Skip to content
Retour aux résultats

Algorithme de la moisissure visqueuse

Introduite par
Shimin Li
Année
2020
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

Taille de police

À quoi sert-elle ?

L'Algorithme de la moisissure visqueuse (SMA) est une technique d'optimisation métaheuristique inspirée de la nature, introduite par Li et al. en 2020.

Il imite le comportement des moisissures visqueuses, qui s'étendent et se contractent pour trouver des sources de nourriture optimales. Le SMA aborde des problèmes d'optimisation complexes en simulant les schémas d'exploration adaptative et de distribution spatiale de ces organismes.

L’intuition derrière la méthode

Les moisissures visqueuses font preuve d'une intelligence collective remarquable malgré l'absence de système nerveux central. Elles étendent des pseudopodes (structures semblables à des branches) pour explorer leur environnement et se contractent lorsqu'elles atteignent des sources de nutriments. L'algorithme capture ce comportement par des mises à jour de position qui équilibrent exploration et exploitation : les individus se déplacent vers de meilleures solutions avec une certitude croissante, et la population se concentre progressivement autour des régions prometteuses. Ce mécanisme adaptatif naturel permet une recherche globale efficace.

Histoire

Introduit par Shimin Li et ses collègues de l'Université du Jiangsu en 2020, le SMA est issu du domaine de l'informatique biomimétique, inspiré par l'observation du comportement réel de la moisissure visqueuse *Physarum*. L'algorithme a été validé sur des fonctions de référence standard et des tâches d'optimisation d'ingénierie. Sa simplicité et son efficacité ont conduit à une adoption rapide dans divers domaines d'application, avec de nombreuses variantes et améliorations publiées par la suite.

Quand l’utiliser

Appliquer le SMA aux problèmes d'optimisation continus et discrets où l'information de gradient est indisponible. Il excelle dans les paysages multimodaux avec de multiples optima locaux. Convient à la conception d'ingénierie, au réglage de paramètres et à la sélection de caractéristiques lorsque les méthodes d'optimisation classiques échouent ou sont prohibitivement coûteuses en calcul.

Limites et points d’attention

  • Les performances peuvent se dégrader sur des problèmes de très haute dimensionnalité en raison de l'augmentation de l'espace de recherche
  • La vitesse de convergence varie considérablement en fonction des caractéristiques du paysage du problème
  • Peut nécessiter un réglage spécifique au problème pour des applications d'ingénierie complexes

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Excellent équilibre entre exploration et exploitation grâce à un mécanisme de pondération adaptatif
  • Implémentation simple avec peu d'hyperparamètres à régler
  • Démontre une convergence rapide lors des premières itérations avec une capacité de recherche globale efficace
  • Applicable aux problèmes d'optimisation contraints et non contraints

Applications

  • Génie mécanique : optimisation des conceptions structurelles et des configurations de machines sous plusieurs contraintes
  • Sélection de caractéristiques : sélection des caractéristiques pertinentes dans des ensembles de données de haute dimensionnalité pour améliorer les performances des modèles d'apprentissage automatique
  • Réglage des hyperparamètres des réseaux neuronaux : recherche des taux d'apprentissage optimaux, des tailles de couches et des constantes de régularisation
  • Conception d'antennes : optimisation des géométries et des paramètres d'antennes pour les systèmes de communication
  • Optimisation de la chaîne d'approvisionnement : détermination des niveaux de stocks et des itinéraires de distribution pour minimiser les coûts
  • Allocation des ressources : distribution de ressources limitées entre les projets pour maximiser le bénéfice global

Comment ça marche

Comment ça marche

1

Initialiser une population de positions de moisissures visqueuses distribuées aléatoirement dans l'espace de recherche et évaluer leurs valeurs de fitness.

2

Mettre à jour la position de chaque moisissure en fonction d'une fonction de pondération qui augmente vers la meilleure solution, combinée à des perturbations aléatoires pour l'exploration.

3

Calculer la valeur de la fonction objectif pour chaque nouvelle position et la comparer aux valeurs de fitness précédentes.

4

Répéter les étapes de mise à jour et d'évaluation jusqu'à convergence ou jusqu'à ce qu'un nombre maximum d'itérations soit atteint.

Pièges courants

  • Convergence prématurée vers des optima locaux si le mécanisme de pondération est trop agressif au début de l'optimisation
  • Exploration insuffisante lorsque la population initiale est trop concentrée dans une petite région
  • Négliger de mettre à l'échelle correctement les variables de décision peut entraîner de mauvaises performances de recherche

Questions fréquentes

Comment le mécanisme de pondération du SMA diffère-t-il des autres métaheuristiques comme le PSO ?

Contrairement au PSO qui utilise des vecteurs de vitesse, le SMA emploie un poids qui diminue avec le temps, encourageant l'exploitation à mesure que les itérations progressent. Cette stratégie adaptative équilibre naturellement l'exploration et l'exploitation sans nécessiter de paramètres distincts pour les composantes cognitives et sociales.

Le SMA est-il adapté à la résolution de problèmes d'optimisation contraints ?

Oui, le SMA peut gérer les contraintes par des méthodes de fonction de pénalité ou des techniques de gestion des contraintes. Les solutions infaisables reçoivent des valeurs de fitness réduites, guidant la recherche vers la région faisable.

Comment dois-je définir la taille de la population pour mon problème ?

Commencez avec une taille de population proportionnelle à la dimensionnalité du problème, généralement 20 à 50 individus. Des populations plus importantes améliorent la recherche globale mais augmentent le coût computationnel. Utilisez des tests empiriques sur votre problème spécifique pour trouver le bon équilibre.

Quel est le comportement de convergence typique du SMA ?

Le SMA montre généralement une amélioration rapide lors des premières itérations en raison d'une forte exploration, suivie d'un affinement à mesure que le mécanisme de pondération guide de plus en plus les solutions vers la meilleure position trouvée.

Méthodes associées

Sources

  1. 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.

    Ouvrir la référence DOI
    Copié.