Optimisation par les buses de Harris
- Introduite par
- Ali Asghar Heidari
- Année
- 2019
- Type
- Nature-inspired metaheuristic algorithm
- Famille
- Swarm Intelligence
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
L'Optimisation par les buses de Harris (HHO) est un algorithme métaheuristique introduit par Heidari et al. en 2019, inspiré par les stratégies de chasse des buses de Harris.
L'algorithme modélise le comportement coopératif de chasse et les stratégies d'évasion de ces rapaces pour résoudre des problèmes d'optimisation complexes. Le HHO équilibre l'exploration par le perchage et l'exploitation par la poursuite dynamique, le rendant efficace pour l'optimisation multimodale et de haute dimension.
L’intuition derrière la méthode
Les buses de Harris sont connues pour leur chasse coopérative intelligente, leurs attaques soudaines et leurs manœuvres d'évasion lors de la poursuite de proies. L'algorithme traduit ce comportement en opérations mathématiques : les buses se perchent en hauteur pour repérer les proies (exploration), puis poursuivent et attaquent avec des stratégies coordonnées (exploitation). L'idée clé est le concept d'énergie d'évasion : à mesure que l'énergie de la proie diminue, la probabilité d'évasion change, forçant les buses à ajuster leur angle d'attaque, passant d'une plongée superficielle à une manœuvre de pince surprise. Ce comportement dynamique équilibre naturellement le processus de recherche.
Histoire
Développé par Ali Asghar Heidari et ses collègues de l'Université d'Ispahan en 2019, le HHO a été publié dans Future Generation Computer Systems. L'algorithme s'est inspiré d'études comportementales détaillées des buses de Harris (Parabuteo unicinctus), en particulier de leur chasse coopérative en groupe et de leurs stratégies d'évasion dynamiques lorsque la proie résiste. Il est rapidement devenu un point de référence pour l'évaluation de nouvelles métaheuristiques en raison de ses solides performances empiriques.
Quand l’utiliser
Appliquer le HHO aux problèmes d'optimisation continus où la fonction objectif est coûteuse à évaluer ou contient de multiples optima locaux. Particulièrement efficace pour l'optimisation de conception d'ingénierie, l'estimation de paramètres et le réglage des hyperparamètres d'apprentissage automatique. Le mieux adapté aux problèmes de dimensionnalité modérée à élevée où un comportement de recherche sophistiqué offre des avantages.
Limites et points d’attention
- Le coût de calcul par itération est plus élevé en raison des calculs complexes de poursuite
- La performance varie selon les paysages de problèmes ; nécessite une validation empirique
- L'algorithme peut avoir des difficultés avec des problèmes de très haute dimension au-delà de 1000 dimensions
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Mécanisme sophistiqué d'énergie d'évasion qui effectue une transition naturelle de l'exploration à l'exploitation
- Deux stratégies complémentaires (plongée superficielle et manœuvre de pince) pour des schémas d'attaque diversifiés
- Performance supérieure sur de nombreuses fonctions de référence par rapport au PSO et aux algorithmes génétiques
- Moins d'hyperparamètres que certaines métaheuristiques concurrentes, simplifiant l'implémentation
Applications
- Optimisation des systèmes électriques : optimisation de la planification de la production d'électricité et du dispatch économique dans les réseaux électriques
- Apprentissage automatique : réglage des architectures de réseaux neuronaux et des hyperparamètres d'entraînement pour une précision améliorée
- Conception structurelle : optimisation des configurations de bâtiments, des conceptions de ponts et des structures mécaniques sous contraintes
- Traitement d'images : optimisation des paramètres de sélection de caractéristiques et de filtres d'amélioration pour l'imagerie médicale
- Réseaux de capteurs sans fil : optimisation du placement des nœuds et de la puissance de transmission pour la couverture du réseau
- Optimisation de portefeuille : sélection d'allocations d'actifs pour maximiser les rendements tout en gérant les risques
Comment ça marche
Comment ça marche
Créer une population initiale de buses réparties dans l'espace de recherche, représentant des solutions candidates.
Les buses se perchent aléatoirement à des positions (phase d'exploration) pour sonder le paysage et identifier les régions prometteuses.
Lorsqu'une proie est détectée, les buses passent en mode poursuite avec des schémas d'attaque variant en fonction de l'énergie d'évasion de la proie.
Évaluer la fitness de chaque position de buse et mettre à jour la meilleure solution trouvée.
Pièges courants
- Définir la décroissance de l'énergie d'évasion trop agressivement peut enfermer prématurément l'algorithme dans l'exploitation
- Initialiser la population dans une région étroite limite sévèrement la capacité d'exploration
- Ne pas mettre à l'échelle correctement l'espace de recherche peut entraîner un échantillonnage inefficace et un échec de convergence
Questions fréquentes
Qu'est-ce que l'énergie d'évasion dans l'Optimisation par les buses de Harris et comment fonctionne-t-elle ?
L'énergie d'évasion représente la capacité de la proie à éviter la capture et diminue linéairement au fil des itérations. Lorsque l'énergie d'évasion est élevée, les buses emploient l'exploration avec un perchage aléatoire. À mesure que l'énergie diminue, les buses passent à l'exploitation avec des attaques coordonnées (manœuvre de pince ou plongée superficielle). Ce mécanisme dynamique équilibre automatiquement l'exploration et l'exploitation sans nécessiter de réglage explicite des paramètres.
Comment le HHO se compare-t-il à l'Optimisation par essaim particulaire (PSO) ?
Le HHO utilise des transitions de recherche basées sur l'énergie avec deux stratégies d'attaque distinctes, offrant une richesse de comportements plus grande que le mouvement basé sur la vitesse du PSO. Le HHO montre généralement une convergence plus rapide sur les problèmes multimodaux, mais peut être plus coûteux en calcul par itération.
Le HHO peut-il gérer des problèmes d'optimisation discrets ?
Le HHO est naturellement conçu pour l'optimisation continue. Pour les problèmes discrets, appliquez des mappages de discrétisation appropriés (par exemple, arrondissement ou conversion basée sur un seuil) pour transformer les solutions continues en variables discrètes, bien que les performances puissent être réduites par rapport aux algorithmes spécifiques aux problèmes discrets.
Quelle taille de population dois-je utiliser pour le HHO ?
Les tailles de population typiques varient de 10 à 40 individus, les populations plus importantes offrant une meilleure exploration au prix d'un coût de calcul accru. Commencez avec 30 buses et ajustez en fonction de la vitesse de convergence et de la qualité de la solution pour votre problème spécifique.
Méthodes associées
Sources
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.
Ouvrir la référence DOICopié.