Skip to content
検索結果に戻る

ハリスホーク最適化

提唱者
Ali Asghar Heidari
年
2019
種類
Nature-inspired metaheuristic algorithm
系統
Swarm Intelligence

この文章は機械翻訳で、まだ確認されていません。 英語の原文を読む

文字サイズ

何をする手法か?

ハリスホーク最適化(HHO)は、Heidariらによって2019年に導入されたメタヒューリスティックアルゴリズムであり、ハリスホークの狩猟戦略に着想を得ています。このアルゴリズムは、これらの猛禽類の協調的な狩猟行動と逃走戦略をモデル化し、複雑な最適化問題の解決に用います。HHOは、止まり場(perching)による探索と動的な追跡による活用(exploitation)のバランスを取ることで、多峰性および高次元最適化問題に対して有効です。

手法の背後にある直感

ハリスホークは、獲物を追跡する際の知的な協調狩猟、急襲、および逃走操作で知られています。このアルゴリズムは、この行動を数学的演算に変換します。すなわち、ホークは獲物を探すために高い位置に止まり(探索)、その後、協調戦略を用いて追跡・攻撃します(活用)。重要な洞察は、逃走エネルギーの概念です。獲物のエネルギーが減少するにつれて、逃走確率は変化し、ホークは攻撃角度を浅い急降下から不意の挟み撃ち(pincer maneuver)へと調整することを余儀なくされます。この動的な行動は、探索プロセスを自然にバランスさせます。

歴史学

2019年にイスファハン大学のAli Asghar Heidariと同僚によって開発されたHHOは、Future Generation Computer Systems誌に掲載されました。このアルゴリズムは、ハリスホーク(Parabuteo unicinctus)の行動研究、特に集団での協調狩猟や獲物が抵抗する際の動的な逃走戦略の詳細な研究から着想を得ています。その強力な経験的性能により、新しいメタヒューリスティックを評価するための参照点として急速に確立されました。

使うべき場面

目的関数を評価するのが高価であるか、複数の局所的最適解を含む連続最適化問題にHHOを適用します。特に工学設計最適化、パラメータ推定、機械学習ハイパーパラメータ調整に有効です。洗練された探索行動が利点をもたらす中〜高次元問題に最も適しています。

限界と注意点

  • 複雑な追跡計算のため、反復あたりの計算コストが高い
  • 問題のランドスケープによって性能が異なり、経験的な検証が必要
  • アルゴリズムは1000次元を超える非常に高次元の問題では苦戦する可能性があります

出典に示された条件は、独立した科学的レビューや分析エンジンによる検証の代わりにはなりません。

強み

  • 探索から活用への移行を自然に行う洗練された逃走エネルギーメカニズム
  • 多様な攻撃パターンを実現する2つの補完的な戦略(浅い急降下と挟み撃ち)
  • PSOや遺伝的アルゴリズムと比較して、多くのベンチマーク関数で優れた性能を発揮
  • 競合するメタヒューリスティックと比較してハイパーパラメータが少なく、実装が容易

応用

  • 電力システム最適化:電力網における発電スケジューリングと経済的配分の最適化
  • 機械学習:ニューラルネットワークアーキテクチャの調整とトレーニングハイパーパラメータの最適化による精度向上
  • 構造設計:制約下での建築構成、橋梁設計、機械構造の最適化
  • 画像処理:医用画像のための特徴選択と強調フィルターパラメータの最適化
  • 無線センサーネットワーク:ネットワークカバレッジのためのノード配置と送信電力の最適化
  • ポートフォリオ最適化:リスク管理を行いながらリターンを最大化するための資産配分の選択

使い方

使い方

1

探索空間全体に分散したホークの初期集団を生成し、候補解を表します。

2

ホークはランダムに位置に止まり(探索フェーズ)、地形を調査し、有望な領域を特定します。

3

獲物が検出されると、ホークは獲物の逃走エネルギーに基づいて変化する攻撃パターンを持つ追跡モードに移行します。

4

各ホークの位置の適合度を評価し、見つかった最良の解を更新します。

よくある落とし穴

  • 逃走エネルギーの減衰を過度に速く設定すると、アルゴリズムが早期に活用に固定される可能性があります
  • 狭い領域に集団を初期化すると、探索能力が著しく制限されます
  • 探索空間を適切にスケーリングしないと、非効率的なサンプリングと収束失敗につながる可能性があります

よくある質問

ハリスホーク最適化における逃走エネルギーとは何ですか、またどのように機能しますか?

逃走エネルギーは、獲物が捕獲を回避する能力を表し、反復ごとに線形に減少します。逃走エネルギーが高い場合、ホークはランダムな止まり場による探索を採用します。エネルギーが減少すると、ホークは協調攻撃(挟み撃ちまたは浅い急降下)による活用に移行します。この動的なメカニズムは、明示的なパラメータ調整を必要とせずに、探索と活用のバランスを自動的に取ります。

HHOは粒子群最適化(PSO)と比較してどうですか?

HHOはエネルギーベースの探索遷移と2つの異なる攻撃戦略を使用しており、PSOの速度ベースの移動よりも豊かな行動多様性を提供します。HHOは通常、多峰性問題でより速い収束を示しますが、反復あたりの計算コストが高くなる可能性があります。

HHOは離散最適化問題を扱えますか?

HHOは本質的に連続最適化のために設計されています。離散問題に対しては、適切な離散化マッピング(例:丸め処理や閾値ベースの変換)を適用して連続解を離散変数に変換しますが、離散問題専用アルゴリズムと比較して性能が低下する可能性があります。

HHOにはどのくらいの集団サイズを使用すべきですか?

典型的な集団サイズは10〜40個体ですが、集団サイズが大きいほど探索は向上しますが計算コストは増加します。30羽のホークから開始し、特定の問題に対する収束速度と解の質に基づいて調整してください。

関連する手法

参考文献

  1. 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.

    DOI 文献を開く
    コピーしました。