Algoritma Optimasi Aritmetika
- Diperkenalkan oleh
- Laith Abualigah
- Tahun
- 2020
- Jenis
- Mathematical metaheuristic algorithm
- Keluarga
- Mathematical Optimization
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Algoritma Optimasi Aritmetika (AOA) adalah pendekatan optimasi metaheuristik yang diperkenalkan oleh Abualigah et al. pada tahun 2020 yang memanfaatkan operator matematika (perkalian, pembagian, penjumlahan, pengurangan) sebagai inspirasi untuk strategi pencarian.
Berbeda dengan algoritma yang terinspirasi dari alam, AOA menggunakan sifat inheren dari operasi aritmetika untuk menyeimbangkan eksplorasi dan eksploitasi, menjadikannya sangat efektif untuk masalah optimasi matematis.
Intuisi di balik metode
Wawasan inti AOA adalah memperlakukan optimasi sebagai proses matematis di mana operator aritmetika mendorong pencarian. Operator perkalian dan pembagian menyebarkan solusi secara luas di seluruh ruang pencarian (eksplorasi), sementara operator penjumlahan dan pengurangan menyempurnakan solusi secara lokal (eksploitasi). Abstraksi matematis ini menghilangkan kebutuhan akan metafora biologis sambil mempertahankan efektivitas. Algoritma secara probabilistik memilih di antara kategori operator ini berdasarkan kemajuan iterasi, secara alami bertransisi dari eksplorasi ke eksploitasi.
Sejarah
Diperkenalkan oleh Laith Abualigah dan kolaborator pada tahun 2020, AOA diterbitkan di Applied Mathematics and Computation. Algoritma ini merupakan penyimpangan dari metaheuristik yang murni terinspirasi dari alam, alih-alih mendasarkan teori optimasi pada operasi matematis. Pendekatan ini memberikan perspektif baru tentang desain algoritma dan terbukti efektif di berbagai masalah benchmark dan aplikasi praktis.
Kapan digunakan
Terapkan AOA pada masalah optimasi kontinu dan diskrit, terutama ketika sifat matematis dari masalah dipahami dengan baik. Efektif untuk desain teknik, penyetelan hyperparameter machine learning, dan masalah kombinatorial. Lebih disukai ketika kesederhanaan komputasi dan konvergensi cepat menjadi prioritas.
Batasan dan pertimbangan
- Abstraksi matematis mungkin kurang intuitif dibandingkan pendekatan yang terinspirasi dari alam bagi sebagian praktisi
- Analisis teoritis terbatas tentang sifat konvergensi dibandingkan dengan metode optimasi klasik
- Kinerja pada masalah berdimensi tinggi menunjukkan hasil yang bervariasi di berbagai lanskap masalah
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Dasar matematis sederhana tanpa memerlukan inspirasi biologis atau pemodelan perilaku yang kompleks
- Operasi matematis efisien secara komputasi, mengurangi overhead per iterasi
- Keseimbangan kuat antara eksplorasi dan eksploitasi melalui probabilitas pemilihan operator
- Menunjukkan kinerja kompetitif pada berbagai fungsi benchmark dan masalah dunia nyata
Penerapan
- Teknik sipil: mengoptimalkan dimensi balok, penampang, dan distribusi material
- Machine learning: menyetel bobot jaringan saraf dan suku bias untuk meningkatkan konvergensi dan akurasi
- Masalah penjadwalan: menentukan penjadwalan tugas dan alokasi sumber daya yang optimal dalam manufaktur
- Aproksimasi fungsi: menemukan parameter optimal untuk ekspansi fungsi basis dan interpolasi
- Optimasi jaringan listrik: meminimalkan kerugian daya dan mengoptimalkan komitmen unit pembangkit
- Manajemen portofolio: mengalokasikan investasi di berbagai aset untuk memaksimalkan imbal hasil yang disesuaikan dengan risiko
Cara kerjanya
Cara kerjanya
Buat populasi awal solusi kandidat yang terdistribusi secara merata di ruang pencarian.
Terapkan operator perkalian dan pembagian untuk menghasilkan solusi baru yang beragam dan mengeksplorasi wilayah yang belum terjamah.
Terapkan operator penjumlahan dan pengurangan untuk menyempurnakan solusi di sekitar posisi terbaik yang ditemukan.
Evaluasi kebugaran solusi baru dan perbarui pelacak populasi dan solusi terbaik.
Kesalahan umum
- Pengaturan probabilitas operator yang terlalu agresif terhadap perkalian/pembagian dapat mencegah konvergensi
- Eksplorasi yang tidak mencukupi di awal optimasi menyebabkan terjebak dalam optimum lokal
- Skala variabel keputusan yang tidak tepat relatif terhadap batas ruang pencarian memengaruhi efisiensi pencarian
Pertanyaan yang sering diajukan
Mengapa perkalian dan pembagian digunakan untuk eksplorasi di AOA?
Operasi perkalian dan pembagian menghasilkan magnitudo yang lebih besar dan dispersi nilai yang lebih luas, menyebabkan solusi menyebar di seluruh ruang pencarian. Divergensi alami ini mendukung eksplorasi dengan mencegah konsentrasi prematur di sekitar satu wilayah.
Bagaimana AOA berbeda dari algoritma genetik?
Sementara GA menggunakan seleksi, persilangan, dan mutasi yang terinspirasi dari biologi, AOA menggunakan operator aritmetika secara langsung sebagai mekanisme pencarian. AOA biasanya konvergen lebih cepat dengan lebih sedikit hyperparameter, meskipun GA mungkin mengeksplorasi lebih efektif pada lanskap yang sangat tidak teratur.
Bisakah AOA menangani masalah optimasi diskrit?
Ya, AOA dapat diadaptasi untuk masalah diskrit melalui metode diskretisasi seperti pembulatan solusi kontinu atau pemetaan ke indeks variabel diskrit. Namun, desain yang cermat dari strategi penerapan operator diperlukan untuk menjaga efektivitas algoritma.
Berapa kompleksitas komputasi AOA per iterasi?
AOA memiliki kompleksitas komputasi linier O(N*D) per iterasi, di mana N adalah ukuran populasi dan D adalah dimensi masalah. Hal ini membuatnya efisien secara komputasi dibandingkan dengan algoritma yang memerlukan perhitungan jarak berpasangan.
Metode terkait
Sumber
Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A., & Gandomi, A. H. (2021). Arithmetic optimization algorithm: A new metaheuristic algorithm for solving optimization problems. Applied Mathematics and Computation, 392, 125450.
Buka referensi publikasiDisalin.