Saltar al contenido
Volver a los resultados

Optimización de Gavilanes de Harris

Propuesto por
Ali Asghar Heidari
Año
2019
Tipo
Nature-inspired metaheuristic algorithm
Familia
Swarm Intelligence

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

La Optimización de Gavilanes de Harris (HHO, por sus siglas en inglés) es un algoritmo metaheurístico introducido por Heidari et al. en 2019, inspirado en las estrategias de caza de los gavilanes de Harris.

El algoritmo modela el comportamiento cooperativo de caza y las estrategias de escape de estas aves rapaces para resolver problemas complejos de optimización. HHO equilibra la exploración a través del posamiento y la explotación a través de la persecución dinámica, lo que lo hace efectivo para la optimización multimodal y de alta dimensionalidad.

La intuición detrás del método

Los gavilanes de Harris son conocidos por su inteligente caza cooperativa, ataques súbitos y maniobras de escape al perseguir a sus presas. El algoritmo traduce este comportamiento en operaciones matemáticas: los gavilanes se posan en lugares altos para buscar presas (exploración), luego persiguen y atacan con estrategias coordinadas (explotación). La clave es el concepto de energía de escape: a medida que la energía de la presa disminuye, la probabilidad de escape cambia, obligando a los gavilanes a ajustar su ángulo de ataque, pasando de una inmersión superficial a una maniobra sorpresa de pinza. Este comportamiento dinámico equilibra naturalmente el proceso de búsqueda.

Historia

Desarrollado por Ali Asghar Heidari y colegas de la Universidad de Isfahan en 2019, HHO fue publicado en Future Generation Computer Systems. El algoritmo se inspiró en estudios detallados del comportamiento de los gavilanes de Harris (Parabuteo unicinctus), particularmente su caza cooperativa en grupo y sus estrategias dinámicas de escape cuando la presa se resiste. Rápidamente se convirtió en un punto de referencia para evaluar nuevas metaheurísticas debido a su sólido rendimiento empírico.

Cuándo usarlo

Aplicar HHO a problemas de optimización continua donde la función objetivo es costosa de evaluar o contiene múltiples óptimos locales. Particularmente efectivo para la optimización de diseño de ingeniería, estimación de parámetros y ajuste de hiperparámetros de aprendizaje automático. Más adecuado para problemas de dimensionalidad moderada a alta donde el comportamiento de búsqueda sofisticado proporciona ventajas.

Limitaciones y consideraciones

  • El costo computacional por iteración es mayor debido a los complejos cálculos de persecución.
  • El rendimiento varía en diferentes paisajes de problemas; requiere validación empírica.
  • El algoritmo puede tener dificultades con problemas de muy alta dimensionalidad más allá de 1000 dimensiones.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Sofisticado mecanismo de energía de escape que transiciona naturalmente de la exploración a la explotación.
  • Dos estrategias complementarias (inmersión superficial y maniobra de pinza) para diversos patrones de ataque.
  • Rendimiento superior en muchas funciones de referencia en comparación con PSO y algoritmos genéticos.
  • Menos hiperparámetros que algunas metaheurísticas competidoras, lo que simplifica la implementación.

Aplicaciones

  • Optimización de sistemas de potencia: optimización de la programación de generación de energía y despacho económico en redes eléctricas.
  • Aprendizaje automático: ajuste de arquitecturas de redes neuronales e hiperparámetros de entrenamiento para mejorar la precisión.
  • Diseño estructural: optimización de configuraciones de edificios, diseños de puentes y estructuras mecánicas bajo restricciones.
  • Procesamiento de imágenes: optimización de parámetros de filtros de selección y mejora de características para imágenes médicas.
  • Redes de sensores inalámbricos: optimización de la ubicación de nodos y la potencia de transmisión para la cobertura de la red.
  • Optimización de carteras: selección de asignaciones de activos para maximizar los rendimientos mientras se gestiona el riesgo.

Cómo funciona

Cómo funciona

1

Crear una población inicial de gavilanes distribuidos en el espacio de búsqueda, representando soluciones candidatas.

2

Los gavilanes se posan aleatoriamente en posiciones (fase de exploración) para examinar el terreno e identificar regiones prometedoras.

3

Cuando se detecta una presa, los gavilanes pasan al modo de persecución con patrones de ataque que varían según la energía de escape de la presa.

4

Evaluar la aptitud de cada posición de gavilán y actualizar la mejor solución encontrada.

Errores comunes

  • Establecer la disminución de la energía de escape de forma demasiado agresiva puede bloquear prematuramente el algoritmo en la explotación.
  • Inicializar la población en una región estrecha limita severamente la capacidad de exploración.
  • No escalar adecuadamente el espacio de búsqueda puede llevar a un muestreo ineficiente y a fallos en la convergencia.

Preguntas frecuentes

¿Qué es la energía de escape en la Optimización de Gavilanes de Harris y cómo funciona?

La energía de escape representa la capacidad de la presa para evitar la captura y disminuye linealmente a lo largo de las iteraciones. Cuando la energía de escape es alta, los gavilanes emplean la exploración con posamiento aleatorio. A medida que la energía disminuye, los gavilanes cambian a la explotación con ataques coordinados (maniobra de pinza o inmersión superficial). Este mecanismo dinámico equilibra automáticamente la exploración y la explotación sin necesidad de ajustar parámetros explícitos.

¿Cómo se compara HHO con la Optimización por Enjambre de Partículas (PSO)?

HHO utiliza transiciones de búsqueda basadas en energía con dos estrategias de ataque distintas, proporcionando una mayor diversidad de comportamiento que el movimiento basado en velocidad de PSO. HHO típicamente muestra una convergencia más rápida en problemas multimodales, pero puede ser computacionalmente más costoso por iteración.

¿Puede HHO manejar problemas de optimización discreta?

HHO está diseñado naturalmente para la optimización continua. Para problemas discretos, aplique mapeos de discretización apropiados (por ejemplo, redondeo o conversión basada en umbrales) para transformar soluciones continuas en variables discretas, aunque el rendimiento puede verse reducido en comparación con algoritmos específicos para problemas discretos.

¿Qué tamaño de población debo usar para HHO?

Los tamaños de población típicos varían entre 10 y 40 individuos, y poblaciones más grandes proporcionan una mejor exploración a un mayor costo computacional. Comience con 30 gavilanes y ajuste según la velocidad de convergencia y la calidad de la solución para su problema específico.

Métodos relacionados

Fuentes

  1. 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.

    Abrir referencia DOI
    Copiado.