Optimasi Elang Harris
- Diperkenalkan oleh
- Ali Asghar Heidari
- Tahun
- 2019
- Jenis
- Nature-inspired metaheuristic algorithm
- Keluarga
- Swarm Intelligence
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Optimasi Elang Harris (HHO) adalah algoritma metaheuristik yang diperkenalkan oleh Heidari et al. pada tahun 2019, terinspirasi oleh strategi berburu elang Harris.
Algoritma ini memodelkan perilaku berburu kooperatif dan strategi melarikan diri dari burung pemangsa ini untuk memecahkan masalah optimasi yang kompleks. HHO menyeimbangkan eksplorasi melalui bertengger dan eksploitasi melalui pengejaran dinamis, menjadikannya efektif untuk optimasi multimodal dan berdimensi tinggi.
Intuisi di balik metode
Elang Harris dikenal karena perburuan kooperatif mereka yang cerdas, serangan mendadak, dan manuver melarikan diri saat mengejar mangsa. Algoritma menerjemahkan perilaku ini ke dalam operasi matematika: elang bertengger di posisi tinggi untuk memindai mangsa (eksplorasi), kemudian mengejar dan menyerang dengan strategi terkoordinasi (eksploitasi). Wawasan kuncinya adalah konsep energi melarikan diri—seiring berkurangnya energi mangsa, probabilitas melarikan diri berubah, memaksa elang untuk menyesuaikan sudut serangan mereka dari penyelaman dangkal ke manuver penjepit kejutan. Perilaku dinamis ini secara alami menyeimbangkan proses pencarian.
Sejarah
Dikembangkan oleh Ali Asghar Heidari dan rekan-rekannya di Universitas Isfahan pada tahun 2019, HHO diterbitkan di Future Generation Computer Systems. Algoritma ini mengambil inspirasi dari studi perilaku terperinci tentang elang Harris (Parabuteo unicinctus), terutama perburuan kooperatif mereka dalam kelompok dan strategi melarikan diri dinamis ketika mangsa melawan. Algoritma ini dengan cepat menjadi titik referensi untuk mengevaluasi metaheuristik baru karena kinerja empirisnya yang kuat.
Kapan digunakan
Terapkan HHO pada masalah optimasi kontinu di mana fungsi tujuan mahal untuk dievaluasi atau mengandung banyak optima lokal. Sangat efektif untuk optimasi desain teknik, estimasi parameter, dan penyetelan hyperparameter machine learning. Paling cocok untuk masalah berdimensi sedang hingga tinggi di mana perilaku pencarian yang canggih memberikan keuntungan.
Batasan dan pertimbangan
- Biaya komputasi per iterasi lebih tinggi karena perhitungan pengejaran yang kompleks
- Kinerja bervariasi di berbagai lanskap masalah; memerlukan validasi empiris
- Algoritma mungkin kesulitan dengan masalah berdimensi sangat tinggi di atas 1000 dimensi
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Mekanisme energi melarikan diri yang canggih yang secara alami bertransisi dari eksplorasi ke eksploitasi
- Dua strategi komplementer (penyelaman dangkal dan manuver penjepit) untuk pola serangan yang beragam
- Kinerja unggul pada banyak fungsi benchmark dibandingkan dengan PSO dan algoritma genetik
- Lebih sedikit hyperparameter daripada beberapa metaheuristik pesaing, menyederhanakan implementasi
Penerapan
- Optimasi sistem tenaga: mengoptimalkan penjadwalan pembangkitan tenaga dan dispatch ekonomi di jaringan listrik
- Machine learning: menyetel arsitektur jaringan saraf dan hyperparameter pelatihan untuk akurasi yang lebih baik
- Desain struktural: mengoptimalkan konfigurasi bangunan, desain jembatan, dan struktur mekanik di bawah batasan
- Pemrosesan gambar: optimasi pemilihan fitur dan parameter filter peningkatan untuk pencitraan medis
- Jaringan sensor nirkabel: mengoptimalkan penempatan node dan daya transmisi untuk cakupan jaringan
- Optimasi portofolio: memilih alokasi aset untuk memaksimalkan pengembalian sambil mengelola risiko
Cara kerjanya
Cara kerjanya
Buat populasi awal elang yang tersebar di seluruh ruang pencarian, mewakili solusi kandidat.
Elang secara acak bertengger di posisi (fase eksplorasi) untuk mengamati lanskap dan mengidentifikasi wilayah yang menjanjikan.
Ketika mangsa terdeteksi, elang beralih ke mode pengejaran dengan pola serangan yang bervariasi berdasarkan energi melarikan diri mangsa.
Evaluasi kebugaran untuk setiap posisi elang dan perbarui solusi terbaik yang ditemukan.
Kesalahan umum
- Menetapkan peluruhan energi melarikan diri terlalu agresif dapat mengunci algoritma ke dalam eksploitasi secara prematur
- Menginisialisasi populasi di wilayah yang sempit sangat membatasi kemampuan eksplorasi
- Kegagalan menskalakan ruang pencarian dengan tepat dapat menyebabkan pengambilan sampel yang tidak efisien dan kegagalan konvergensi
Pertanyaan yang sering diajukan
Apa itu energi melarikan diri dalam Optimasi Elang Harris dan bagaimana cara kerjanya?
Energi melarikan diri mewakili kapasitas mangsa untuk menghindari penangkapan dan berkurang secara linier selama iterasi. Ketika energi melarikan diri tinggi, elang menggunakan eksplorasi dengan bertengger secara acak. Seiring berkurangnya energi, elang beralih ke eksploitasi dengan serangan terkoordinasi (manuver penjepit atau penyelaman dangkal). Mekanisme dinamis ini secara otomatis menyeimbangkan eksplorasi dan eksploitasi tanpa memerlukan penyetelan parameter eksplisit.
Bagaimana perbandingan HHO dengan Particle Swarm Optimization?
HHO menggunakan transisi pencarian berbasis energi dengan dua strategi serangan yang berbeda, memberikan keragaman perilaku yang lebih kaya daripada gerakan berbasis kecepatan PSO. HHO biasanya menunjukkan konvergensi yang lebih cepat pada masalah multimodal tetapi mungkin lebih mahal secara komputasi per iterasi.
Bisakah HHO menangani masalah optimasi diskrit?
HHO secara alami dirancang untuk optimasi kontinu. Untuk masalah diskrit, terapkan pemetaan diskretisasi yang sesuai (misalnya, pembulatan atau konversi berbasis ambang batas) untuk mengubah solusi kontinu menjadi variabel diskrit, meskipun kinerjanya mungkin berkurang dibandingkan dengan algoritma khusus diskrit.
Ukuran populasi berapa yang harus saya gunakan untuk HHO?
Ukuran populasi tipikal berkisar antara 10-40 individu, dengan populasi yang lebih besar memberikan eksplorasi yang lebih baik dengan biaya komputasi yang meningkat. Mulailah dengan 30 elang dan sesuaikan berdasarkan kecepatan konvergensi dan kualitas solusi untuk masalah spesifik Anda.
Metode terkait
Sumber
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.
Buka referensi DOIDisalin.