Оптимизация с помощью ястребов Харриса
- Автор метода
- Ali Asghar Heidari
- Год
- 2019
- Тип
- Nature-inspired metaheuristic algorithm
- Семейство
- Swarm Intelligence
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Оптимизация с помощью ястребов Харриса (HHO) — это метаэвристический алгоритм, представленный Хейдари и др. в 2019 году, вдохновленный охотничьими стратегиями ястребов Харриса.
Алгоритм моделирует кооперативное охотничье поведение и стратегии ухода этих хищных птиц для решения сложных задач оптимизации. HHO балансирует исследование через выжидание и эксплуатацию через динамическое преследование, что делает его эффективным для мультимодальной и высокоразмерной оптимизации.
Интуиция метода
Ястребы Харриса известны своей интеллектуальной кооперативной охотой, внезапными атаками и маневрами ухода при преследовании добычи. Алгоритм переводит это поведение в математические операции: ястребы выжидают на высоких позициях для поиска добычи (исследование), затем преследуют и атакуют с использованием скоординированных стратегий (эксплуатация). Ключевая идея — концепция энергии ухода: по мере снижения энергии добычи вероятность ухода меняется, заставляя ястребов корректировать угол атаки от пологого пикирования до внезапного клещевого захвата. Это динамическое поведение естественным образом балансирует процесс поиска.
История
Разработанный Али Асгаром Хейдари и его коллегами из Университета Исфахана в 2019 году, HHO был опубликован в Future Generation Computer Systems. Алгоритм черпал вдохновение из детальных поведенческих исследований ястребов Харриса (Parabuteo unicinctus), в частности, их кооперативной охоты в группах и динамических стратегий ухода при сопротивлении добычи. Он быстро стал ориентиром для оценки новых метаэвристик благодаря своей высокой эмпирической производительности.
Когда применять
Применять HHO к задачам непрерывной оптимизации, где целевая функция дорога для оценки или содержит множество локальных оптимумов. Особенно эффективен для оптимизации инженерных конструкций, оценки параметров и настройки гиперпараметров машинного обучения. Наиболее подходит для задач средней и высокой размерности, где сложное поисковое поведение дает преимущества.
Ограничения и замечания
- Вычислительная стоимость одной итерации выше из-за сложных расчетов преследования
- Производительность варьируется на разных ландшафтах задач; требует эмпирической проверки
- Алгоритм может испытывать трудности с задачами очень высокой размерности (свыше 1000 измерений)
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Сложный механизм энергии ухода, который естественным образом переходит от исследования к эксплуатации
- Две взаимодополняющие стратегии (пологое пикирование и клещевой захват) для разнообразных моделей атаки
- Превосходная производительность на многих эталонных функциях по сравнению с PSO и генетическими алгоритмами
- Меньше гиперпараметров, чем у некоторых конкурирующих метаэвристик, что упрощает реализацию
Применение
- Оптимизация энергосистем: оптимизация графиков генерации электроэнергии и экономического диспетчирования в электрических сетях
- Машинное обучение: настройка архитектур нейронных сетей и гиперпараметров обучения для повышения точности
- Структурное проектирование: оптимизация конфигураций зданий, конструкций мостов и механических конструкций с учетом ограничений
- Обработка изображений: оптимизация параметров отбора признаков и фильтров улучшения для медицинской визуализации
- Беспроводные сенсорные сети: оптимизация размещения узлов и мощности передачи для покрытия сети
- Оптимизация портфеля: выбор распределения активов для максимизации доходности при управлении рисками
Как это работает
Как это работает
Создать начальную популяцию ястребов, распределенных по пространству поиска, представляющих собой кандидатные решения.
Ястребы случайным образом выжидают на позициях (фаза исследования) для обзора местности и выявления перспективных областей.
При обнаружении добычи ястребы переходят в режим преследования с моделями атаки, которые варьируются в зависимости от энергии ухода добычи.
Оценить пригодность для каждой позиции ястреба и обновить лучшее найденное решение.
Частые ошибки
- Слишком агрессивное снижение энергии ухода может преждевременно зафиксировать алгоритм в режиме эксплуатации
- Инициализация популяции в узкой области сильно ограничивает возможности исследования
- Неправильное масштабирование пространства поиска может привести к неэффективной выборке и сбою сходимости
Часто задаваемые вопросы
Что такое энергия ухода в оптимизации с помощью ястребов Харриса и как она работает?
Энергия ухода представляет собой способность добычи избежать захвата и линейно уменьшается с течением итераций. Когда энергия ухода высока, ястребы используют исследование со случайным выжиданием. По мере снижения энергии ястребы переходят к эксплуатации с помощью скоординированных атак (клещевой захват или пологое пикирование). Этот динамический механизм автоматически балансирует исследование и эксплуатацию без необходимости явной настройки параметров.
Как HHO сравнивается с оптимизацией роем частиц?
HHO использует переходы поиска на основе энергии с двумя различными стратегиями атаки, обеспечивая более богатое поведенческое разнообразие, чем движение частиц на основе скорости в PSO. HHO обычно демонстрирует более быструю сходимость на мультимодальных задачах, но может быть более вычислительно затратным на итерацию.
Может ли HHO обрабатывать задачи дискретной оптимизации?
HHO естественно разработан для непрерывной оптимизации. Для дискретных задач применяйте соответствующие дискретизирующие отображения (например, округление или преобразование на основе пороговых значений) для преобразования непрерывных решений в дискретные переменные, хотя производительность может снизиться по сравнению с алгоритмами, специфичными для дискретных задач.
Какой размер популяции следует использовать для HHO?
Типичные размеры популяции варьируются от 10 до 40 особей, причем большие популяции обеспечивают лучшее исследование при увеличении вычислительных затрат. Начните с 30 ястребов и корректируйте в зависимости от скорости сходимости и качества решения для вашей конкретной задачи.
Похожие методы
Источники
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.
Открыть ссылку DOIСкопировано.