Оптимизатор "Орел" (Aquila Optimizer, AO)
- Автор метода
- Laith Abualigah
- Год
- 2021
- Тип
- Nature-inspired metaheuristic algorithm
- Семейство
- Swarm Intelligence
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Оптимизатор "Орел" (Aquila Optimizer, AO) — это метаэвристический алгоритм, вдохновленный природой, представленный Abualigah et al. в 2021 году.
Он моделирует охотничье поведение и сенсорные способности беркутов (aquila chrysaetos). Алгоритм охватывает фазы исследования (exploration) и эксплуатации (exploitation) охоты беркута, включая парение на большой высоте, разведку с высокой точностью зрения и стремительные пикирующие атаки. AO предназначен для решения как ограниченных, так и неограниченных задач оптимизации.
Интуиция метода
Беркуты демонстрируют исключительную эффективность охоты благодаря парению на большой высоте для сканирования обширных территорий, точному определению цели с помощью превосходного зрения и взрывным пикирующим атакам с выдающимся маневрированием. Алгоритм абстрагирует это поведение в математические операции: орлы исследуют пространство поиска на большой "высоте" (широкое исследование), затем переходят к интенсивной эксплуатации по мере приближения к добыче (локальное уточнение). Ключевым нововведением является использование нескольких соотношений исследования и эксплуатации, которые балансируют поиск, позволяя адаптироваться к различным характеристикам задачи.
История
Представленный Лаитом Абуалигой и его коллегами из Университета Хаддерсфилда в 2021 году, Оптимизатор "Орел" был опубликован в журнале Computers and Industrial Engineering. Алгоритм был разработан как часть текущих исследований в области алгоритмов оптимизации, вдохновленных природой, и основан на биомиметических принципах поведения хищных птиц. Обширное тестирование на эталонных задачах и исследования реальных приложений демонстрируют его конкурентоспособную производительность в различных классах задач.
Когда применять
Применять AO к задачам непрерывной оптимизации, включая проектирование в машиностроении, оптимизацию гиперпараметров машинного обучения и отбор признаков. Особенно эффективен для задач с множественными локальными оптимумами и дорогостоящими целевыми функциями. Подходит как для маломасштабных, так и для крупномасштабных задач оптимизации, где информация о градиенте недоступна.
Ограничения и замечания
- Относительно новый алгоритм с ограниченной долгосрочной эмпирической валидацией по сравнению с устоявшимися методами
- Производительность может значительно варьироваться в зависимости от различных предметных областей и ландшафтов задач
- Масштабируемость для задач с чрезвычайно высокой размерностью еще предстоит тщательно исследовать
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Сильный баланс между исследованием и эксплуатацией с адаптивными механизмами перехода
- Демонстрирует конкурентоспособную или превосходящую производительность на многочисленных эталонных функциях
- Способен обрабатывать как непрерывные, так и дискретные варианты задач оптимизации
- Простая математическая формулировка с минимальным количеством гиперпараметров, требующих настройки
Применение
- Отбор признаков: выявление наиболее релевантных признаков из высокоразмерных медицинских и биологических наборов данных
- Инженерная оптимизация: проектирование оптимальных конструктивных конфигураций, тепловых систем и механических компонентов
- Машинное обучение: оптимизация гиперпараметров для машин опорных векторов, случайных лесов и нейронных сетей
- Системы возобновляемой энергетики: максимизация эффективности солнечных панелей и оптимизация конфигураций расположения ветряных электростанций
- Кластеризация данных: улучшение обучения без учителя путем автоматической оптимизации параметров кластеризации
- Проектирование сетей: оптимизация топологии сетей связи и протоколов маршрутизации для повышения производительности
Как это работает
Как это работает
Инициализировать популяцию позиций орлов, случайно распределенных в пространстве решений.
Орлы перемещаются для исследования новых областей, используя стратегии глобального поиска, вдохновленные поведением парения и разведки.
По мере прогрессирования итераций орлы интенсифицируют свой поиск вокруг перспективных решений, переходя от широкого исследования к концентрированной эксплуатации.
Оценить пригодность (fitness) каждой позиции орла и отслеживать лучшее найденное решение.
Частые ошибки
- Неправильный баланс между параметрами исследования и эксплуатации может привести к преждевременной сходимости
- Использование равномерной случайной инициализации в задачах с ограничениями может привести к потере итераций на недопустимых областях
- Пренебрежение масштабированием, специфичным для задачи, может привести к неэффективному поиску в пространстве решений
Часто задаваемые вопросы
Как Оптимизатор "Орел" балансирует исследование и эксплуатацию?
AO использует зависящие от итераций коэффициенты, которые динамически регулируют степень исследования по сравнению с эксплуатацией. Ранние итерации подчеркивают широкое исследование, чтобы избежать локальных оптимумов, в то время как поздние итерации концентрируются вокруг перспективных решений. Этот адаптивный механизм возникает естественным образом из дизайна алгоритма без явной настройки.
Каковы ключевые отличия AO от Оптимизатора Ястребов Харриса (Harris Hawks Optimization)?
Хотя оба являются алгоритмами, вдохновленными хищными птицами, AO моделирует поведение орла с несколькими фазами исследования-эксплуатации, тогда как HHO основан на кооперативной охоте ястребов Харриса. AO обычно демонстрирует несколько лучшую способность к глобальному поиску, в то время как HHO демонстрирует более сильную локальную эксплуатацию посредством маневров "клещей".
Подходит ли Оптимизатор "Орел" для задач с ограничениями?
Да, AO может быть адаптирован для оптимизации с ограничениями с помощью методов штрафов или техник обработки ограничений. Недопустимые решения штрафуются путем снижения их значений пригодности, что естественным образом направляет поиск к допустимым областям.
Какой разумный размер популяции для Оптимизатора "Орел"?
Размеры популяций обычно варьируются от 10 до 50 орлов, причем 30 является распространенной отправной точкой. Большие популяции улучшают исследование, но увеличивают вычислительные затраты. Эмпирически протестируйте свою конкретную задачу, чтобы найти оптимальный баланс между качеством решения и вычислительной эффективностью.
Похожие методы
Источники
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.
Открыть ссылку DOIСкопировано.