Skip to content
بازگشت به نتایج جست‌وجو

الگوریتم بهینه‌سازی حسابی

معرفی‌شده توسط
Laith Abualigah
سال
2020
نوع
Mathematical metaheuristic algorithm
خانواده
Mathematical Optimization

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

اندازه قلم

چه کاری انجام می‌دهد؟

الگوریتم بهینه‌سازی حسابی (AOA) یک رویکرد بهینه‌سازی فراابتکاری است که توسط Abualigah و همکاران در سال ۲۰۲۰ معرفی شد و از عملگرهای ریاضی (ضرب، تقسیم، جمع، تفریق) به عنوان الهام‌بخش استراتژی‌های جستجو بهره می‌برد. برخلاف الگوریتم‌های الهام‌گرفته از طبیعت، AOA از خواص ذاتی عملیات حسابی برای تعادل بین کاوش و بهره‌برداری استفاده می‌کند و آن را برای مسائل بهینه‌سازی ریاضی به‌ویژه مؤثر می‌سازد.

شهود پشت روش

بینش اصلی AOA، رفتار بهینه‌سازی را به عنوان یک فرآیند ریاضی در نظر می‌گیرد که در آن عملگرهای حسابی جستجو را هدایت می‌کنند. عملگرهای ضرب و تقسیم راه‌حل‌ها را به طور گسترده در فضای جستجو پخش می‌کنند (کاوش)، در حالی که عملگرهای جمع و تفریق راه‌حل‌ها را به صورت محلی اصلاح می‌کنند (بهره‌برداری). این انتزاع ریاضی نیاز به استعاره‌های بیولوژیکی را از بین می‌برد و در عین حال اثربخشی را حفظ می‌کند. الگوریتم به صورت احتمالی بین این دسته‌های عملگر بر اساس پیشرفت تکرار، انتخاب می‌کند و به طور طبیعی از کاوش به بهره‌برداری منتقل می‌شود.

تاریخ

AOA که توسط Laith Abualigah و همکاران در سال ۲۰۲۰ معرفی شد، در مجله Applied Mathematics and Computation منتشر شد. این الگوریتم نشان‌دهنده انحراف از فراابتکاری‌های صرفاً الهام‌گرفته از طبیعت است و در عوض، نظریه بهینه‌سازی را بر اساس عملیات ریاضی بنا نهاده است. این رویکرد دیدگاه تازه‌ای به طراحی الگوریتم ارائه می‌دهد و در بسیاری از مسائل معیار و کاربردهای عملی مؤثر بوده است.

چه زمانی استفاده شود

اعمال AOA بر روی مسائل بهینه‌سازی پیوسته و گسسته، به‌ویژه زمانی که خواص ریاضی مسئله به خوبی درک شده باشد. مؤثر برای طراحی مهندسی، تنظیم ابرپارامترهای یادگیری ماشین و مسائل ترکیبی. زمانی که سادگی محاسباتی و همگرایی سریع اولویت دارند، ترجیح داده می‌شود.

محدودیت‌ها و ملاحظات

  • انتزاع ریاضی ممکن است برای برخی از دست‌اندرکاران نسبت به رویکردهای الهام‌گرفته از طبیعت، کمتر شهودی باشد
  • تحلیل نظری محدود از خواص همگرایی در مقایسه با روش‌های بهینه‌سازی کلاسیک
  • عملکرد در مسائل با ابعاد بالا، نتایج متغیری را در چشم‌اندازهای مختلف مسئله نشان می‌دهد

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

نقاط قوت

  • مبنای ریاضی ساده بدون نیاز به الهام بیولوژیکی یا مدل‌سازی رفتاری پیچیده
  • عملیات ریاضی از نظر محاسباتی کارآمد هستند و سربار هر تکرار را کاهش می‌دهند
  • تعادل قوی بین کاوش و بهره‌برداری از طریق احتمالات انتخاب عملگر
  • عملکرد رقابتی را در توابع معیار متنوع و مسائل دنیای واقعی نشان می‌دهد

کاربردها

  • مهندسی سازه: بهینه‌سازی ابعاد تیر، مقاطع و توزیع مواد
  • یادگیری ماشین: تنظیم وزن‌ها و بایاس‌های شبکه عصبی برای بهبود همگرایی و دقت
  • مسائل زمان‌بندی: تعیین زمان‌بندی بهینه وظایف و تخصیص منابع در تولید
  • تقریب تابع: یافتن پارامترهای بهینه برای بسط‌های تابع پایه و درون‌یابی
  • بهینه‌سازی شبکه برق: به حداقل رساندن تلفات توان و تعهد واحد تولید بهینه
  • مدیریت پورتفولیو: تخصیص سرمایه‌گذاری در دارایی‌ها برای حداکثر کردن بازده تعدیل‌شده بر اساس ریسک

چگونه کار می‌کند

چگونه کار می‌کند

1

ایجاد یک جمعیت اولیه از راه‌حل‌های کاندید که به طور یکنواخت در فضای جستجو توزیع شده‌اند.

2

اعمال عملگرهای ضرب و تقسیم برای تولید راه‌حل‌های جدید متنوع و کاوش مناطق کشف‌نشده.

3

اعمال عملگرهای جمع و تفریق برای اصلاح راه‌حل‌ها در اطراف بهترین موقعیت کشف‌شده.

4

ارزیابی برازش راه‌حل‌های جدید و به‌روزرسانی جمعیت و ردیاب بهترین راه‌حل.

دام‌های رایج

  • تنظیمات احتمال عملگر که بیش از حد به سمت ضرب/تقسیم گرایش دارند، می‌تواند از همگرایی جلوگیری کند
  • کاوش ناکافی در اوایل بهینه‌سازی منجر به گیر افتادن در بهینه‌های محلی می‌شود
  • مقیاس‌بندی نامناسب متغیرهای تصمیم نسبت به حدود فضای جستجو بر کارایی جستجو تأثیر می‌گذارد

پرسش‌های متداول

چرا از ضرب و تقسیم برای کاوش در AOA استفاده می‌شود؟

عملیات ضرب و تقسیم مقادیر بزرگتر و پراکندگی وسیع‌تری از مقادیر تولید می‌کنند و باعث می‌شوند راه‌حل‌ها در فضای جستجو پخش شوند. این واگرایی طبیعی با جلوگیری از تمرکز زودهنگام در اطراف یک منطقه واحد، از کاوش پشتیبانی می‌کند.

AOA چگونه با الگوریتم‌های ژنتیک تفاوت دارد؟

در حالی که GA از انتخاب، تقاطع و جهش الهام‌گرفته از زیست‌شناسی استفاده می‌کند، AOA مستقیماً از عملگرهای حسابی به عنوان مکانیسم‌های جستجو استفاده می‌کند. AOA معمولاً با پارامترهای کمتر، سریع‌تر همگرا می‌شود، اگرچه GA ممکن است در چشم‌اندازهای بسیار نامنظم، کاوش مؤثرتری داشته باشد.

آیا AOA می‌تواند مسائل بهینه‌سازی گسسته را مدیریت کند؟

بله، AOA را می‌توان از طریق روش‌های گسسته‌سازی مانند گرد کردن راه‌حل‌های پیوسته یا نگاشت به شاخص‌های متغیر گسسته، برای مسائل گسسته تطبیق داد. با این حال، طراحی دقیق استراتژی اعمال عملگر برای حفظ اثربخشی الگوریتم ضروری است.

پیچیدگی محاسباتی AOA در هر تکرار چقدر است؟

AOA دارای پیچیدگی محاسباتی خطی O(N*D) در هر تکرار است، که در آن N اندازه جمعیت و D ابعاد مسئله است. این امر آن را در مقایسه با الگوریتم‌هایی که نیاز به محاسبات فاصله زوجی دارند، از نظر محاسباتی کارآمد می‌سازد.

روش‌های مرتبط

منابع

  1. Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A., & Gandomi, A. H. (2021). Arithmetic optimization algorithm: A new metaheuristic algorithm for solving optimization problems. Applied Mathematics and Computation, 392, 125450.

    باز کردن مرجع انتشار
    کپی شد.