الانتقال إلى المحتوى
العودة إلى نتائج البحث

خوارزمية التحسين الحسابي

قدّمه
Laith Abualigah
السنة
2020
النوع
Mathematical metaheuristic algorithm
العائلة
Mathematical Optimization

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

حجم الخط

ماذا تفعل؟

خوارزمية التحسين الحسابي (AOA) هي نهج تحسين فوق استدلالي (metaheuristic) قدمه أبو ليغة وآخرون في عام 2020، يستفيد من العمليات الرياضية (الضرب، القسمة، الجمع، الطرح) كمصدر إلهام لاستراتيجيات البحث. على عكس الخوارزميات المستوحاة من الطبيعة، تستخدم AOA الخصائص المتأصلة للعمليات الحسابية لتحقيق التوازن بين الاستكشاف والاستغلال، مما يجعلها فعالة بشكل خاص لمشاكل التحسين الرياضي.

الفكرة الحدسية وراء الطريقة

الفكرة الأساسية لـ AOA هي معاملة التحسين كعملية رياضية حيث تقود العمليات الحسابية البحث. تقوم عمليتي الضرب والقسمة بنشر الحلول على نطاق واسع عبر فضاء البحث (الاستكشاف)، بينما تقوم عمليتي الجمع والطرح بتحسين الحلول محليًا (الاستغلال). هذا التجريد الرياضي يلغي الحاجة إلى الاستعارات البيولوجية مع الحفاظ على الفعالية. تختار الخوارزمية احتماليًا بين فئات هذه العمليات بناءً على تقدم التكرار، مما ينتقل بشكل طبيعي من الاستكشاف إلى الاستغلال.

التاريخ

تم تقديم AOA بواسطة ليث أبو ليغة والمتعاونين معه في عام 2020، ونُشرت في مجلة Applied Mathematics and Computation. تمثل الخوارزمية ابتعادًا عن الأساليب فوق الاستدلالية المستوحاة من الطبيعة حصريًا، وبدلاً من ذلك ترتكز نظرية التحسين على العمليات الرياضية. يوفر هذا النهج منظورًا جديدًا لتصميم الخوارزميات وقد أثبت فعاليته عبر العديد من المشاكل المعيارية والتطبيقات العملية.

متى تُستخدم

تطبيق AOA على مشاكل التحسين المستمرة والمتقطعة، خاصة عندما تكون الخصائص الرياضية للمشكلة مفهومة جيدًا. فعالة في تصميم الهندسة، وضبط المعلمات الفائقة للتعلم الآلي، والمشاكل التوافقية. مفضلة عندما تكون البساطة الحسابية والتقارب السريع من الأولويات.

الحدود والاعتبارات

  • قد يكون التجريد الرياضي أقل بديهية من الأساليب المستوحاة من الطبيعة لبعض الممارسين
  • تحليل نظري محدود لخصائص التقارب مقارنة بطرق التحسين الكلاسيكية
  • يظهر الأداء على المشاكل عالية الأبعاد نتائج متغيرة عبر مناظر المشاكل المختلفة

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

نقاط القوة

  • أساس رياضي بسيط دون الحاجة إلى إلهام بيولوجي أو نمذجة سلوكية معقدة
  • العمليات الرياضية فعالة حسابيًا، مما يقلل من الحمل الزائد لكل تكرار
  • توازن قوي بين الاستكشاف والاستغلال من خلال احتمالات اختيار العمليات
  • تظهر أداءً تنافسيًا على دوال معيارية متنوعة ومشاكل العالم الحقيقي

التطبيقات

  • الهندسة الإنشائية: تحسين أبعاد العوارض، والمقاطع العرضية، وتوزيع المواد
  • التعلم الآلي: ضبط أوزان الشبكات العصبية وحدود الانحياز لتحسين التقارب والدقة
  • مشاكل الجدولة: تحديد جدولة المهام المثلى وتخصيص الموارد في التصنيع
  • تقريب الدوال: إيجاد المعلمات المثلى لتوسيعات الدوال الأساسية والاستيفاء
  • تحسين شبكة الكهرباء: تقليل خسائر الطاقة وتحسين التزام وحدات التوليد
  • إدارة المحافظ: تخصيص الاستثمارات عبر الأصول لزيادة العوائد المعدلة حسب المخاطر

كيف يعمل

كيف يعمل

1

إنشاء مجموعة أولية من الحلول المرشحة موزعة بشكل موحد في فضاء البحث.

2

تطبيق عمليتي الضرب والقسمة لتوليد حلول جديدة متنوعة واستكشاف مناطق غير مستكشفة.

3

تطبيق عمليتي الجمع والطرح لتحسين الحلول حول أفضل موقع تم اكتشافه.

4

تقييم مدى ملاءمة الحلول الجديدة وتحديث المجموعة ومتتبع أفضل حل.

الأخطاء الشائعة

  • إعدادات احتمالات العمليات التي تميل بشكل مفرط نحو الضرب/القسمة يمكن أن تمنع التقارب
  • الاستكشاف غير الكافي في وقت مبكر من التحسين يؤدي إلى الوقوع في الأمثلية المحلية
  • القياس غير المناسب لمتغيرات القرار بالنسبة لحدود فضاء البحث يؤثر على كفاءة البحث

الأسئلة الشائعة

لماذا تُستخدم عمليتا الضرب والقسمة للاستكشاف في AOA؟

تنتج عمليتا الضرب والقسمة مقادير أكبر وتشتتات أوسع للقيم، مما يتسبب في انتشار الحلول عبر فضاء البحث. هذا التباعد الطبيعي يدعم الاستكشاف عن طريق منع التركيز المبكر حول منطقة واحدة.

كيف تختلف AOA عن الخوارزميات الجينية؟

بينما تستخدم الخوارزميات الجينية الاختيار، والتهجين، والطفرة المستوحاة من البيولوجيا، تستخدم AOA العمليات الحسابية مباشرة كآليات بحث. تتقارب AOA عادةً بشكل أسرع مع عدد أقل من المعلمات الفائقة، على الرغم من أن الخوارزميات الجينية قد تستكشف بشكل أكثر فعالية في المناظر الطبيعية غير المنتظمة للغاية.

هل يمكن لـ AOA التعامل مع مشاكل التحسين المتقطعة؟

نعم، يمكن تكييف AOA للمشاكل المتقطعة من خلال طرق التقسيم مثل تقريب الحلول المستمرة أو تعيينها إلى مؤشرات المتغيرات المتقطعة. ومع ذلك، فإن التصميم الدقيق لاستراتيجية تطبيق العمليات ضروري للحفاظ على فعالية الخوارزمية.

ما هي التعقيد الحسابي لـ AOA لكل تكرار؟

تمتلك AOA تعقيدًا حسابيًا خطيًا O(N*D) لكل تكرار، حيث N هو حجم السكان و D هو بُعد المشكلة. هذا يجعلها فعالة حسابيًا مقارنة بالخوارزميات التي تتطلب حسابات المسافة الزوجية.

طرق ذات صلة

المصادر

  1. Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A., & Gandomi, A. H. (2021). Arithmetic optimization algorithm: A new metaheuristic algorithm for solving optimization problems. Applied Mathematics and Computation, 392, 125450.

    افتح مرجع المنشور
    تم النسخ.