تحسين صقور هاريس
- قدّمه
- Ali Asghar Heidari
- السنة
- 2019
- النوع
- Nature-inspired metaheuristic algorithm
- العائلة
- Swarm Intelligence
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
تحسين صقور هاريس (HHO) هو خوارزمية استدلالية تم تقديمها بواسطة حيدري وآخرون في عام 2019، مستوحاة من استراتيجيات الصيد لصقور هاريس. تقوم الخوارزمية بنمذجة سلوك الصيد التعاوني واستراتيجيات الهروب لهذه الطيور الجارحة لحل مشاكل التحسين المعقدة. توازن HHO بين الاستكشاف من خلال التحليق والاستغلال من خلال المطاردة الديناميكية، مما يجعلها فعالة للتحسين متعدد الوسائط وعالي الأبعاد.
الفكرة الحدسية وراء الطريقة
تشتهر صقور هاريس بصيدها التعاوني الذكي، وهجماتها المفاجئة، ومناورات الهروب عند مطاردة الفريسة. تترجم الخوارزمية هذا السلوك إلى عمليات رياضية: تحلق الصقور في مواقع مرتفعة لمسح المنطقة بحثًا عن الفريسة (الاستكشاف)، ثم تطارد وتهاجم باستراتيجيات منسقة (الاستغلال). الفكرة الرئيسية هي مفهوم طاقة الهروب - مع انخفاض طاقة الفريسة، تتغير احتمالية الهروب، مما يجبر الصقور على تعديل زاوية هجومها من غوص سطحي إلى مناورة مفاجئة بالكلاب. هذا السلوك الديناميكي يوازن بشكل طبيعي عملية البحث.
التاريخ
تم تطوير HHO بواسطة علي أصغر حيدري وزملائه في جامعة أصفهان عام 2019، ونُشرت في Future Generation Computer Systems. استلهمت الخوارزمية من دراسات سلوكية مفصلة لصقور هاريس (Parabuteo unicinctus)، لا سيما صيدها التعاوني في مجموعات واستراتيجيات الهروب الديناميكية عندما تقاوم الفريسة. سرعان ما أصبحت نقطة مرجعية لتقييم الاستدلاليات الجديدة نظرًا لأدائها التجريبي القوي.
متى تُستخدم
تطبيق HHO على مشاكل التحسين المستمر حيث تكون دالة الهدف مكلفة للتقييم أو تحتوي على العديد من النقاط المثلى المحلية. فعالة بشكل خاص لتحسين التصميم الهندسي، وتقدير المعلمات، وضبط المعلمات الفائقة للتعلم الآلي. الأنسب للمشاكل متوسطة إلى عالية الأبعاد حيث يوفر سلوك البحث المتطور مزايا.
الحدود والاعتبارات
- التكلفة الحسابية لكل تكرار أعلى بسبب حسابات المطاردة المعقدة
- يختلف الأداء عبر مناظر المشكلات المختلفة؛ يتطلب التحقق التجريبي
- قد تواجه الخوارزمية صعوبة في المشاكل عالية الأبعاد جدًا التي تتجاوز 1000 بعد
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- آلية هروب متطورة تنتقل بشكل طبيعي من الاستكشاف إلى الاستغلال
- استراتيجيتان متكاملتان (غوص سطحي ومناورة بالكلاب) لأنماط هجوم متنوعة
- أداء متفوق على العديد من دوال القياس مقارنة بـ PSO والخوارزميات الجينية
- عدد أقل من المعلمات الفائقة مقارنة ببعض الاستدلاليات المتنافسة، مما يبسط التنفيذ
التطبيقات
- تحسين أنظمة الطاقة: تحسين جدولة توليد الطاقة والإرسال الاقتصادي في الشبكات الكهربائية
- التعلم الآلي: ضبط هياكل الشبكات العصبية والمعلمات الفائقة للتدريب لتحسين الدقة
- التصميم الإنشائي: تحسين تكوينات المباني، وتصميمات الجسور، والهياكل الميكانيكية تحت القيود
- معالجة الصور: اختيار الميزات وتحسين معلمات مرشح التحسين للصور الطبية
- شبكات المستشعرات اللاسلكية: تحسين وضع العقد وقوة الإرسال لتغطية الشبكة
- تحسين المحفظة: اختيار تخصيصات الأصول لزيادة العائدات مع إدارة المخاطر
كيف يعمل
كيف يعمل
إنشاء مجموعة أولية من الصقور موزعة عبر مساحة البحث، تمثل حلولًا مرشحة.
تحلق الصقور عشوائيًا في مواقع (مرحلة الاستكشاف) لمسح المشهد وتحديد المناطق الواعدة.
عند اكتشاف فريسة، تنتقل الصقور إلى وضع المطاردة بأنماط هجوم تختلف بناءً على طاقة هروب الفريسة.
تقييم اللياقة لكل موقع صقر وتحديث أفضل حل تم العثور عليه.
الأخطاء الشائعة
- يمكن أن يؤدي ضبط اضمحلال طاقة الهروب بشكل مفرط إلى قفل الخوارزمية في الاستغلال مبكرًا
- تهيئة المجموعة في منطقة ضيقة تحد بشكل كبير من قدرة الاستكشاف
- قد يؤدي الفشل في قياس مساحة البحث بشكل مناسب إلى أخذ عينات غير فعالة وفشل التقارب
الأسئلة الشائعة
ما هي طاقة الهروب في تحسين صقور هاريس وكيف تعمل؟
تمثل طاقة الهروب قدرة الفريسة على تجنب الأسر وتنخفض خطيًا عبر التكرارات. عندما تكون طاقة الهروب عالية، تستخدم الصقور الاستكشاف مع التحليق العشوائي. مع انخفاض الطاقة، تنتقل الصقور إلى الاستغلال بهجمات منسقة (مناورة بالكلاب أو غوص سطحي). هذه الآلية الديناميكية توازن تلقائيًا بين الاستكشاف والاستغلال دون الحاجة إلى ضبط صريح للمعلمات.
كيف تقارن HHO بـ Particle Swarm Optimization (PSO)؟
تستخدم HHO انتقالات بحث قائمة على الطاقة مع استراتيجيتين هجوميتين مميزتين، مما يوفر تنوعًا سلوكيًا أغنى من حركة PSO القائمة على السرعة. تظهر HHO عادةً تقاربًا أسرع في المشاكل متعددة الوسائط ولكنها قد تكون أكثر تكلفة حسابيًا لكل تكرار.
هل يمكن لـ HHO التعامل مع مشاكل التحسين المتقطعة؟
تم تصميم HHO بشكل طبيعي للتحسين المستمر. بالنسبة للمشاكل المتقطعة، قم بتطبيق تعيينات تقطيع مناسبة (مثل التقريب أو التحويل المستند إلى العتبة) لتحويل الحلول المستمرة إلى متغيرات متقطعة، على الرغم من أن الأداء قد ينخفض مقارنة بالخوارزميات المخصصة للمشاكل المتقطعة.
ما هو حجم المجموعة الذي يجب أن أستخدمه لـ HHO؟
تتراوح أحجام المجموعات النموذجية من 10-40 فردًا، حيث توفر المجموعات الأكبر استكشافًا أفضل بتكلفة حسابية متزايدة. ابدأ بـ 30 صقرًا واضبط بناءً على سرعة التقارب وجودة الحل لمشكلتك المحددة.
طرق ذات صلة
المصادر
Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. (2019). Harris hawks optimization: Algorithm and applications. Future Generation Computer Systems, 97, 849-872.
افتح مرجع DOIتم النسخ.