Aquila Optimizer
- Autor metody
- Laith Abualigah
- Rok
- 2021
- Typ
- Nature-inspired metaheuristic algorithm
- Rodzina
- Swarm Intelligence
Ten tekst jest tłumaczeniem maszynowym i nie został jeszcze sprawdzony. Przeczytaj oryginał po angielsku
Do czego służy?
Algorytm Aquila Optimizer (AO) to inspirowany naturą algorytm metaheurystyczny, zaprezentowany przez Abualigah i wsp. w 2021 roku, wzorowany na zachowaniach łowieckich i zdolnościach sensorycznych orłów przednich (aquila chrysaetos).
Algorytm ujmuje fazy eksploracji i eksploatacji polowania orła, w tym szybownictwo na dużych wysokościach, eksplorację z wysoką precyzją widzenia i szybkie ataki nurkowe. AO jest przeznaczony do rozwiązywania problemów optymalizacyjnych, zarówno z ograniczeniami, jak i bez nich.
Intuicja stojąca za metodą
Orły przednie wykazują wyjątkową skuteczność łowiecką dzięki szybownictwu na dużych wysokościach w celu skanowania rozległych terytoriów, precyzyjnemu lokalizowaniu celu dzięki doskonałemu wzrokowi oraz wybuchowym atakom nurkowym z niezwykłą zwinnością. Algorytm abstrahuje te zachowania do operacji matematycznych: orły eksplorują przestrzeń poszukiwań na dużej 'wysokości' (szeroka eksploracja), a następnie przechodzą do intensywnej eksploatacji, gdy zbliżają się do ofiary (lokalne udoskonalenie). Kluczową innowacją jest włączenie wielu współczynników eksploracji i eksploatacji, które równoważą poszukiwania, umożliwiając adaptację do różnych charakterystyk problemu.
Historia
Wprowadzony przez Laitha Abualigah i współpracowników z University of Huddersfield w 2021 roku, Aquila Optimizer został opublikowany w czasopiśmie Computers and Industrial Engineering. Algorytm został opracowany w ramach bieżących badań nad inspirowanymi naturą algorytmami optymalizacyjnymi i czerpie z biomimetycznych zasad zachowań ptaków drapieżnych. Obszerne testy porównawcze i badania zastosowań w świecie rzeczywistym demonstrują jego konkurencyjną wydajność w różnych klasach problemów.
Kiedy stosować
Zastosuj AO do ciągłych problemów optymalizacyjnych, w tym projektowania inżynierskiego, optymalizacji hiperparametrów uczenia maszynowego i selekcji cech. Szczególnie skuteczny w problemach z wieloma lokalnymi optimami i kosztownymi funkcjami celu. Odpowiedni zarówno dla małych, jak i dużych zadań optymalizacyjnych, gdzie informacja o gradiencie jest niedostępna.
Ograniczenia i uwagi
- Stosunkowo nowy algorytm z ograniczoną długoterminową walidacją empiryczną w porównaniu do ugruntowanych metod
- Wydajność może się znacznie różnić w zależności od domen problemowych i krajobrazów
- Skalowalność do problemów o ekstremalnie wysokiej wymiarowości pozostaje do dokładnego zbadania
Warunki podane w źródle nie zastępują niezależnego przeglądu naukowego ani walidacji przez silnik analityczny.
Mocne strony
- Silna równowaga między eksploracją a eksploatacją z adaptacyjnymi mechanizmami przejścia
- Demonstruje konkurencyjną lub lepszą wydajność na licznych funkcjach wzorcowych
- Zdolność do obsługi zarówno ciągłych, jak i dyskretnych wariantów problemów optymalizacyjnych
- Prosta formuła matematyczna z minimalną liczbą hiperparametrów wymagających dostrojenia
Zastosowania
- Selekcja cech: identyfikacja najbardziej istotnych cech z wysokowymiarowych zbiorów danych medycznych i biologicznych
- Optymalizacja inżynierska: projektowanie optymalnych konfiguracji konstrukcyjnych, systemów termicznych i komponentów mechanicznych
- Uczenie maszynowe: optymalizacja hiperparametrów dla maszyn wektorów nośnych, lasów losowych i sieci neuronowych
- Systemy energii odnawialnej: maksymalizacja wydajności paneli słonecznych i optymalizacja konfiguracji układu farm wiatrowych
- Klasteryzacja danych: poprawa uczenia nienadzorowanego poprzez automatyczną optymalizację parametrów klastrów
- Projektowanie sieci: optymalizacja topologii sieci komunikacyjnych i protokołów routingu w celu poprawy wydajności
Jak to działa
Jak to działa
Zainicjuj populację pozycji orłów losowo rozmieszczonych w przestrzeni rozwiązań.
Orły przemieszczają się, aby eksplorować nowe regiony, używając globalnych strategii poszukiwań inspirowanych zachowaniami szybownictwa i rozpoznania.
W miarę postępu iteracji orły intensyfikują swoje poszukiwania wokół obiecujących rozwiązań, przechodząc od szerokiej eksploracji do skoncentrowanej eksploatacji.
Oceń wartość funkcji celu (fitness) każdej pozycji orła i śledź najlepsze odkryte rozwiązanie.
Częste pułapki
- Niewłaściwa równowaga między parametrami eksploracji i eksploatacji może prowadzić do przedwczesnej zbieżności
- Użycie jednorodnej losowej inicjalizacji w problemach z ograniczeniami może marnować iteracje na niedopuszczalnych regionach
- Zaniedbanie skalowania specyficznego dla problemu może skutkować nieefektywnym przeszukiwaniem przestrzeni rozwiązań
Najczęściej zadawane pytania
Jak Aquila Optimizer równoważy eksplorację i eksploatację?
AO wykorzystuje współczynniki zależne od iteracji, które dynamicznie dostosowują stopień eksploracji w stosunku do eksploatacji. Wczesne iteracje kładą nacisk na szeroką eksplorację, aby uniknąć lokalnych optimów, podczas gdy późniejsze iteracje koncentrują się wokół obiecujących rozwiązań. Ten mechanizm adaptacyjny wyłania się naturalnie z projektu algorytmu bez potrzeby jawnego dostrajania.
Jakie są kluczowe różnice między AO a Harris Hawks Optimization?
Chociaż oba algorytmy są inspirowane ptakami drapieżnymi, AO modeluje zachowanie orłów z wieloma fazami eksploracji-eksploatacji, podczas gdy HHO opiera się na kooperacyjnym polowaniu jastrzębi Harris. AO zazwyczaj wykazuje nieco lepszą zdolność do globalnego przeszukiwania, podczas gdy HHO demonstruje silniejszą lokalną eksploatację poprzez manewry szczypiec.
Czy Aquila Optimizer nadaje się do problemów z ograniczeniami?
Tak, AO można dostosować do optymalizacji z ograniczeniami za pomocą metod kary lub technik obsługi ograniczeń. Niedopuszczalne rozwiązania są karane poprzez obniżenie ich wartości funkcji celu, co naturalnie kieruje poszukiwania w stronę dopuszczalnych regionów.
Jaki jest rozsądny rozmiar populacji dla Aquila Optimizer?
Rozmiary populacji zazwyczaj wahają się od 10-50 orłów, przy czym 30 jest często punktem wyjścia. Większe populacje poprawiają eksplorację, ale zwiększają koszt obliczeniowy. Empirycznie przetestuj swój konkretny problem, aby znaleźć optymalną równowagę między jakością rozwiązania a wydajnością obliczeniową.
Pokrewne metody
Źródła
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.
Otwórz odnośnik DOISkopiowano.