Skip to content
بازگشت به نتایج جست‌وجو

الگوریتم بهینه‌سازی کرکس‌های آفریقایی

معرفی‌شده توسط
Hossein Moghdani
سال
2020
نوع
Nature-inspired metaheuristic algorithm
خانواده
Swarm Intelligence

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

الگوریتم بهینه‌سازی کرکس‌های آفریقایی (AVOA) یک الگوریتم فراابتکاری است که در سال ۲۰۲۰ توسط موگدانی و سلیمی‌فرد معرفی شد و از رفتار جستجو و لاشه‌خواری کرکس‌های آفریقایی الهام گرفته شده است. کرکس‌ها از استراتژی‌های مشارکتی پیچیده‌ای برای یافتن لاشه در فواصل دور استفاده می‌کنند و با بهره‌گیری از جریان‌های هوای گرم و پویایی گروهی، به طور مؤثر مسیریابی می‌کنند. الگوریتمAVOA این رفتار جمعی شکار را به یک چارچوب بهینه‌سازی مؤثر تبدیل می‌کند.

شهود پشت روش

کرکس‌های آفریقایی هوش تعاونی قابل توجهی از خود نشان می‌دهند: آنها در ارتفاعات بالا پرواز کرده و به دنبال غذا می‌گردند، اکتشافات خود را به اعضای گروه اطلاع می‌دهند و به سمت منابع غذایی همگرا می‌شوند. این الگوریتم این رفتار را از طریق چندین مرحله مدل‌سازی می‌کند: اکتشاف شامل پرواز در دایره‌های وسیع برای اسکن محیط، بهره‌برداری شامل دنبال کردن همسایگان به سمت راه‌حل‌های امیدوارکننده، و تنظیم دقیق شامل جستجوی محلی تشدید شده است. این همکاری سلسله مراتبی، تعادل طبیعی بین جستجوی سراسری و پالایش محلی را بدون نیاز به تنظیم پارامتر صریح ایجاد می‌کند.

تاریخ

الگوریتمAVOA که در سال ۲۰۲۰ توسط حسین موگدانی و همکارانش در دانشگاه خوارزمی توسعه یافت، در مجله Applied Soft Computing منتشر شد. این الگوریتم از مطالعات رفتاری دقیق الگوهای لاشه‌خواری کرکس آفریقایی (Gyps africanus) و مکانیزم‌های همکاری پیچیده آنها الهام گرفته شده است. این الگوریتم نمایانگر پیشرفت‌های اخیر در بهینه‌سازی الهام گرفته از زیست‌شناسی است و عملکرد رقابتی قوی را نشان می‌دهد.

چه زمانی استفاده شود

الگوریتمAVOA را برای مسائل بهینه‌سازی پیوسته با اهداف و محدودیت‌های چندگانه اعمال کنید. این الگوریتم به ویژه برای طراحی مهندسی، بهینه‌سازی ابرپارامترهای یادگیری ماشین و بهینه‌سازی توابع پیچیده مؤثر است. زمانی مناسب است که هم جستجوی سراسری قوی و هم بهره‌برداری محلی خوب مورد نیاز باشد.

محدودیت‌ها و ملاحظات

  • پیاده‌سازی پیچیده‌تر در مقایسه با فراابتکاری‌های ساده‌تر
  • مراحل رفتاری متعدد، ابرپارامترهای اضافی را معرفی می‌کنند که نیاز به تنظیم دارند
  • هزینه محاسباتی در هر تکرار به دلیل مدل‌سازی ارتباطات زوجی بالاتر است

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • استراتژی جستجوی چند مرحله‌ای پیچیده مبتنی بر پویایی گروهی طبیعی و همکاری
  • تعادل مؤثر بین اکتشاف سراسری و بهره‌برداری محلی بدون تنظیم صریح
  • عملکرد تجربی قوی بر روی توابع معیار متنوع و مسائل دنیای واقعی
  • قابلیت طبیعی برای مدیریت محدودیت‌ها از طریق انطباق رفتاری

کاربردها

  • مهندسی سیستم‌های قدرت: بهینه‌سازی زمان‌بندی تولید برق و تخصیص اقتصادی
  • یادگیری ماشین: بهینه‌سازی معماری شبکه عصبی و تنظیم ابرپارامترها
  • بهینه‌سازی سازه: طراحی سازه‌هایی که وزن را ضمن رعایت الزامات استحکام به حداقل می‌رسانند
  • پردازش تصویر: بهینه‌سازی پارامترهای تشخیص لبه و استخراج ویژگی
  • مسائل زمان‌بندی: تعیین زمان‌بندی بهینه پروژه و تخصیص منابع
  • مهندسی محیط زیست: بهینه‌سازی پارامترهای سیستم کنترل آلودگی و کاهش انتشار

چگونه کار می‌کند

چگونه کار می‌کند

1

جمعیت اولیه کرکس‌ها را در فضای جستجو توزیع کنید که نمایانگر راه‌حل‌های کاندید هستند.

2

کرکس‌ها به طور مستقل در فضا پرواز کرده و جستجو می‌کنند، مناطق جدید را کاوش کرده و نواحی امیدوارکننده را کشف می‌کنند.

3

کرکس‌ها یکدیگر را رصد کرده و همراهانی را که به سمت راه‌حل‌های بهتر حرکت می‌کنند، دنبال می‌کنند و اطلاعات مربوط به نواحی امیدوارکننده را به اشتراک می‌گذارند.

4

تمام موقعیت‌های کرکس‌ها را بر اساس پویایی اکتشاف و همکاری به‌روزرسانی کنید و رکورد بهترین راه‌حل را حفظ نمایید.

دام‌های رایج

  • رفتار بیش از حد دنباله‌روی به سمت بهترین راه‌حل می‌تواند منجر به همگرایی زودرس شود
  • اکتشاف ناکافی در تکرارهای اولیه، کشف نواحی راه‌حل خوب را محدود می‌کند
  • عدم تعادل مناسب بین جستجوی انفرادی و هماهنگی گروهی، اثربخشی را کاهش می‌دهد

پرسش‌های متداول

جستجوی مشارکتی الگوریتمAVOA چگونه با سایر الگوریتم‌های ازدحامی تفاوت دارد؟

الگوریتمAVOA به صراحت ارتباطات و همکاری گروهی را مدل‌سازی می‌کند، جایی که کرکس‌ها اطلاعات مربوط به راه‌حل‌های امیدوارکننده را به اشتراک می‌گذارند. این مکانیزم همکاری پیچیده‌تر از روش‌های مبتنی بر جاذبه ساده است و اکتشاف مشارکتی مؤثرتر را امکان‌پذیر می‌سازد.

مراحل اصلی رفتاری در الگوریتمAVOA کدامند؟

الگوریتمAVOA شامل سه مرحله اصلی است: اکتشاف مستقل (پرواز و جستجو)، حرکت مشارکتی (دنبال کردن همراهان به سمت راه‌حل‌های بهتر) و پالایش (جستجوی محلی تشدید شده در اطراف نواحی امیدوارکننده). این مراحل به طور پویا در طول بهینه‌سازی منتقل می‌شوند.

الگوریتمAVOA چگونه مسائل چندوجهی با نقاط بهینه محلی متعدد را مدیریت می‌کند؟

مرحله اکتشاف مستقل به کرکس‌ها اجازه می‌دهد تا چندین ناحیه امیدوارکننده را کشف کنند، در حالی که مرحله مشارکتی این اطلاعات را در سراسر جمعیت به اشتراک می‌گذارد. این ترکیب از همگرایی زودرس به نقاط بهینه محلی منفرد جلوگیری می‌کند و در عین حال به سمت نقاط بهینه سراسری همگرا می‌شود.

چه اندازه جمعیتی برای الگوریتمAVOA توصیه می‌شود؟

اندازه‌های معمول جمعیت از ۲۰ تا ۵۰ کرکس متغیر است. جمعیت‌های بزرگتر کیفیت اکتشاف را بهبود می‌بخشند اما هزینه محاسباتی را افزایش می‌دهند. با ۳۰ کرکس شروع کنید و بر اساس ابعاد مسئله و منابع محاسباتی موجود تنظیم کنید.

روش‌های مرتبط

منابع

  1. Moghdani, H., & Salimifard, K. (2020). Volleyball player optimizer and African vultures optimization algorithms for solving global optimization problems. Applied Soft Computing, 97, 106794.

    باز کردن مرجع انتشار
    کپی شد.