Алгоритм арифметической оптимизации
- Автор метода
- Laith Abualigah
- Год
- 2020
- Тип
- Mathematical metaheuristic algorithm
- Семейство
- Mathematical Optimization
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Алгоритм арифметической оптимизации (AOA) — это метаэвристический оптимизационный подход, предложенный Abualigah et al. в 2020 году, который использует математические операторы (умножение, деление, сложение, вычитание) в качестве основы для стратегий поиска.
В отличие от алгоритмов, вдохновленных природой, AOA использует внутренние свойства арифметических операций для балансировки исследования и эксплуатации, что делает его особенно эффективным для задач математической оптимизации.
Интуиция метода
Основная идея AOA заключается в рассмотрении оптимизации как математического процесса, где арифметические операторы управляют поиском. Операторы умножения и деления широко распределяют решения по пространству поиска (исследование), в то время как операторы сложения и вычитания уточняют решения локально (эксплуатация). Эта математическая абстракция устраняет необходимость в биологических метафорах, сохраняя при этом эффективность. Алгоритм вероятностно выбирает между этими категориями операторов в зависимости от прогресса итерации, естественным образом переходя от исследования к эксплуатации.
История
Представленный Laith Abualigah и его сотрудниками в 2020 году, AOA был опубликован в журнале Applied Mathematics and Computation. Алгоритм представляет собой отход от чисто вдохновленных природой метаэвристик, вместо этого основывая теорию оптимизации на математических операциях. Этот подход обеспечивает свежий взгляд на проектирование алгоритмов и доказал свою эффективность в многочисленных эталонных задачах и практических приложениях.
Когда применять
Применяйте AOA как к непрерывным, так и к дискретным задачам оптимизации, особенно когда математические свойства задачи хорошо изучены. Эффективен для инженерного проектирования, настройки гиперпараметров машинного обучения и комбинаторных задач. Предпочтителен, когда приоритетами являются вычислительная простота и быстрая сходимость.
Ограничения и замечания
- Математическая абстракция может быть менее интуитивной, чем подходы, вдохновленные природой, для некоторых практиков
- Ограниченный теоретический анализ свойств сходимости по сравнению с классическими методами оптимизации
- Производительность на высокоразмерных задачах показывает переменные результаты в разных ландшафтах задач
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Простая математическая основа, не требующая биологического вдохновения или сложного моделирования поведения
- Математические операции вычислительно эффективны, снижая накладные расходы на итерацию
- Сильный баланс между исследованием и эксплуатацией за счет вероятностей выбора операторов
- Демонстрирует конкурентоспособную производительность на различных эталонных функциях и реальных задачах
Применение
- Строительная инженерия: оптимизация размеров балок, поперечных сечений и распределения материалов
- Машинное обучение: настройка весов нейронных сетей и членов смещения для улучшения сходимости и точности
- Задачи планирования: определение оптимального расписания задач и распределения ресурсов в производстве
- Аппроксимация функций: поиск оптимальных параметров для разложений по базисным функциям и интерполяции
- Оптимизация электрических сетей: минимизация потерь мощности и оптимизация обязательств генерирующих установок
- Управление портфелем: распределение инвестиций по активам для максимизации доходности с поправкой на риск
Как это работает
Как это работает
Создайте начальную популяцию решений-кандидатов, равномерно распределенных в пространстве поиска.
Примените операторы умножения и деления для генерации разнообразных новых решений и исследования неизученных областей.
Примените операторы сложения и вычитания для уточнения решений вокруг наилучшей найденной позиции.
Оцените приспособленность новых решений и обновите популяцию, а также трекер лучшего решения.
Частые ошибки
- Слишком агрессивные настройки вероятности операторов в сторону умножения/деления могут препятствовать сходимости
- Недостаточное исследование на ранних этапах оптимизации приводит к застреванию в локальных оптимумах
- Несоответствующее масштабирование переменных решения относительно границ пространства поиска влияет на эффективность поиска
Часто задаваемые вопросы
Почему умножение и деление используются для исследования в AOA?
Операции умножения и деления дают большие величины и более широкие дисперсии значений, заставляя решения распространяться по пространству поиска. Эта естественная дивергенция поддерживает исследование, предотвращая преждевременную концентрацию вокруг одной области.
Чем AOA отличается от генетических алгоритмов?
В то время как ГА использует отбор, кроссовер и мутацию, вдохновленные биологией, AOA использует арифметические операторы непосредственно в качестве механизмов поиска. AOA обычно сходится быстрее с меньшим количеством гиперпараметров, хотя ГА может более эффективно исследовать сильно нерегулярные ландшафты.
Может ли AOA обрабатывать дискретные задачи оптимизации?
Да, AOA может быть адаптирован для дискретных задач с помощью методов дискретизации, таких как округление непрерывных решений или отображение на индексы дискретных переменных. Однако для поддержания эффективности алгоритма необходима тщательная разработка стратегии применения операторов.
Какова вычислительная сложность AOA за одну итерацию?
AOA имеет линейную вычислительную сложность O(N*D) за одну итерацию, где N — размер популяции, а D — размерность задачи. Это делает его вычислительно эффективным по сравнению с алгоритмами, требующими попарных вычислений расстояний.
Похожие методы
Источники
Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A., & Gandomi, A. H. (2021). Arithmetic optimization algorithm: A new metaheuristic algorithm for solving optimization problems. Applied Mathematics and Computation, 392, 125450.
Открыть ссылку на публикациюСкопировано.