Skip to content
Voltar aos resultados

Otimização Harris Hawks (HHO)

Proposto por
Ali Asghar Heidari
Ano
2019
Tipo
Nature-inspired metaheuristic algorithm
Família
Swarm Intelligence

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

A Otimização Harris Hawks (HHO) é um algoritmo meta-heurístico introduzido por Heidari et al. em 2019, inspirado nas estratégias de caça dos gaviões-de-harris.

O algoritmo modela o comportamento cooperativo de caça e as estratégias de fuga dessas aves de rapina para resolver problemas complexos de otimização. O HHO equilibra a exploração através do pouso e a explotação através da perseguição dinâmica, tornando-o eficaz para otimização multimodal e de alta dimensionalidade.

A intuição por trás do método

Os gaviões-de-harris são conhecidos por sua caça cooperativa inteligente, ataques súbitos e manobras de fuga ao perseguir presas. O algoritmo traduz esse comportamento em operações matemáticas: os gaviões pousam em posições elevadas para procurar presas (exploração), depois perseguem e atacam com estratégias coordenadas (explotação). A principal percepção é o conceito de energia de fuga — à medida que a energia da presa diminui, a probabilidade de fuga muda, forçando os gaviões a ajustar seu ângulo de ataque de um mergulho raso para uma manobra surpresa de pinça. Esse comportamento dinâmico equilibra naturalmente o processo de busca.

História

Desenvolvido por Ali Asghar Heidari e colegas da Universidade de Isfahan em 2019, o HHO foi publicado na Future Generation Computer Systems. O algoritmo inspirou-se em estudos detalhados do comportamento dos gaviões-de-harris (Parabuteo unicinctus), particularmente sua caça cooperativa em grupos e estratégias dinâmicas de fuga quando a presa resiste. Rapidamente se tornou um ponto de referência para a avaliação de novos meta-heurísticos devido ao seu forte desempenho empírico.

Quando usar

Aplicar HHO a problemas de otimização contínua onde a função objetivo é cara de avaliar ou contém múltiplos ótimos locais. Particularmente eficaz para otimização de projeto de engenharia, estimação de parâmetros e ajuste de hiperparâmetros de aprendizado de máquina. Mais adequado para problemas de dimensionalidade moderada a alta, onde o comportamento de busca sofisticado oferece vantagens.

Limitações e considerações

  • O custo computacional por iteração é maior devido aos cálculos complexos de perseguição
  • O desempenho varia em diferentes paisagens de problemas; requer validação empírica
  • O algoritmo pode ter dificuldades com problemas de dimensionalidade muito alta, acima de 1000 dimensões

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Mecanismo sofisticado de energia de fuga que transita naturalmente da exploração para a explotação
  • Duas estratégias complementares (mergulho raso e manobra de pinça) para diversos padrões de ataque
  • Desempenho superior em muitas funções de benchmark em comparação com PSO e algoritmos genéticos
  • Menos hiperparâmetros do que alguns meta-heurísticos concorrentes, simplificando a implementação

Aplicações

  • Otimização de sistemas de energia: otimização do escalonamento de geração de energia e despacho econômico em redes elétricas
  • Aprendizado de máquina: ajuste de arquiteturas de redes neurais e hiperparâmetros de treinamento para melhoria da precisão
  • Projeto estrutural: otimização de configurações de edifícios, projetos de pontes e estruturas mecânicas sob restrições
  • Processamento de imagens: otimização de parâmetros de seleção de características e filtros de aprimoramento para imagens médicas
  • Redes de sensores sem fio: otimização da localização de nós e potência de transmissão para cobertura de rede
  • Otimização de portfólio: seleção de alocações de ativos para maximizar retornos enquanto gerencia o risco

Como funciona

Como funciona

1

Criar uma população inicial de gaviões distribuída pelo espaço de busca, representando soluções candidatas.

2

Gaviões pousam aleatoriamente em posições (fase de exploração) para inspecionar a paisagem e identificar regiões promissoras.

3

Quando a presa é detectada, os gaviões mudam para o modo de perseguição com padrões de ataque que variam com base na energia de fuga da presa.

4

Avaliar a aptidão para cada posição do gavião e atualizar a melhor solução encontrada.

Erros comuns

  • Definir a decadência da energia de fuga agressivamente demais pode prender prematuramente o algoritmo na explotação
  • Inicializar a população em uma região estreita limita severamente a capacidade de exploração
  • Não escalar o espaço de busca apropriadamente pode levar a amostragem ineficiente e falha na convergência

Perguntas frequentes

Qual é a energia de fuga na Otimização Harris Hawks e como ela funciona?

A energia de fuga representa a capacidade da presa de evitar a captura e diminui linearmente ao longo das iterações. Quando a energia de fuga é alta, os gaviões empregam exploração com pouso aleatório. À medida que a energia diminui, os gaviões mudam para explotação com ataques coordenados (manobra de pinça ou mergulho raso). Esse mecanismo dinâmico equilibra automaticamente a exploração e a explotação sem exigir ajuste explícito de parâmetros.

Como o HHO se compara à Otimização por Enxame de Partículas (PSO)?

O HHO usa transições de busca baseadas em energia com duas estratégias de ataque distintas, fornecendo maior diversidade comportamental do que o movimento baseado em velocidade do PSO. O HHO geralmente mostra convergência mais rápida em problemas multimodais, mas pode ser computacionalmente mais caro por iteração.

O HHO pode lidar com problemas de otimização discreta?

O HHO é naturalmente projetado para otimização contínua. Para problemas discretos, aplique mapeamentos de discretização apropriados (por exemplo, arredondamento ou conversão baseada em limiar) para transformar soluções contínuas em variáveis discretas, embora o desempenho possa ser reduzido em comparação com algoritmos específicos para problemas discretos.

Qual tamanho de população devo usar para HHO?

Tamanhos típicos de população variam de 10 a 40 indivíduos, com populações maiores proporcionando melhor exploração a um custo computacional aumentado. Comece com 30 gaviões e ajuste com base na velocidade de convergência e qualidade da solução para seu problema específico.

Métodos relacionados

Fontes

  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.

    Abrir referência DOI
    Copiado.