Skip to content
Kembali ke hasil pencarian

Optimizer Aquila

Diperkenalkan oleh
Laith Abualigah
Tahun
2021
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?

Optimizer Aquila (AO) adalah algoritma metaheuristik yang terinspirasi dari alam yang dipersembahkan oleh Abualigah et al. pada tahun 2021, dimodelkan berdasarkan perilaku berburu dan kemampuan sensorik elang emas (aquila chrysaetos).

Algoritma ini menangkap fase eksplorasi dan eksploitasi perburuan elang, termasuk melayang di ketinggian, eksplorasi dengan penglihatan presisi tinggi, dan serangan menukik cepat. AO dirancang untuk menyelesaikan masalah optimasi yang dibatasi maupun tidak dibatasi.

Intuisi di balik metode

Elang emas menunjukkan efisiensi berburu yang luar biasa melalui melayang di ketinggian untuk memindai wilayah yang luas, lokasi target yang tepat menggunakan penglihatan superior, dan serangan menukik eksplosif dengan manuver yang luar biasa. Algoritma ini mengabstraksikan perilaku ini ke dalam operasi matematika: elang menjelajahi ruang pencarian pada 'ketinggian' tinggi (eksplorasi luas), kemudian beralih ke eksploitasi intensif saat mereka mendekati mangsa (penyempurnaan lokal). Inovasi utamanya adalah memasukkan beberapa rasio eksplorasi dan eksploitasi yang menyeimbangkan pencarian, memungkinkan adaptasi terhadap karakteristik masalah yang berbeda.

Sejarah

Diperkenalkan oleh Laith Abualigah dan rekan-rekannya di University of Huddersfield pada tahun 2021, Optimizer Aquila diterbitkan di Computers and Industrial Engineering. Algoritma ini dikembangkan sebagai bagian dari penelitian yang sedang berlangsung tentang algoritma optimasi yang terinspirasi dari alam dan mengambil dari prinsip biomimetik perilaku burung pemangsa. Pengujian benchmark ekstensif dan studi aplikasi dunia nyata menunjukkan kinerja kompetitifnya di berbagai kelas masalah.

Kapan digunakan

Terapkan AO pada masalah optimasi kontinu termasuk desain teknik, optimasi hyperparameter machine learning, dan pemilihan fitur. Sangat efektif untuk masalah dengan banyak optima lokal dan fungsi objektif yang mahal. Cocok untuk tugas optimasi skala kecil hingga besar di mana informasi gradien tidak tersedia.

Batasan dan pertimbangan

  • Algoritma yang relatif baru dengan validasi empiris jangka panjang yang terbatas dibandingkan dengan metode yang sudah mapan
  • Kinerja dapat bervariasi secara signifikan di berbagai domain dan lanskap masalah
  • Skalabilitas ke masalah berdimensi sangat tinggi masih perlu diselidiki secara menyeluruh

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

Kelebihan

  • Keseimbangan kuat antara eksplorasi dan eksploitasi dengan mekanisme transisi adaptif
  • Menunjukkan kinerja kompetitif atau superior pada banyak fungsi benchmark
  • Mampu menangani varian masalah optimasi kontinu dan diskrit
  • Formulasi matematika sederhana dengan hyperparameter minimal yang memerlukan penyetelan

Penerapan

  • Pemilihan fitur: mengidentifikasi fitur yang paling relevan dari dataset medis dan biologis berdimensi tinggi
  • Optimasi teknik: merancang konfigurasi struktural optimal, sistem termal, dan komponen mekanis
  • Machine learning: mengoptimalkan hyperparameter untuk support vector machines, random forests, dan neural networks
  • Sistem energi terbarukan: memaksimalkan efisiensi panel surya dan mengoptimalkan konfigurasi tata letak ladang angin
  • Pengelompokan data: meningkatkan pembelajaran tanpa pengawasan melalui optimasi parameter klaster otomatis
  • Desain jaringan: mengoptimalkan topologi jaringan komunikasi dan protokol routing untuk kinerja yang lebih baik

Cara kerjanya

Cara kerjanya

1

Inisialisasi populasi posisi elang yang terdistribusi secara acak dalam ruang solusi.

2

Elang bergerak untuk menjelajahi wilayah baru menggunakan strategi pencarian global yang terinspirasi oleh perilaku melayang dan pengintaian.

3

Seiring kemajuan iterasi, elang mengintensifkan pencarian mereka di sekitar solusi yang menjanjikan, bertransisi dari eksplorasi luas ke eksploitasi yang terkonsentrasi.

4

Evaluasi kebugaran setiap posisi elang dan lacak solusi terbaik yang ditemukan.

Kesalahan umum

  • Keseimbangan yang tidak tepat antara parameter eksplorasi dan eksploitasi dapat menyebabkan konvergensi prematur
  • Menggunakan inisialisasi acak seragam dalam masalah yang dibatasi dapat membuang iterasi pada wilayah yang tidak layak
  • Mengabaikan penskalaan spesifik masalah dapat mengakibatkan pencarian yang tidak efektif melalui ruang solusi

Pertanyaan yang sering diajukan

Bagaimana Optimizer Aquila menyeimbangkan eksplorasi dan eksploitasi?

AO menggunakan rasio yang bergantung pada iterasi yang menyesuaikan tingkat eksplorasi versus eksploitasi secara dinamis. Iterasi awal menekankan eksplorasi luas untuk menghindari optima lokal, sementara iterasi selanjutnya berkonsentrasi di sekitar solusi yang menjanjikan. Mekanisme adaptif ini muncul secara alami dari desain algoritma tanpa penyetelan eksplisit.

Apa perbedaan utama antara AO dan Harris Hawks Optimization?

Meskipun keduanya adalah algoritma yang terinspirasi dari burung pemangsa, AO memodelkan perilaku elang dengan beberapa fase eksplorasi-eksploitasi, sedangkan HHO didasarkan pada perburuan kooperatif elang Harris. AO biasanya menunjukkan kemampuan pencarian global yang sedikit lebih baik, sementara HHO menunjukkan eksploitasi lokal yang lebih kuat melalui manuver penjepitan.

Apakah Optimizer Aquila cocok untuk masalah yang dibatasi?

Ya, AO dapat diadaptasi untuk optimasi yang dibatasi melalui metode penalti atau teknik penanganan kendala. Solusi yang tidak layak diberi penalti dengan mengurangi nilai kebugarannya, secara alami memandu pencarian menuju wilayah yang layak.

Berapa ukuran populasi yang wajar untuk Optimizer Aquila?

Ukuran populasi biasanya berkisar dari 10-50 elang, dengan 30 menjadi titik awal yang umum. Populasi yang lebih besar meningkatkan eksplorasi tetapi meningkatkan biaya komputasi. Uji secara empiris masalah spesifik Anda untuk menemukan keseimbangan optimal antara kualitas solusi dan efisiensi komputasi.

Metode terkait

Sumber

  1. Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A., & Gandomi, A. H. (2021). Aquila optimizer: A novel meta-heuristic optimization algorithm. Computers and Industrial Engineering, 157, 107250.

    Buka referensi DOI
    Disalin.