Алгоритм слизевиков
- Автор метода
- Shimin Li
- Год
- 2020
- Тип
- Nature-inspired metaheuristic algorithm
- Семейство
- Swarm Intelligence
Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском
Что он делает?
Алгоритм слизевиков (Slime Mould Algorithm, SMA) — это вдохновленный природой метаэвристический метод оптимизации, представленный Ли и соавт. в 2020 году.
Он имитирует поведение слизевиков, которые распространяются и сокращаются для поиска оптимальных источников пищи. SMA решает сложные задачи оптимизации, имитируя адаптивные стратегии поиска пищи и пространственного распределения этих организмов.
Интуиция метода
Слизевики демонстрируют замечательный коллективный интеллект, несмотря на отсутствие центральной нервной системы. Они распространяют псевдоподии (ветвеобразные структуры) для исследования окружающей среды и сокращаются при достижении источников питательных веществ. Алгоритм фиксирует это поведение посредством обновлений позиций, которые балансируют между исследованием (exploration) и эксплуатацией (exploitation): особи движутся к лучшим решениям с возрастающей уверенностью, и популяция постепенно концентрируется вокруг перспективных областей. Этот естественный адаптивный механизм обеспечивает эффективный глобальный поиск.
История
Представленный Шимином Ли и его коллегами из Университета Цзянсу в 2020 году, SMA возник в области биомиметических вычислений, вдохновленных наблюдением за поведением реального слизевика Physarum. Алгоритм был проверен на стандартных тестовых функциях и задачах инженерной оптимизации. Его простота и эффективность привели к быстрому внедрению в различные области применения, с многочисленными вариантами и улучшениями, опубликованными впоследствии.
Когда применять
Применяйте SMA к задачам непрерывной и дискретной оптимизации, где информация о градиенте недоступна. Он превосходно работает в мультимодальных ландшафтах с множеством локальных оптимумов. Подходит для инженерного проектирования, настройки параметров и отбора признаков, когда классические методы оптимизации неэффективны или вычислительно затратны.
Ограничения и замечания
- Производительность может ухудшаться на задачах очень высокой размерности из-за увеличения пространства поиска
- Скорость сходимости значительно варьируется в зависимости от характеристик ландшафта задачи
- Может потребоваться специфическая для задачи настройка для сложных инженерных приложений
Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.
Сильные стороны
- Отличный баланс между исследованием и эксплуатацией благодаря адаптивному весовому механизму
- Простая реализация с небольшим количеством настраиваемых гиперпараметров
- Демонстрирует быструю сходимость на ранних итерациях с эффективной способностью к глобальному поиску
- Применим как к задачам оптимизации с ограничениями, так и без них
Применение
- Машиностроение: оптимизация конструкций и конфигураций машин при множественных ограничениях
- Отбор признаков: выбор релевантных признаков в многомерных наборах данных для улучшения производительности моделей машинного обучения
- Настройка гиперпараметров нейронных сетей: поиск оптимальных скоростей обучения, размеров слоев и констант регуляризации
- Проектирование антенн: оптимизация геометрии и параметров антенн для систем связи
- Оптимизация цепочек поставок: определение уровней запасов и маршрутов распределения для минимизации затрат
- Распределение ресурсов: распределение ограниченных ресурсов по проектам для максимизации общей выгоды
Как это работает
Как это работает
Инициализируйте популяцию позиций слизевиков, случайно распределенных в пространстве поиска, и оцените их значения приспособленности.
Обновляйте позицию каждого слизевика на основе весовой функции, которая увеличивается по направлению к лучшему решению, в сочетании со случайными возмущениями для исследования.
Вычислите значение целевой функции для каждой новой позиции и сравните с предыдущими значениями приспособленности.
Повторяйте шаги обновления и оценки до достижения сходимости или максимального числа итераций.
Частые ошибки
- Преждевременная сходимость к локальным оптимумам, если весовой механизм слишком агрессивен на ранних этапах оптимизации
- Недостаточное исследование, когда начальная популяция слишком сконцентрирована в небольшой области
- Игнорирование надлежащего масштабирования переменных решения может привести к плохой производительности поиска
Часто задаваемые вопросы
Чем весовой механизм в SMA отличается от других метаэвристик, таких как PSO?
В отличие от PSO, который использует векторы скорости, SMA применяет убывающий со временем вес, который способствует эксплуатации по мере выполнения итераций. Эта адаптивная стратегия естественным образом балансирует исследование и эксплуатацию, не требуя отдельных параметров для когнитивных и социальных компонентов.
Подходит ли SMA для решения задач оптимизации с ограничениями?
Да, SMA может обрабатывать ограничения с помощью методов штрафных функций или методов обработки ограничений. Недопустимые решения получают пониженные значения приспособленности, направляя поиск в допустимую область.
Как мне установить размер популяции для моей задачи?
Начните с размера популяции, пропорционального размерности задачи, обычно 20-50 особей. Большие популяции улучшают глобальный поиск, но увеличивают вычислительные затраты. Используйте эмпирическое тестирование на вашей конкретной задаче, чтобы найти баланс.
Каково типичное поведение сходимости SMA?
SMA обычно демонстрирует быстрое улучшение на ранних итерациях благодаря сильному исследованию, за которым следует уточнение, поскольку весовой механизм все больше направляет решения к наилучшей найденной позиции.
Похожие методы
Источники
Li, S., Chen, H., Wang, M., Heidari, A. A., & Chakraborty, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323.
Открыть ссылку DOIСкопировано.