Skip to content
Kembali ke hasil pencarian

Algoritma Optimasi Burung Nasar Afrika

Diperkenalkan oleh
Hossein Moghdani
Tahun
2020
Jenis
Nature-inspired metaheuristic algorithm
Keluarga
Swarm Intelligence

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Algoritma Optimasi Burung Nasar Afrika (AVOA) adalah algoritma metaheuristik yang diperkenalkan oleh Moghdani dan Salimifard pada tahun 2020, terinspirasi oleh perilaku pencarian dan pemulungan burung nasar Afrika.

Burung nasar menggunakan strategi kolaboratif yang canggih untuk menemukan bangkai di jarak yang sangat jauh, memanfaatkan arus udara termal dan dinamika kelompok untuk bernavigasi secara efisien. AVOA menerjemahkan perilaku perburuan kolektif ini ke dalam kerangka kerja optimasi yang efektif.

Intuisi di balik metode

Burung nasar Afrika menunjukkan kecerdasan kooperatif yang luar biasa: mereka terbang di ketinggian tinggi untuk memindai makanan, mengomunikasikan penemuan kepada anggota kelompok, dan berkumpul di sumber makanan. Algoritma ini memodelkan hal ini melalui berbagai perilaku: eksplorasi melibatkan terbang melingkar lebar untuk memindai lanskap, eksploitasi melibatkan mengikuti tetangga menuju solusi yang menjanjikan, dan penyempurnaan melibatkan pencarian lokal yang intensif. Kerjasama hierarkis ini menciptakan keseimbangan alami antara pencarian global dan penyempurnaan lokal tanpa penyesuaian parameter eksplisit.

Sejarah

Dikembangkan oleh Hossein Moghdani dan rekan-rekannya di Universitas Kharazmi pada tahun 2020, AVOA diterbitkan di Applied Soft Computing. Algoritma ini terinspirasi oleh studi perilaku terperinci tentang pola pemulungan burung nasar Afrika (Gyps africanus) dan mekanisme kooperatif mereka yang canggih. Algoritma ini mewakili kemajuan terbaru dalam optimasi yang terinspirasi biologi dan menunjukkan kinerja kompetitif yang kuat.

Kapan digunakan

Terapkan AVOA pada masalah optimasi kontinu dengan banyak tujuan dan kendala. Sangat efektif untuk desain teknik, optimasi hyperparameter pembelajaran mesin, dan optimasi fungsi kompleks. Cocok ketika pencarian global yang kuat dan eksploitasi lokal yang baik keduanya diperlukan.

Batasan dan pertimbangan

  • Implementasi yang lebih kompleks dibandingkan dengan metaheuristik yang lebih sederhana
  • Beberapa fase perilaku memperkenalkan hyperparameter tambahan yang memerlukan penyesuaian
  • Biaya komputasi per iterasi lebih tinggi karena pemodelan komunikasi berpasangan

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Strategi pencarian multi-fase yang canggih berdasarkan dinamika kelompok alami dan kerjasama
  • Keseimbangan efektif antara eksplorasi global dan eksploitasi lokal tanpa penyesuaian eksplisit
  • Kinerja empiris yang kuat pada berbagai fungsi benchmark dan masalah dunia nyata
  • Kemampuan alami untuk menangani kendala melalui adaptasi perilaku

Penerapan

  • Teknik sistem tenaga: optimasi penjadwalan pembangkitan tenaga dan dispatch ekonomi
  • Pembelajaran mesin: optimasi arsitektur jaringan saraf dan penyetelan hyperparameter
  • Optimasi struktural: merancang struktur yang meminimalkan berat sambil memenuhi persyaratan kekuatan
  • Pemrosesan gambar: optimasi parameter deteksi tepi dan ekstraksi fitur
  • Masalah penjadwalan: menentukan penjadwalan proyek dan alokasi sumber daya yang optimal
  • Teknik lingkungan: optimasi parameter sistem pengendalian polusi dan pengurangan emisi

Cara kerjanya

Cara kerjanya

1

Inisialisasi populasi burung nasar yang tersebar di seluruh ruang pencarian yang merepresentasikan solusi kandidat.

2

Burung nasar terbang dan mencari secara independen di seluruh ruang, mengeksplorasi wilayah baru dan menemukan area yang menjanjikan.

3

Burung nasar saling memantau dan mengikuti rekan yang bergerak menuju solusi yang lebih baik, berbagi informasi tentang wilayah yang menjanjikan.

4

Perbarui semua posisi burung nasar berdasarkan dinamika eksplorasi dan kolaborasi, pertahankan catatan solusi terbaik.

Kesalahan umum

  • Perilaku mengikuti yang berlebihan menuju solusi terbaik dapat menyebabkan konvergensi prematur
  • Eksplorasi yang tidak mencukupi pada iterasi awal membatasi penemuan wilayah solusi yang baik
  • Keseimbangan yang tidak tepat antara pencarian soliter dan koordinasi kelompok mengurangi efektivitas

Pertanyaan yang sering diajukan

Bagaimana pencarian kolaboratif AVOA berbeda dari algoritma kawanan lainnya?

AVOA secara eksplisit memodelkan komunikasi dan kerjasama kelompok, di mana burung nasar berbagi informasi tentang solusi yang menjanjikan. Mekanisme kooperatif ini lebih canggih daripada metode berbasis daya tarik sederhana, memungkinkan eksplorasi kolaboratif yang lebih efektif.

Apa saja fase perilaku utama dalam AVOA?

AVOA mencakup tiga fase utama: eksplorasi independen (terbang dan mencari), gerakan kooperatif (mengikuti rekan menuju solusi yang lebih baik), dan penyempurnaan (pencarian lokal yang intensif di sekitar wilayah yang menjanjikan). Fase-fase ini bertransisi secara dinamis selama optimasi.

Bagaimana AVOA menangani masalah multimodal dengan banyak optimum lokal?

Fase eksplorasi independen memungkinkan burung nasar untuk menemukan banyak wilayah yang menjanjikan, sementara fase kooperatif berbagi informasi ini di seluruh populasi. Kombinasi ini mencegah konvergensi prematur ke optimum lokal tunggal sambil konvergensi ke optimum global.

Ukuran populasi berapa yang direkomendasikan untuk AVOA?

Ukuran populasi tipikal berkisar antara 20-50 burung nasar. Populasi yang lebih besar meningkatkan kualitas eksplorasi tetapi meningkatkan biaya komputasi. Mulailah dengan 30 burung nasar dan sesuaikan berdasarkan dimensi masalah dan sumber daya komputasi yang tersedia.

Metode terkait

Sumber

  1. Moghdani, H., & Salimifard, K. (2020). Volleyball player optimizer and African vultures optimization algorithms for solving global optimization problems. Applied Soft Computing, 97, 106794.

    Buka referensi publikasi
    Disalin.