bilang ng mga indibidwal na lalahok sa proseso ng pag-aaral. Ang bawat indibidwal ay nakakahanap ng sarili nitong mga solusyon at nag-aambag sa pangkalahatang kaalaman.
Limitasyon ng Pagwawalang-kilos	Kung ang bilang ng mga indibidwal na ito ay nakahanap ng mga solusyon sa loob ng malapit na saklaw, ang pag-ulit ay ititigil at ang pinakamahusay sa mga halagang ito ay pipiliin bilang pinakamainam.
Pagpaparaya sa Pagwawalang-kilos	Tinutukoy kung anong hanay ng mga solusyon ang itinuturing na "katulad".
Gumamit ng ACR Comparator	Kung may kapansanan (default), ang BCH Comparator ay ginagamit. Inihahambing nito ang dalawang indibidwal sa pamamagitan ng unang pagtingin sa kanilang mga paglabag sa pagpilit at kung magkapantay lamang ang mga iyon, sinusukat nito ang kanilang kasalukuyang solusyon. Kung pinagana , ang ACR Comparator ay ginagamit. Inihahambing nito ang dalawang indibidwal na umaasa sa kasalukuyang pag-ulit at sinusukat ang kanilang kabutihan sa kaalaman tungkol sa mga aklatan na pinakamasamang kilalang solusyon (tungkol sa kanilang mga paglabag sa pagpilit).
Gumamit ng Random na Panimulang Punto	Kung pinagana , ang silid-aklatan ay pinupuno lamang ng mga random na piniling puntos. Kung may kapansanan , ang kasalukuyang kasalukuyang mga halaga (tulad ng ibinigay ng user) ay ipinasok sa library bilang reference point.
Variable Bounds Hula	Kung pinagana (default), sinusubukan ng algorithm na maghanap ng mga variable na hangganan sa pamamagitan ng pagtingin sa mga panimulang halaga.
Threshold ng Variable Bounds	Kapag hinuhulaan ang mga hangganan ng variable, tinutukoy ng threshold na ito, kung paano inililipat ang mga paunang halaga upang mabuo ang mga hangganan. Para sa isang halimbawa kung paano kinakalkula ang mga halagang ito, mangyaring sumangguni sa Manwal sa Wiki.

SCO Evolutionary Algorithm

Isinasaalang-alang ng Social Cognitive Optimization ang gawi ng tao sa pag-aaral at pagbabahagi ng impormasyon. Ang bawat indibidwal ay may access sa isang karaniwang aklatan na may kaalaman na ibinabahagi sa pagitan ng lahat ng indibidwal.

Setting	Paglalarawan
Ipagpalagay na ang mga variable ay hindi negatibo	Markahan upang pilitin ang mga variable na maging positibo lamang.
Mga Siklo ng Pagkatuto	Tinutukoy ang bilang ng mga pag-ulit, dapat gawin ng algorithm. Sa bawat pag-ulit, ang lahat ng indibidwal ay gumagawa ng hula sa pinakamahusay na solusyon at nagbabahagi ng kanilang kaalaman.
Ipakita ang Katayuan ng Pinahusay na Solver	Kung pinagana , isang karagdagang dialog ang ipinapakita sa panahon ng proseso ng paglutas na nagbibigay ng impormasyon tungkol sa kasalukuyang pag-unlad, ang antas ng pagwawalang-kilos, ang kasalukuyang pinakakilalang solusyon pati na rin ang posibilidad, na ihinto o ipagpatuloy ang solver.
Laki ng Library	Tinutukoy ang dami ng impormasyong iimbak sa pampublikong aklatan. Ang bawat indibidwal ay nag-iimbak ng kaalaman doon at humihingi ng impormasyon.
Sukat ng Swarm	Tinutukoy ang bilang ng mga indibidwal na lalahok sa proseso ng pag-aaral. Ang bawat indibidwal ay nakakahanap ng sarili nitong mga solusyon at nag-aambag sa pangkalahatang kaalaman.
Limitasyon ng Pagwawalang-kilos	Kung ang bilang ng mga indibidwal na ito ay nakahanap ng mga solusyon sa loob ng malapit na saklaw, ang pag-ulit ay ititigil at ang pinakamahusay sa mga halagang ito ay pipiliin bilang pinakamainam.
Pagpaparaya sa Pagwawalang-kilos	Tinutukoy kung anong hanay ng mga solusyon ang itinuturing na "katulad".
Gumamit ng ACR Comparator	Kung may kapansanan (default), ang BCH Comparator ay ginagamit. Inihahambing nito ang dalawang indibidwal sa pamamagitan ng unang pagtingin sa kanilang mga paglabag sa pagpilit at kung magkapantay lamang ang mga iyon, sinusukat nito ang kanilang kasalukuyang solusyon. Kung pinagana , ang ACR Comparator ay ginagamit. Inihahambing nito ang dalawang indibidwal na umaasa sa kasalukuyang pag-ulit at sinusukat ang kanilang kabutihan sa kaalaman tungkol sa mga aklatan na pinakamasamang kilalang solusyon (tungkol sa kanilang mga paglabag sa pagpilit).
Variable Bounds Hula	Kung pinagana (default), sinusubukan ng algorithm na maghanap ng mga variable na hangganan sa pamamagitan ng pagtingin sa mga panimulang halaga.
Threshold ng Variable Bounds	Kapag hinuhulaan ang mga hangganan ng variable, tinutukoy ng threshold na ito, kung paano inililipat ang mga paunang halaga upang mabuo ang mga hangganan. Para sa isang halimbawa kung paano kinakalkula ang mga halagang ito, mangyaring sumangguni sa Manwal sa Wiki.

LibreOffice Linear Solver at CoinMP Linear solver

Setting	Paglalarawan
Ipagpalagay ang mga variable bilang mga integer	Markahan upang pilitin ang mga variable na maging integer lamang.
Ipagpalagay na ang mga variable ay hindi negatibo	Markahan upang pilitin ang mga variable na maging positibo lamang.
Antas ng Epsilon	Antas ng Epsilon. Ang mga wastong halaga ay nasa hanay na 0 (napakahigpit) hanggang 3 (napakaluwag). Ang Epsilon ay ang pagpapaubaya para sa pag-ikot ng mga halaga sa zero.
Limitahan ang lalim ng branch-and-bound	Tinutukoy ang maximum na branch-and-bound depth. Ang isang positibong halaga ay nangangahulugan na ang lalim ay ganap. Ang isang negatibong halaga ay nangangahulugang isang kamag-anak na limitasyon sa lalim ng branch-and-bound.
Limitasyon sa oras ng solver	Itinatakda ang maximum na oras para mag-converge ang algorithm sa isang solusyon.

LibreOffice Swarm Non-Linear Solver (Experimental)

Setting	Paglalarawan
Ipagpalagay ang mga variable bilang mga integer	Markahan upang pilitin ang mga variable na maging integer lamang.
Ipagpalagay na ang mga variable ay hindi negatibo	Markahan upang pilitin ang mga variable na maging positibo lamang.
Limitasyon sa oras ng solver	Itinatakda ang maximum na oras para mag-converge ang algorithm sa isang solusyon.
Algoritmo ng kuyog	Itakda ang algorithm ng kuyog. 0 para sa differential evolution at 1 para sa particle swarm optimization. Ang default ay 0.

Mga Opsyon sa Solver

Solver

Wiki page sa mga non-linear solver at kanilang mga algorithm

lp_solve reference guide sa sourceforge.net