بهینهسازی شاهین هریس
- معرفیشده توسط
- Ali Asghar Heidari
- سال
- 2019
- نوع
- Nature-inspired metaheuristic algorithm
- خانواده
- Swarm Intelligence
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
بهینهسازی شاهین هریس (HHO) الگوریتمی فراابتکاری است که توسط حیدری و همکاران در سال ۲۰۱۹ معرفی شد و از استراتژیهای شکار شاهینهای هریس الهام گرفته شده است. این الگوریتم رفتار شکار مشارکتی و استراتژیهای گریز این پرندگان شکاری را برای حل مسائل پیچیده بهینهسازی مدلسازی میکند.
HHO با بهرهگیری از پرش برای اکتشاف و تعقیب پویا برای بهرهبرداری، تعادل بین این دو را برقرار میسازد و آن را برای بهینهسازی چندوجهی و با ابعاد بالا مؤثر میسازد.
شهود پشت روش
شاهینهای هریس به شکار هوشمندانه مشارکتی، حملات ناگهانی و مانورهای گریز در هنگام تعقیب طعمه معروف هستند. این الگوریتم این رفتار را به عملیات ریاضی ترجمه میکند: شاهینها در مکانهای مرتفع برای جستجوی طعمه (اکتشاف) پرش میکنند، سپس با استراتژیهای هماهنگ (بهرهبرداری) به تعقیب و حمله میپردازند. نکته کلیدی، مفهوم انرژی گریز است—با کاهش انرژی طعمه، احتمال گریز تغییر میکند و شاهینها را مجبور میکند زاویه حمله خود را از شیرجه کمعمق به مانور غافلگیرکننده نیش تغییر دهند. این رفتار پویا به طور طبیعی فرآیند جستجو را متعادل میکند.
تاریخ
HHO که در سال ۲۰۱۹ توسط علی اصغر حیدری و همکارانش در دانشگاه اصفهان توسعه یافت، در مجله Future Generation Computer Systems منتشر شد. این الگوریتم از مطالعات رفتاری دقیق شاهینهای هریس (Parabuteo unicinctus)، به ویژه شکار مشارکتی آنها در گروهها و استراتژیهای گریز پویا هنگام مقاومت طعمه، الهام گرفته است. این الگوریتم به سرعت به نقطه مرجعی برای ارزیابی فراابتکاریهای جدید به دلیل عملکرد تجربی قوی خود تبدیل شد.
چه زمانی استفاده شود
HHO را برای مسائل بهینهسازی پیوسته که تابع هدف ارزیابی آن پرهزینه است یا شامل چندین بهینه محلی است، به کار ببرید. به ویژه برای بهینهسازی طراحی مهندسی، تخمین پارامتر و تنظیم ابرپارامترهای یادگیری ماشین مؤثر است. برای مسائل با ابعاد متوسط تا بالا که رفتار جستجوی پیچیده مزایایی را فراهم میکند، مناسبتر است.
محدودیتها و ملاحظات
- هزینه محاسباتی در هر تکرار به دلیل محاسبات پیچیده تعقیب بالاتر است
- عملکرد در چشماندازهای مختلف مسئله متفاوت است؛ نیاز به اعتبارسنجی تجربی دارد
- الگوریتم ممکن است در مسائل با ابعاد بسیار بالا (بیش از ۱۰۰۰ بعد) دچار مشکل شود
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- مکانیزم پیچیده انرژی گریز که به طور طبیعی از اکتشاف به بهرهبرداری منتقل میشود
- دو استراتژی مکمل (شیرجه کمعمق و مانور نیش) برای الگوهای حمله متنوع
- عملکرد برتر در بسیاری از توابع معیار در مقایسه با PSO و الگوریتمهای ژنتیک
- تعداد ابرپارامترهای کمتر نسبت به برخی فراابتکاریهای رقیب، که پیادهسازی را ساده میکند
کاربردها
- بهینهسازی سیستمهای قدرت: زمانبندی تولید برق و اعزام اقتصادی در شبکههای الکتریکی
- یادگیری ماشین: تنظیم معماری شبکههای عصبی و ابرپارامترهای آموزش برای بهبود دقت
- طراحی سازه: بهینهسازی پیکربندی ساختمانها، طرحهای پل و سازههای مکانیکی تحت محدودیتها
- پردازش تصویر: بهینهسازی پارامترهای انتخاب ویژگی و فیلتر بهبود برای تصویربرداری پزشکی
- شبکههای حسگر بیسیم: بهینهسازی مکان گرهها و توان انتقال برای پوشش شبکه
- بهینهسازی سبد سهام: انتخاب تخصیص دارایی برای حداکثر کردن بازده ضمن مدیریت ریسک
چگونه کار میکند
چگونه کار میکند
ایجاد جمعیتی اولیه از شاهینها که در فضای جستجو توزیع شدهاند و راهحلهای کاندید را نشان میدهند.
شاهینها به طور تصادفی در مکانهایی (فاز اکتشاف) پرش میکنند تا محیط را بررسی کرده و مناطق امیدوارکننده را شناسایی کنند.
هنگامی که طعمه شناسایی شد، شاهینها با الگوهای حمله که بر اساس انرژی گریز طعمه متفاوت است، به حالت تعقیب منتقل میشوند.
ارزیابی برازش برای موقعیت هر شاهین و بهروزرسانی بهترین راهحل یافت شده.
دامهای رایج
- تنظیم تهاجمی کاهش انرژی گریز میتواند الگوریتم را به طور زودرس در بهرهبرداری قفل کند
- مقداردهی اولیه جمعیت در یک منطقه محدود، قابلیت اکتشاف را به شدت محدود میکند
- عدم مقیاسبندی مناسب فضای جستجو میتواند منجر به نمونهبرداری ناکارآمد و شکست همگرایی شود
پرسشهای متداول
انرژی گریز در بهینهسازی شاهین هریس چیست و چگونه کار میکند؟
انرژی گریز نشاندهنده ظرفیت طعمه برای اجتناب از دستگیری است و به طور خطی در طول تکرارها کاهش مییابد. هنگامی که انرژی گریز بالا است، شاهینها با پرش تصادفی به اکتشاف میپردازند. با کاهش انرژی، شاهینها با حملات هماهنگ (مانور نیش یا شیرجه کمعمق) به بهرهبرداری شیفت پیدا میکنند. این مکانیزم پویا به طور خودکار اکتشاف و بهرهبرداری را بدون نیاز به تنظیم پارامتر صریح متعادل میکند.
HHO چگونه با بهینهسازی ازدحام ذرات (PSO) مقایسه میشود؟
HHO از انتقالهای جستجو مبتنی بر انرژی با دو استراتژی حمله متمایز استفاده میکند که تنوع رفتاری غنیتری نسبت به حرکت مبتنی بر سرعت PSO ارائه میدهد. HHO معمولاً همگرایی سریعتری در مسائل چندوجهی نشان میدهد اما ممکن است در هر تکرار از نظر محاسباتی گرانتر باشد.
آیا HHO میتواند مسائل بهینهسازی گسسته را مدیریت کند؟
HHO به طور طبیعی برای بهینهسازی پیوسته طراحی شده است. برای مسائل گسسته، نگاشتهای گسستهسازی مناسب (مانند گرد کردن یا تبدیل مبتنی بر آستانه) را برای تبدیل راهحلهای پیوسته به متغیرهای گسسته اعمال کنید، اگرچه عملکرد ممکن است در مقایسه با الگوریتمهای خاص گسسته کاهش یابد.
از چه اندازه جمعیتی برای HHO باید استفاده کنم؟
اندازههای معمول جمعیت از ۱۰ تا ۴۰ فرد متغیر است، که جمعیتهای بزرگتر اکتشاف بهتری را با هزینه محاسباتی افزایش یافته فراهم میکنند. با ۳۰ شاهین شروع کنید و بر اساس سرعت همگرایی و کیفیت راهحل برای مسئله خاص خود تنظیم کنید.
روشهای مرتبط
منابع
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.
باز کردن مرجع DOIکپی شد.