الانتقال إلى المحتوى
العودة إلى نتائج البحث

خوارزمية تحسين النسور الأفريقية

قدّمه
Hossein Moghdani
السنة
2020
النوع
Nature-inspired metaheuristic algorithm
العائلة
Swarm Intelligence

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

ماذا تفعل؟

خوارزمية تحسين النسور الأفريقية (AVOA) هي خوارزمية فوق استدلالية قدمها مقداني وسليميفارد في عام 2020، مستوحاة من سلوك البحث والتقاط الجيف للنسور الأفريقية. تستخدم النسور استراتيجيات تعاونية متطورة لتحديد أماكن الجيف عبر مسافات شاسعة، مستخدمة تيارات الهواء الحرارية وديناميكيات المجموعة للتنقل بكفاءة. تترجم خوارزميةAVOA هذه السلوكيات الجماعية للصيد إلى إطار عمل تحسين فعال.

الفكرة الحدسية وراء الطريقة

تُظهر النسور الأفريقية ذكاءً تعاونيًا ملحوظًا: فهي تحلق على ارتفاعات عالية لمسح المنطقة بحثًا عن الطعام، وتتواصل الاكتشافات مع أعضاء المجموعة، وتتجمع عند مصادر الغذاء. تُنمذج الخوارزمية ذلك من خلال سلوكيات متعددة: يتضمن الاستكشاف التحليق في دوائر واسعة لمسح المشهد، ويتضمن الاستغلال متابعة الزملاء نحو حلول واعدة، ويتضمن الضبط الدقيق بحثًا محليًا مكثفًا. يخلق هذا التعاون الهرمي توازنًا طبيعيًا بين البحث العالمي والتنقيح المحلي دون الحاجة إلى ضبط صريح للمعاملات.

التاريخ

تم تطوير خوارزميةAVOA بواسطة حسين مقداني وزملائه في جامعة الخوارزمي عام 2020، ونُشرت في مجلة Applied Soft Computing. استُلهمت الخوارزمية من دراسات سلوكية مفصلة لأنماط التقاط الجيف للنسور الأفريقية (Gyps africanus) وآلياتها التعاونية المتطورة. تمثل الخوارزمية تطورات حديثة في التحسين المستوحى من البيولوجيا وتُظهر أداءً تنافسيًا قويًا.

متى تُستخدم

تطبيق خوارزميةAVOA على مشاكل التحسين المستمر ذات الأهداف المتعددة والقيود. فعالة بشكل خاص في تصميم الهندسة، وتحسين المعاملات الفائقة للتعلم الآلي، وتحسين الدوال المعقدة. مناسبة عندما يكون كل من البحث العالمي القوي والاستغلال المحلي الجيد مطلوبين.

الحدود والاعتبارات

  • تنفيذ أكثر تعقيدًا مقارنة بالخوارزميات فوق الاستدلالية الأبسط
  • تُدخل مراحل السلوك المتعددة معاملات إضافية تتطلب الضبط
  • تكلفة حسابية أعلى لكل تكرار بسبب نمذجة الاتصال الثنائي

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • استراتيجية بحث متطورة متعددة المراحل تعتمد على ديناميكيات المجموعة الطبيعية والتعاون
  • توازن فعال بين الاستكشاف العالمي والاستغلال المحلي دون ضبط صريح
  • أداء تجريبي قوي على دوال معيارية متنوعة ومشكلات واقعية
  • قدرة طبيعية على التعامل مع القيود من خلال التكيف السلوكي

التطبيقات

  • هندسة أنظمة القوى: تحسين جدولة توليد الطاقة والإرسال الاقتصادي
  • التعلم الآلي: تحسين بنية الشبكات العصبية وضبط المعاملات الفائقة
  • التحسين الهيكلي: تصميم هياكل تقلل الوزن مع تلبية متطلبات القوة
  • معالجة الصور: تحسين معلمات اكتشاف الحواف واستخلاص الميزات
  • مشاكل الجدولة: تحديد جدولة المشاريع المثلى وتخصيص الموارد
  • الهندسة البيئية: تحسين معلمات أنظمة التحكم في التلوث وتقليل الانبعاثات

كيف يعمل

كيف يعمل

1

تهيئة مجموعة من النسور موزعة عبر مساحة البحث تمثل حلولًا مرشحة.

2

تحلق النسور وتبحث بشكل مستقل عبر المساحة، مستكشفة مناطق جديدة واكتشاف مناطق واعدة.

3

تراقب النسور بعضها البعض وتتبع الرفاق الذين يتحركون نحو حلول أفضل، وتشارك المعلومات حول المناطق الواعدة.

4

تحديث جميع مواقع النسور بناءً على ديناميكيات الاستكشاف والتعاون، مع الاحتفاظ بسجل أفضل الحلول.

الأخطاء الشائعة

  • السلوك المفرط في المتابعة نحو أفضل حل يمكن أن يسبب تقاربًا مبكرًا
  • الاستكشاف غير الكافي في التكرارات المبكرة يحد من اكتشاف مناطق الحلول الجيدة
  • التوازن غير السليم بين البحث المنفرد والتنسيق الجماعي يقلل من الفعالية

الأسئلة الشائعة

كيف يختلف البحث التعاوني في خوارزميةAVOA عن خوارزميات السرب الأخرى؟

تُنمذج خوارزميةAVOA بشكل صريح الاتصال الجماعي والتعاون، حيث تشارك النسور المعلومات حول الحلول الواعدة. هذه الآلية التعاونية أكثر تطوراً من طرق الجذب البسيطة، مما يتيح استكشافًا تعاونيًا أكثر فعالية.

ما هي المراحل السلوكية الرئيسية في خوارزميةAVOA؟

تتضمن خوارزميةAVOA ثلاث مراحل رئيسية: الاستكشاف المستقل (التحليق والبحث)، الحركة التعاونية (متابعة الرفاق نحو حلول أفضل)، والتنقيح (بحث محلي مكثف حول المناطق الواعدة). تنتقل هذه المراحل ديناميكيًا أثناء التحسين.

كيف تتعامل خوارزميةAVOA مع المشكلات متعددة الوسائط ذات النقاط المثلى المحلية المتعددة؟

تسمح مرحلة الاستكشاف المستقل للنسور باكتشاف مناطق واعدة متعددة، بينما تشارك المرحلة التعاونية هذه المعلومات عبر السكان. هذا المزيج يمنع التقارب المبكر إلى نقاط مثلى محلية فردية مع التقارب نحو النقاط المثلى العالمية.

ما هو حجم السكان الموصى به لخوارزميةAVOA؟

تتراوح أحجام السكان النموذجية من 20 إلى 50 نسرًا. تحسن الأحجام الأكبر جودة الاستكشاف ولكنها تزيد من التكلفة الحسابية. ابدأ بـ 30 نسرًا واضبط بناءً على أبعاد المشكلة وموارد الحوسبة المتاحة.

طرق ذات صلة

المصادر

  1. Moghdani, H., & Salimifard, K. (2020). Volleyball player optimizer and African vultures optimization algorithms for solving global optimization problems. Applied Soft Computing, 97, 106794.

    افتح مرجع المنشور
    تم النسخ.