الانتقال إلى المحتوى
العودة إلى نتائج البحث

خوارزمية العفن الهلامي

قدّمه
Shimin Li
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 العفن الهلامي (SMA) هي تقنية تحسين استدلالية مستوحاة من الطبيعة قدمها لي وزملاؤه في عام 2020. وهي تحاكي سلوك العفن الهلامي، الذي ينتشر وينكمش للعثور على مصادر الغذاء المثلى. تعالج خوارزمية SMA مشاكل التحسين المعقدة من خلال محاكاة أنماط البحث التكيفي والتوزيع المكاني لهذه الكائنات.

الفكرة الحدسية وراء الطريقة

يُظهر العفن الهلامي ذكاءً جماعيًا ملحوظًا على الرغم من افتقاره إلى جهاز عصبي مركزي. ينتشرون الأقدام الكاذبة (هياكل تشبه الفروع) لاستكشاف بيئتهم وينكمشون عند الوصول إلى مصادر المغذيات. تلتقط الخوارزمية هذا السلوك من خلال تحديثات المواقع التي توازن بين الاستكشاف والاستغلال: تتحرك الأفراد نحو حلول أفضل بيقين متزايد، ويتركز السكان تدريجيًا حول المناطق الواعدة. تتيح آلية التكيف الطبيعية هذه بحثًا عالميًا فعالًا.

التاريخ

تم تقديم خوارزمية SMA بواسطة شيمين لي وزملائه في جامعة جيانغسو في عام 2020، ونشأت من مجال الحوسبة الحيوية المستوحاة من ملاحظة سلوك العفن الهلامي الفعلي (physarum). تم التحقق من صحة الخوارزمية على دوال قياسية هندسية ومهام تحسين هندسية. أدى بساطتها وفعاليتها إلى تبنيها السريع في مجالات تطبيق متنوعة، مع نشر العديد من المتغيرات والتحسينات لاحقًا.

متى تُستخدم

تطبيق خوارزمية SMA على مشاكل التحسين المستمرة والمتقطعة حيث تكون معلومات التدرج غير متاحة. تتفوق في المناظر الطبيعية متعددة الوسائط ذات القيم المثلى المحلية المتعددة. مناسبة لتصميم الهندسة، وضبط المعلمات، واختيار الميزات عندما تفشل طرق التحسين الكلاسيكية أو تكون باهظة التكلفة حسابيًا.

الحدود والاعتبارات

  • قد يتدهور الأداء في المشاكل عالية الأبعاد جدًا بسبب زيادة مساحة البحث
  • تختلف سرعة التقارب بشكل كبير اعتمادًا على خصائص منظر المشكلة
  • قد تتطلب ضبطًا خاصًا بالمشكلة للتطبيقات الهندسية المعقدة

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

نقاط القوة

  • توازن ممتاز بين الاستكشاف والاستغلال من خلال آلية الوزن التكيفي
  • تنفيذ بسيط مع عدد قليل من المعلمات الفائقة لضبطها
  • تُظهر تقاربًا سريعًا في التكرارات المبكرة مع قدرة بحث عالمية فعالة
  • قابلة للتطبيق على مشاكل التحسين المقيدة وغير المقيدة

التطبيقات

  • الهندسة الميكانيكية: تحسين التصاميم الهيكلية وتكوينات الآلات تحت قيود متعددة
  • اختيار الميزات: اختيار الميزات ذات الصلة في مجموعات البيانات عالية الأبعاد لتحسين أداء نماذج التعلم الآلي
  • ضبط المعلمات الفائقة للشبكات العصبية: إيجاد معدلات التعلم المثلى، وأحجام الطبقات، وثوابت التنظيم
  • تصميم الهوائيات: تحسين هندسة الهوائيات ومعلماتها لأنظمة الاتصالات
  • تحسين سلسلة التوريد: تحديد مستويات المخزون وطرق التوزيع لتقليل التكاليف
  • تخصيص الموارد: توزيع الموارد المحدودة عبر المشاريع لزيادة الفائدة الإجمالية

كيف يعمل

كيف يعمل

1

تهيئة مجموعة من مواقع العفن الهلامي موزعة عشوائيًا في مساحة البحث وتقييم قيم لياقتها.

2

تحديث موقع كل عفن بناءً على دالة وزن تزداد نحو الحل الأفضل، جنبًا إلى جنب مع اضطرابات عشوائية للاستكشاف.

3

حساب قيمة الدالة الهدف لكل موقع جديد ومقارنتها بقيم اللياقة السابقة.

4

تكرار خطوات التحديث والتقييم حتى الوصول إلى التقارب أو الوصول إلى الحد الأقصى لعدد التكرارات.

الأخطاء الشائعة

  • التقارب المبكر إلى القيم المثلى المحلية إذا كانت آلية الوزن شديدة العدوانية في بداية التحسين
  • استكشاف غير كافٍ عندما تكون المجموعة الأولية مركزة جدًا في منطقة صغيرة
  • قد يؤدي إهمال قياس متغيرات القرار بشكل مناسب إلى ضعف أداء البحث

الأسئلة الشائعة

كيف تختلف آلية الوزن في SMA عن الخوارزميات الاستدلالية الأخرى مثل PSO؟

على عكس PSO التي تستخدم متجهات السرعة، تستخدم SMA وزنًا يتناقص مع مرور الوقت يشجع على الاستغلال مع تقدم التكرارات. هذه الاستراتيجية التكيفية توازن بشكل طبيعي بين الاستكشاف والاستغلال دون الحاجة إلى معلمات منفصلة للمكونات المعرفية والاجتماعية.

هل SMA مناسبة لحل مشاكل التحسين المقيدة؟

نعم، يمكن لـ SMA التعامل مع القيود من خلال طرق دالة العقوبة أو تقنيات معالجة القيود. تحصل الحلول غير الممكنة على قيم لياقة مخفضة، مما يوجه البحث نحو المنطقة الممكنة.

كيف يجب أن أضبط حجم المجموعة لمشكلتي؟

ابدأ بحجم مجموعة يتناسب مع أبعاد المشكلة، عادةً 20-50 فردًا. تزيد المجموعات الأكبر من البحث العالمي ولكنها تزيد من التكلفة الحسابية. استخدم الاختبار التجريبي على مشكلتك المحددة للعثور على التوازن.

ما هو سلوك التقارب النموذجي لـ SMA؟

تُظهر SMA عادةً تحسنًا سريعًا في التكرارات المبكرة بسبب الاستكشاف القوي، يليه تحسين حيث توجه آلية الوزن بشكل متزايد الحلول نحو أفضل موقع تم العثور عليه.

طرق ذات صلة

المصادر

  1. Li, S., Chen, H., Wang, M., Heidari, A. A., & Chakraborty, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323.

    افتح مرجع DOI
    تم النسخ.