Skip to content
Назад к результатам поиска

Алгоритм оптимизации африканских стервятников

Автор метода
Hossein Moghdani
Год
2020
Тип
Nature-inspired metaheuristic algorithm
Семейство
Swarm Intelligence

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Алгоритм оптимизации африканских стервятников (AVOA) — это метаэвристический алгоритм, представленный Могхдани и Салимифардом в 2020 году, вдохновленный поисковым и падальщическим поведением африканских стервятников.

Стервятники используют сложные стратегии сотрудничества для обнаружения падали на больших расстояниях, используя термические воздушные потоки и групповую динамику для эффективной навигации. AVOA переводит это коллективное охотничье поведение в эффективную структуру оптимизации.

Интуиция метода

Африканские стервятники демонстрируют замечательный кооперативный интеллект: они парят на большой высоте, выискивая пищу, сообщают об открытиях членам группы и сходятся к источникам пищи. Алгоритм моделирует это через множественные поведенческие аспекты: исследование включает парение по широким кругам для сканирования ландшафта, эксплуатация включает следование за соседями к перспективным решениям, а доводка включает интенсифицированный локальный поиск. Это иерархическое сотрудничество создает естественный баланс между глобальным поиском и локальной доводкой без явной настройки параметров.

История

Разработанный Хоссейном Могхдани и его коллегами из Университета Харазми в 2020 году, AVOA был опубликован в Applied Soft Computing. Алгоритм был вдохновлен детальными исследованиями поведения африканских стервятников (Gyps africanus) в отношении падальщичества и их сложных механизмов сотрудничества. Алгоритм представляет последние достижения в области биоинспирированной оптимизации и демонстрирует высокую конкурентную производительность.

Когда применять

Применять AVOA к задачам непрерывной оптимизации с множественными целями и ограничениями. Особенно эффективен для инженерного проектирования, оптимизации гиперпараметров машинного обучения и оптимизации сложных функций. Подходит, когда требуется как надежный глобальный поиск, так и хорошая локальная эксплуатация.

Ограничения и замечания

  • Более сложная реализация по сравнению с более простыми метаэвристиками
  • Множественные поведенческие фазы вводят дополнительные гиперпараметры, требующие настройки
  • Вычислительная стоимость одной итерации выше из-за моделирования парного взаимодействия

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Сложная многофазная стратегия поиска, основанная на естественной групповой динамике и сотрудничестве
  • Эффективный баланс между глобальным исследованием и локальной эксплуатацией без явной настройки
  • Высокая эмпирическая производительность на разнообразных эталонных функциях и реальных задачах
  • Естественная способность обрабатывать ограничения посредством адаптации поведения

Применение

  • Инженерия энергетических систем: оптимизация графиков выработки электроэнергии и экономическое распределение
  • Машинное обучение: оптимизация архитектуры нейронных сетей и настройка гиперпараметров
  • Структурная оптимизация: проектирование конструкций, минимизирующих вес при соблюдении требований прочности
  • Обработка изображений: оптимизация параметров обнаружения границ и извлечения признаков
  • Задачи планирования: определение оптимального планирования проектов и распределения ресурсов
  • Инженерная экология: оптимизация параметров систем контроля загрязнения и сокращения выбросов

Как это работает

Как это работает

1

Инициализировать популяцию стервятников, распределенных по пространству поиска, представляющих собой кандидатные решения.

2

Стервятники парят и ищут независимо по всему пространству, исследуя новые области и обнаруживая перспективные зоны.

3

Стервятники следят друг за другом и следуют за компаньонами, движущимися к лучшим решениям, обмениваясь информацией о перспективных регионах.

4

Обновить все позиции стервятников на основе динамики исследования и сотрудничества, сохранить запись лучшего решения.

Частые ошибки

  • Чрезмерное следование за лучшим решением может привести к преждевременной сходимости
  • Недостаточное исследование на ранних итерациях ограничивает обнаружение хороших областей решений
  • Неправильный баланс между одиночным поиском и групповой координацией снижает эффективность

Часто задаваемые вопросы

Чем отличается совместный поиск AVOA от других роевых алгоритмов?

AVOA явно моделирует групповое общение и сотрудничество, где стервятники обмениваются информацией о перспективных решениях. Этот механизм сотрудничества более сложен, чем простые методы, основанные на притяжении, что обеспечивает более эффективное совместное исследование.

Каковы основные поведенческие фазы в AVOA?

AVOA включает три основные фазы: независимое исследование (парение и поиск), совместное движение (следование за компаньонами к лучшим решениям) и доводка (интенсифицированный локальный поиск в перспективных регионах). Эти фазы динамически переходят друг в друга во время оптимизации.

Как AVOA обрабатывает мультимодальные задачи с множеством локальных оптимумов?

Фаза независимого исследования позволяет стервятникам обнаруживать несколько перспективных областей, в то время как фаза сотрудничества распространяет эту информацию по всей популяции. Эта комбинация предотвращает преждевременную сходимость к одному локальному оптимуму, способствуя сходимости к глобальному оптимуму.

Какой размер популяции рекомендуется для AVOA?

Типичные размеры популяций варьируются от 20 до 50 стервятников. Большие популяции улучшают качество исследования, но увеличивают вычислительную стоимость. Начните с 30 стервятников и корректируйте в зависимости от размерности задачи и доступных вычислительных ресурсов.

Похожие методы

Источники

  1. Moghdani, H., & Salimifard, K. (2020). Volleyball player optimizer and African vultures optimization algorithms for solving global optimization problems. Applied Soft Computing, 97, 106794.

    Открыть ссылку на публикацию
    Скопировано.