الگوریتم کپک بلغمی
- معرفیشده توسط
- Shimin Li
- 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
چه کاری انجام میدهد؟
الگوریتم کپک بلغمی (SMA) یک تکنیک بهینهسازی فراابتکاری الهامگرفته از طبیعت است که توسط لی و همکاران در سال ۲۰۲۰ معرفی شد. این الگوریتم رفتار کپکهای بلغمی را تقلید میکند که برای یافتن منابع غذایی بهینه، گسترش یافته و منقبض میشوند.
SMA با شبیهسازی الگوهای سازگارانه جستجوی غذا و توزیع فضایی این موجودات، مسائل بهینهسازی پیچیده را حل میکند.
شهود پشت روش
کپکهای بلغمی علیرغم نداشتن سیستم عصبی مرکزی، هوش جمعی قابل توجهی از خود نشان میدهند. آنها برای کاوش محیط خود، شبهپاهای (ساختارهای شاخهمانند) را گسترش میدهند و هنگام رسیدن به منابع مواد مغذی منقبض میشوند. این الگوریتم این رفتار را از طریق بهروزرسانی موقعیتها که اکتشاف و بهرهبرداری را متعادل میکند، ثبت میکند: افراد با اطمینان فزاینده به سمت راهحلهای بهتر حرکت میکنند و جمعیت به تدریج در اطراف مناطق امیدوارکننده متمرکز میشود. این مکانیزم سازگار طبیعی، جستجوی جهانی کارآمد را امکانپذیر میسازد.
تاریخ
SMA که در سال ۲۰۲۰ توسط شیمین لی و همکارانش در دانشگاه جیانگسو معرفی شد، از حوزه محاسبات زیستتقلیدی و با الهام از مشاهده رفتار واقعی کپک بلغمی فیزاروم پدید آمد. این الگوریتم بر روی توابع معیار استاندارد و وظایف بهینهسازی مهندسی اعتبارسنجی شد. سادگی و اثربخشی آن منجر به پذیرش سریع در دامنههای کاربردی متنوع شد و متعاقباً تعداد بیشماری از انواع و بهبودهای آن منتشر شد.
چه زمانی استفاده شود
SMA را برای مسائل بهینهسازی پیوسته و گسسته که در آنها اطلاعات گرادیان در دسترس نیست، به کار ببرید. این الگوریتم در مناظر چندوجهی با بهینههای محلی متعدد برتری دارد. برای طراحی مهندسی، تنظیم پارامتر و انتخاب ویژگی زمانی که روشهای بهینهسازی کلاسیک شکست میخورند یا از نظر محاسباتی پرهزینه هستند، مناسب است.
محدودیتها و ملاحظات
- عملکرد ممکن است در مسائل با ابعاد بسیار بالا به دلیل افزایش فضای جستجو کاهش یابد
- سرعت همگرایی بسته به مشخصات منظر مسئله به طور قابل توجهی متفاوت است
- ممکن است برای کاربردهای مهندسی پیچیده نیاز به تنظیمات خاص مسئله داشته باشد
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- تعادل عالی بین اکتشاف و بهرهبرداری از طریق مکانیزم وزن سازگار
- پیادهسازی ساده با چند ابرپارامتر برای تنظیم
- همگرایی سریع در تکرارهای اولیه با قابلیت جستجوی جهانی مؤثر را نشان میدهد
- قابل اعمال بر مسائل بهینهسازی مقید و نامقید
کاربردها
- مهندسی مکانیک: بهینهسازی طرحهای سازه و پیکربندی ماشینآلات تحت محدودیتهای متعدد
- انتخاب ویژگی: انتخاب ویژگیهای مرتبط در مجموعه دادههای با ابعاد بالا برای بهبود عملکرد مدل یادگیری ماشین
- تنظیم ابرپارامترهای شبکه عصبی: یافتن نرخهای یادگیری بهینه، اندازههای لایه و ثابتهای منظمسازی
- طراحی آنتن: بهینهسازی هندسه و پارامترهای آنتن برای سیستمهای ارتباطی
- بهینهسازی زنجیره تأمین: تعیین سطوح موجودی و مسیرهای توزیع برای به حداقل رساندن هزینهها
- تخصیص منابع: توزیع منابع محدود در پروژهها برای به حداکثر رساندن سود کلی
چگونه کار میکند
چگونه کار میکند
یک جمعیت از موقعیتهای کپک بلغمی را که به طور تصادفی در فضای جستجو توزیع شدهاند، مقداردهی اولیه کرده و مقادیر برازش آنها را ارزیابی کنید.
موقعیت هر کپک را بر اساس یک تابع وزن که به سمت بهترین راهحل افزایش مییابد، همراه با اغتشاشات تصادفی برای اکتشاف، بهروزرسانی کنید.
مقدار تابع هدف را برای هر موقعیت جدید محاسبه کرده و با مقادیر برازش قبلی مقایسه کنید.
مراحل بهروزرسانی و ارزیابی را تا رسیدن به همگرایی یا حداکثر تعداد تکرار، تکرار کنید.
دامهای رایج
- همگرایی زودرس به بهینههای محلی در صورتی که مکانیزم وزن در اوایل بهینهسازی بیش از حد تهاجمی باشد
- اکتشاف ناکافی زمانی که جمعیت اولیه بیش از حد در یک منطقه کوچک متمرکز شده باشد
- نادیده گرفتن مقیاسبندی مناسب متغیرهای تصمیم میتواند منجر به عملکرد ضعیف جستجو شود
پرسشهای متداول
مکانیزم وزن در SMA چگونه با فراابتکاریهای دیگر مانند PSO متفاوت است؟
برخلاف PSO که از بردارهای سرعت استفاده میکند، SMA از وزنی کاهنده با زمان استفاده میکند که با پیشرفت تکرارها، بهرهبرداری را تشویق میکند. این استراتژی سازگار به طور طبیعی اکتشاف و بهرهبرداری را بدون نیاز به پارامترهای جداگانه برای اجزای شناختی و اجتماعی متعادل میکند.
آیا SMA برای حل مسائل بهینهسازی مقید مناسب است؟
بله، SMA میتواند محدودیتها را از طریق توابع جریمه یا تکنیکهای مدیریت محدودیتها پردازش کند. راهحلهای نامعتبر مقادیر برازش کمتری دریافت میکنند و جستجو را به سمت ناحیه معتبر هدایت میکنند.
اندازه جمعیت را برای مسئله من چگونه باید تنظیم کنم؟
با جمعیتی به اندازه متناسب با ابعاد مسئله، معمولاً ۲۰-۵۰ فرد، شروع کنید. جمعیتهای بزرگتر جستجوی جهانی را بهبود میبخشند اما هزینه محاسباتی را افزایش میدهند. برای یافتن تعادل، از آزمایش تجربی بر روی مسئله خاص خود استفاده کنید.
رفتار همگرایی معمول SMA چیست؟
SMA معمولاً به دلیل اکتشاف قوی، بهبود سریعی را در تکرارهای اولیه نشان میدهد و سپس با هدایت فزاینده مکانیزم وزن به سمت بهترین موقعیت یافت شده، اصلاح میشود.
روشهای مرتبط
منابع
Li, S., Chen, H., Wang, M., Heidari, A. A., & Chakraborty, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323.
باز کردن مرجع DOIکپی شد.