محسن العُقاب
- قدّمه
- Laith Abualigah
- السنة
- 2021
- النوع
- Nature-inspired metaheuristic algorithm
- العائلة
- Swarm Intelligence
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
محسن العُقاب (AO) هو خوارزمية استدلالية مستوحاة من الطبيعة قدمها أبو العلياء وآخرون في عام 2021، وهي مستوحاة من سلوك الصيد والقدرات الحسية للعُقاب الذهبي (Aquila chrysaetos). تلتقط الخوارزمية مراحل الاستكشاف والاستغلال في صيد العُقاب، بما في ذلك التحليق على ارتفاعات عالية، والاستكشاف بالرؤية عالية الدقة، وهجمات الغوص السريعة. تم تصميم AO لحل مشاكل التحسين المقيدة وغير المقيدة.
الفكرة الحدسية وراء الطريقة
تُظهر العُقبان الذهبية كفاءة صيد استثنائية من خلال التحليق على ارتفاعات عالية لمسح مناطق شاسعة، وتحديد الهدف بدقة باستخدام رؤية فائقة، وهجمات غوص متفجرة مع مناورة ملحوظة. تجرد الخوارزمية هذه السلوكيات إلى عمليات رياضية: تستكشف العُقبان مساحة البحث على 'ارتفاع' عالٍ (استكشاف واسع)، ثم تنتقل إلى استغلال مكثف مع اقترابها من الفريسة (تحسين محلي). الابتكار الرئيسي هو دمج نسب استكشاف واستغلال متعددة توازن البحث، مما يسمح بالتكيف مع خصائص المشكلة المختلفة.
التاريخ
قدمها ليث أبو العلياء وزملاؤه في جامعة هدرسفيلد عام 2021، ونُشرت خوارزمية العُقاب في مجلة Computers and Industrial Engineering. تم تطوير الخوارزمية كجزء من البحث المستمر في خوارزميات التحسين المستوحاة من الطبيعة وتستمد من مبادئ المحاكاة الحيوية لسلوك الطيور المفترسة. يوضح الاختبار المعياري الشامل ودراسات التطبيق الواقعي أداءها التنافسي عبر فئات مشاكل متنوعة.
متى تُستخدم
تطبيق AO على مشاكل التحسين المستمر بما في ذلك التصميم الهندسي، وتحسين المعلمات الفائقة للتعلم الآلي، واختيار الميزات. فعالة بشكل خاص للمشاكل ذات النقاط المثلى المحلية المتعددة والدوال الهدف المكلفة. مناسبة للمهام التحسينية من الصغيرة إلى الكبيرة حيث تكون معلومات التدرج غير متاحة.
الحدود والاعتبارات
- خوارزمية حديثة نسبيًا مع تحقق تجريبي محدود على المدى الطويل مقارنة بالطرق الراسخة
- يمكن أن يختلف الأداء بشكل كبير عبر مجالات المشاكل وتضاريسها المختلفة
- لا تزال قابلية التوسع للمشاكل عالية الأبعاد للغاية بحاجة إلى تحقيق شامل
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- توازن قوي بين الاستكشاف والاستغلال مع آليات انتقال تكيفية
- تُظهر أداءً تنافسيًا أو متفوقًا على العديد من دوال القياس المعيارية
- قادرة على التعامل مع المتغيرات المستمرة والمتقطعة لمشاكل التحسين
- صياغة رياضية بسيطة مع الحد الأدنى من المعلمات الفائقة التي تتطلب ضبطًا
التطبيقات
- اختيار الميزات: تحديد أهم الميزات من مجموعات البيانات الطبية والبيولوجية عالية الأبعاد
- التحسين الهندسي: تصميم تكوينات هيكلية مثلى، وأنظمة حرارية، ومكونات ميكانيكية
- التعلم الآلي: تحسين المعلمات الفائقة لآلات المتجهات الداعمة، والغابات العشوائية، والشبكات العصبية
- أنظمة الطاقة المتجددة: زيادة كفاءة الألواح الشمسية إلى أقصى حد وتحسين تكوينات تخطيط مزارع الرياح
- تجميع البيانات: تحسين التعلم غير الخاضع للإشراف من خلال التحسين الآلي لمعلمات التجميع
- تصميم الشبكات: تحسين طوبولوجيا شبكات الاتصالات وبروتوكولات التوجيه لتحسين الأداء
كيف يعمل
كيف يعمل
تهيئة مجموعة من مواقع العُقبان موزعة عشوائيًا في فضاء الحلول.
تتحرك العُقبان لاستكشاف مناطق جديدة باستخدام استراتيجيات بحث عالمية مستوحاة من سلوك التحليق والاستطلاع.
مع تقدم التكرارات، تكثف العُقبان بحثها حول الحلول الواعدة، وتنتقل من الاستكشاف الواسع إلى الاستغلال المركز.
تقييم مدى ملاءمة موقع كل عُقاب وتتبع أفضل حل تم اكتشافه.
الأخطاء الشائعة
- يمكن أن يؤدي عدم التوازن بين معلمات الاستكشاف والاستغلال إلى التقارب المبكر
- قد يؤدي استخدام التهيئة العشوائية الموحدة في المشاكل المقيدة إلى إهدار التكرارات على مناطق غير ممكنة
- قد يؤدي إهمال القياس الخاص بالمشكلة إلى بحث غير فعال عبر فضاء الحلول
الأسئلة الشائعة
كيف توازن خوارزمية العُقاب بين الاستكشاف والاستغلال؟
تستخدم AO نسبًا تعتمد على التكرار تضبط درجة الاستكشاف مقابل الاستغلال ديناميكيًا. تؤكد التكرارات المبكرة على الاستكشاف الواسع لتجنب النقاط المثلى المحلية، بينما تركز التكرارات اللاحقة حول الحلول الواعدة. تنشأ هذه الآلية التكيفية بشكل طبيعي من تصميم الخوارزمية دون الحاجة إلى ضبط صريح.
ما هي الاختلافات الرئيسية بين AO وخوارزمية صقر هاريس (HHO)؟
بينما تستلهم كلتا الخوارزميتين من الطيور الجارحة، فإن AO تُحاكي سلوك العُقاب بمراحل استكشاف واستغلال متعددة، في حين أن HHO تعتمد على الصيد التعاوني لصقر هاريس. تُظهر AO عادةً قدرة بحث عالمية أفضل قليلاً، بينما تُظهر HHO استغلالًا محليًا أقوى من خلال مناورات القرص.
هل خوارزمية العُقاب مناسبة للمشاكل المقيدة؟
نعم، يمكن تكييف AO للمشاكل المقيدة من خلال طرق العقوبة أو تقنيات معالجة القيود. يتم معاقبة الحلول غير الممكنة عن طريق تقليل قيم ملاءمتها، مما يوجه البحث بشكل طبيعي نحو المناطق الممكنة.
ما هو حجم السكان المعقول لخوارزمية العُقاب؟
تتراوح أحجام السكان عادةً من 10-50 عُقابًا، مع كون 30 نقطة انطلاق شائعة. تحسن الأعداد الأكبر الاستكشاف ولكنها تزيد من التكلفة الحسابية. اختبر تجريبيًا مشكلتك الخاصة للعثور على التوازن الأمثل بين جودة الحل والكفاءة الحسابية.
طرق ذات صلة
المصادر
Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A., & Gandomi, A. H. (2021). Aquila optimizer: A novel meta-heuristic optimization algorithm. Computers and Industrial Engineering, 157, 107250.
افتح مرجع DOIتم النسخ.