Skip to content
بازگشت به نتایج جست‌وجو

بهینه‌ساز عقاب طلایی (Aquila Optimizer)

معرفی‌شده توسط
Laith Abualigah
سال
2021
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؟

بهینه‌ساز عقاب طلایی (AO) الگوریتم فراابتکاری الهام‌گرفته از طبیعت است که در سال ۲۰۲۱ توسط Abualigah و همکاران معرفی شد و رفتار شکار و توانایی‌های حسی عقاب‌های طلایی (aquila chrysaetos) را مدل‌سازی می‌کند. این الگوریتم مراحل کاوش (exploration) و بهره‌برداری (exploitation) شکار عقاب را شامل پرواز در ارتفاع بالا، کاوش با دید بسیار دقیق و حملات غوطه‌وری سریع را در بر می‌گیرد.

AO برای حل مسائل بهینه‌سازی مقید (constrained) و نامقید (unconstrained) طراحی شده است.

شهود پشت روش

عقاب‌های طلایی از طریق پرواز در ارتفاع بالا برای اسکن مناطق وسیع، تعیین موقعیت دقیق هدف با استفاده از بینایی برتر و حملات غوطه‌وری انفجاری با مانور قابل توجه، کارایی شکار استثنایی از خود نشان می‌دهند. این الگوریتم این رفتارها را به عملیات ریاضی انتزاع می‌کند: عقاب‌ها فضای جستجو را در «ارتفاع» بالا (کاوش گسترده) کاوش می‌کنند، سپس با نزدیک شدن به طعمه به بهره‌برداری فشرده (بهبود محلی) منتقل می‌شوند. نوآوری کلیدی، گنجاندن نسبت‌های متعدد کاوش و بهره‌برداری است که جستجو را متعادل کرده و امکان انطباق با ویژگی‌های مختلف مسئله را فراهم می‌کند.

تاریخ

بهینه‌ساز عقاب طلایی که توسط Laith Abualigah و همکارانش در دانشگاه هادرزفیلد در سال ۲۰۲۱ معرفی شد، در مجله Computers and Industrial Engineering منتشر گردید. این الگوریتم به عنوان بخشی از تحقیقات جاری در زمینه الگوریتم‌های بهینه‌سازی الهام‌گرفته از طبیعت توسعه یافته و از اصول زیست‌تقلیدی رفتار پرندگان شکاری بهره می‌برد. آزمایش‌های جامع معیار و مطالعات کاربردی در دنیای واقعی، عملکرد رقابتی آن را در کلاس‌های مختلف مسئله نشان می‌دهند.

چه زمانی استفاده شود

AO را برای مسائل بهینه‌سازی پیوسته از جمله طراحی مهندسی، بهینه‌سازی ابرپارامترهای یادگیری ماشین و انتخاب ویژگی به کار ببرید. به‌ویژه برای مسائلی با بهینه‌های محلی متعدد و توابع هدف پرهزینه مؤثر است. مناسب برای وظایف بهینه‌سازی از مقیاس کوچک تا بزرگ که در آن‌ها اطلاعات گرادیان در دسترس نیست.

محدودیت‌ها و ملاحظات

  • الگوریتم نسبتاً جدید با اعتبارسنجی تجربی طولانی‌مدت محدود در مقایسه با روش‌های تثبیت‌شده
  • عملکرد می‌تواند به طور قابل توجهی در دامنه‌ها و چشم‌اندازهای مختلف مسئله متفاوت باشد
  • مقیاس‌پذیری به مسائل با ابعاد بسیار بالا هنوز باید به طور کامل بررسی شود

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

نقاط قوت

  • تعادل قوی بین کاوش و بهره‌برداری با مکانیزم‌های انتقال تطبیقی
  • عملکرد رقابتی یا برتر را در تعداد بی‌شماری از توابع معیار نشان می‌دهد
  • قادر به مدیریت انواع پیوسته و گسسته مسائل بهینه‌سازی
  • فرمول‌بندی ریاضی ساده با حداقل ابرپارامترهایی که نیاز به تنظیم دارند

کاربردها

  • انتخاب ویژگی: شناسایی مرتبط‌ترین ویژگی‌ها از مجموعه داده‌های پزشکی و زیستی با ابعاد بالا
  • بهینه‌سازی مهندسی: طراحی پیکربندی‌های بهینه سازه، سیستم‌های حرارتی و اجزای مکانیکی
  • یادگیری ماشین: بهینه‌سازی ابرپارامترها برای ماشین‌های بردار پشتیبان، جنگل‌های تصادفی و شبکه‌های عصبی
  • سیستم‌های انرژی تجدیدپذیر: به حداکثر رساندن راندمان پنل‌های خورشیدی و بهینه‌سازی پیکربندی چیدمان مزارع بادی
  • خوشه‌بندی داده‌ها: بهبود یادگیری بدون نظارت از طریق بهینه‌سازی پارامترهای خوشه خودکار
  • طراحی شبکه: بهینه‌سازی توپولوژی شبکه ارتباطی و پروتکل‌های مسیریابی برای بهبود عملکرد

چگونه کار می‌کند

چگونه کار می‌کند

1

جمعیت عقاب‌ها را با موقعیت‌های توزیع‌شده تصادفی در فضای راه‌حل مقداردهی اولیه کنید.

2

عقاب‌ها برای کاوش مناطق جدید با استفاده از استراتژی‌های جستجوی جهانی که از رفتار پرواز و شناسایی الهام گرفته شده‌اند، حرکت می‌کنند.

3

با پیشرفت تکرارها، عقاب‌ها جستجوی خود را در اطراف راه‌حل‌های امیدوارکننده تشدید می‌کنند و از کاوش گسترده به بهره‌برداری متمرکز منتقل می‌شوند.

4

برازندگی (fitness) موقعیت هر عقاب را ارزیابی کرده و بهترین راه‌حل کشف‌شده را ردیابی کنید.

دام‌های رایج

  • تعادل نامناسب بین پارامترهای کاوش و بهره‌برداری می‌تواند منجر به همگرایی زودرس شود
  • استفاده از مقداردهی اولیه تصادفی یکنواخت در مسائل مقید ممکن است تکرارها را در مناطق ناممکن هدر دهد
  • نادیده گرفتن مقیاس‌بندی خاص مسئله می‌تواند منجر به جستجوی ناکارآمد در فضای راه‌حل شود

پرسش‌های متداول

بهینه‌ساز عقاب طلایی چگونه کاوش و بهره‌برداری را متعادل می‌کند؟

AO از نسبت‌های وابسته به تکرار استفاده می‌کند که درجه کاوش در مقابل بهره‌برداری را به صورت پویا تنظیم می‌کنند. تکرارهای اولیه بر کاوش گسترده برای اجتناب از بهینه‌های محلی تأکید دارند، در حالی که تکرارهای بعدی بر روی راه‌حل‌های امیدوارکننده متمرکز می‌شوند. این مکانیزم تطبیقی به طور طبیعی از طراحی الگوریتم بدون تنظیم صریح پدیدار می‌شود.

تفاوت‌های کلیدی بین AO و بهینه‌ساز شاهین هریس (Harris Hawks Optimization) چیست؟

در حالی که هر دو الگوریتم الهام‌گرفته از پرندگان شکاری هستند، AO رفتار عقاب را با چندین فاز کاوش-بهره‌برداری مدل‌سازی می‌کند، در حالی که HHO بر اساس شکار مشارکتی شاهین هریس است. AO معمولاً قابلیت جستجوی جهانی کمی بهتر را نشان می‌دهد، در حالی که HHO بهره‌برداری محلی قوی‌تری را از طریق مانورهای نیش (pincer maneuvers) نشان می‌دهد.

آیا بهینه‌ساز عقاب طلایی برای مسائل مقید مناسب است؟

بله، AO را می‌توان از طریق روش‌های جریمه (penalty methods) یا تکنیک‌های مدیریت مقید (constraint-handling techniques) برای بهینه‌سازی مقید تطبیق داد. راه‌حل‌های ناممکن با کاهش مقادیر برازندگی آن‌ها جریمه می‌شوند و به طور طبیعی جستجو را به سمت مناطق ممکن هدایت می‌کنند.

اندازه جمعیت معقول برای بهینه‌ساز عقاب طلایی چقدر است؟

اندازه‌های جمعیت معمولاً از ۱۰ تا ۵۰ عقاب متغیر است و ۳۰ نقطه شروع رایجی است. جمعیت‌های بزرگتر کاوش را بهبود می‌بخشند اما هزینه محاسباتی را افزایش می‌دهند. به طور تجربی مسئله خاص خود را آزمایش کنید تا تعادل بهینه بین کیفیت راه‌حل و کارایی محاسباتی را بیابید.

روش‌های مرتبط

منابع

  1. Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A., & Gandomi, A. H. (2021). Aquila optimizer: A novel meta-heuristic optimization algorithm. Computers and Industrial Engineering, 157, 107250.

    باز کردن مرجع DOI
    کپی شد.