Skip to content
กลับไปยังผลการค้นหา

อัลกอริทึมการหาค่าเหมาะสมที่สุดโดยใช้นกแร้งแอฟริกา

ผู้เสนอ
Hossein Moghdani
ปี
2020
ประเภท
Nature-inspired metaheuristic algorithm
กลุ่มวิธี
Swarm Intelligence

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

อัลกอริทึมการหาค่าเหมาะสมที่สุดโดยใช้นกแร้งแอฟริกา (AVOA) เป็นอัลกอริทึมเมตาฮิวริสติกที่นำเสนอโดย Moghdani และ Salimifard ในปี 2020 โดยได้รับแรงบันดาลใจจากพฤติกรรมการค้นหาและหาอาหารของนกแร้งแอฟริกา นกแร้งใช้กลยุทธ์การทำงานร่วมกันที่ซับซ้อนเพื่อค้นหาซากสัตว์ในระยะทางไกล โดยใช้กระแสลมร้อนและพลวัตของกลุ่มในการนำทางอย่างมีประสิทธิภาพ AVOA แปลพฤติกรรมการล่าแบบรวมกลุ่มเหล่านี้ให้เป็นกรอบการหาค่าเหมาะสมที่มีประสิทธิภาพ

แนวคิดเบื้องหลังวิธีการ

นกแร้งแอฟริกาสาธิตความฉลาดในการทำงานร่วมกันที่น่าทึ่ง: พวกมันบินร่อนในระดับสูงเพื่อสแกนหาอาหาร สื่อสารการค้นพบไปยังสมาชิกในกลุ่ม และรวมตัวกันที่แหล่งอาหาร อัลกอริทึมจำลองสิ่งนี้ผ่านพฤติกรรมหลายอย่าง: การสำรวจเกี่ยวข้องกับการบินร่อนเป็นวงกว้างเพื่อสแกนภูมิทัศน์ การใช้ประโยชน์เกี่ยวข้องกับการติดตามเพื่อนบ้านไปยังโซลูชันที่มีแนวโน้ม และการปรับแต่งอย่างละเอียดเกี่ยวข้องกับการค้นหาเฉพาะที่ที่เข้มข้น การทำงานร่วมกันแบบลำดับชั้นนี้สร้างสมดุลตามธรรมชาติระหว่างการค้นหาทั่วโลกและการปรับปรุงเฉพาะที่โดยไม่ต้องปรับพารามิเตอร์อย่างชัดเจน

ประวัติศาสตร์

พัฒนาโดย Hossein Moghdani และเพื่อนร่วมงานที่มหาวิทยาลัย Kharazmi ในปี 2020 AVOA ได้รับการตีพิมพ์ในวารสาร Applied Soft Computing อัลกอริทึมได้รับแรงบันดาลใจจากการศึกษาพฤติกรรมโดยละเอียดของรูปแบบการหาอาหารของนกแร้งแอฟริกา (Gyps africanus) และกลไกการทำงานร่วมกันที่ซับซ้อนของพวกมัน อัลกอริทึมแสดงถึงความก้าวหน้าล่าสุดในการหาค่าเหมาะสมที่ได้รับแรงบันดาลใจจากชีววิทยา และแสดงประสิทธิภาพการแข่งขันที่แข็งแกร่ง

ควรใช้เมื่อใด

ใช้อัลกอริทึม AVOA กับปัญหาการหาค่าเหมาะสมแบบต่อเนื่องที่มีหลายวัตถุประสงค์และข้อจำกัด มีประสิทธิภาพเป็นพิเศษสำหรับการออกแบบทางวิศวกรรม การหาค่าเหมาะสมของไฮเปอร์พารามิเตอร์การเรียนรู้ของเครื่อง และการหาค่าเหมาะสมของฟังก์ชันที่ซับซ้อน เหมาะสมเมื่อต้องการทั้งการค้นหาทั่วโลกที่แข็งแกร่งและการใช้ประโยชน์เฉพาะที่ที่ดี

ข้อจำกัดและข้อควรพิจารณา

  • การใช้งานที่ซับซ้อนกว่าเมตาฮิวริสติกที่ง่ายกว่า
  • ขั้นตอนพฤติกรรมหลายอย่างแนะนำไฮเปอร์พารามิเตอร์เพิ่มเติมที่ต้องปรับแต่ง
  • ต้นทุนการคำนวณต่อรอบสูงกว่าเนื่องจากการจำลองการสื่อสารแบบคู่

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • กลยุทธ์การค้นหาหลายขั้นตอนที่ซับซ้อนซึ่งอิงตามพลวัตของกลุ่มและการทำงานร่วมกันตามธรรมชาติ
  • สมดุลที่มีประสิทธิภาพระหว่างการสำรวจทั่วโลกและการใช้ประโยชน์เฉพาะที่โดยไม่ต้องปรับแต่งอย่างชัดเจน
  • ประสิทธิภาพเชิงประจักษ์ที่แข็งแกร่งบนฟังก์ชันเกณฑ์มาตรฐานที่หลากหลายและปัญหาในโลกแห่งความเป็นจริง
  • ความสามารถตามธรรมชาติในการจัดการข้อจำกัดผ่านการปรับพฤติกรรม

การประยุกต์ใช้

  • วิศวกรรมระบบกำลัง: การหาค่าเหมาะสมของการจัดตารางการผลิตไฟฟ้าและการจัดส่งทางเศรษฐกิจ
  • การเรียนรู้ของเครื่อง: การหาค่าเหมาะสมสถาปัตยกรรมโครงข่ายประสาทเทียมและการปรับแต่งไฮเปอร์พารามิเตอร์
  • การหาค่าเหมาะสมโครงสร้าง: การออกแบบโครงสร้างที่ลดน้ำหนักในขณะที่ตรงตามข้อกำหนดความแข็งแรง
  • การประมวลผลภาพ: การหาค่าเหมาะสมพารามิเตอร์การตรวจจับขอบและการสกัดคุณลักษณะ
  • ปัญหาการจัดตารางเวลา: การกำหนดการจัดตารางโครงการและการจัดสรรทรัพยากรที่เหมาะสมที่สุด
  • วิศวกรรมสิ่งแวดล้อม: การหาค่าเหมาะสมพารามิเตอร์ระบบควบคุมมลพิษและการลดการปล่อยมลพิษ

วิธีการทำงาน

วิธีการทำงาน

1

เริ่มต้นประชากรนกแร้งที่กระจายอยู่ทั่วปริภูมิการค้นหาซึ่งแสดงถึงโซลูชันที่เป็นไปได้

2

นกแร้งบินร่อนและค้นหาอย่างอิสระทั่วปริภูมิ สำรวจพื้นที่ใหม่และค้นพบพื้นที่ที่มีแนวโน้ม

3

นกแร้งเฝ้าดูซึ่งกันและกันและติดตามเพื่อนร่วมทางที่เคลื่อนที่ไปยังโซลูชันที่ดีกว่า โดยแบ่งปันข้อมูลเกี่ยวกับพื้นที่ที่มีแนวโน้ม

4

อัปเดตตำแหน่งของนกแร้งทั้งหมดตามพลวัตของการสำรวจและการทำงานร่วมกัน รักษาบันทึกโซลูชันที่ดีที่สุด

ข้อผิดพลาดที่พบบ่อย

  • พฤติกรรมการติดตามมากเกินไปไปยังโซลูชันที่ดีที่สุดอาจทำให้เกิดการลู่เข้าก่อนเวลาอันควร
  • การสำรวจไม่เพียงพอในรอบแรกจำกัดการค้นพบพื้นที่โซลูชันที่ดี
  • สมดุลที่ไม่เหมาะสมระหว่างการค้นหาแบบโดดเดี่ยวและการประสานงานของกลุ่มลดประสิทธิภาพ

คำถามที่พบบ่อย

การค้นหาแบบร่วมมือของ AVOA แตกต่างจากอัลกอริทึมฝูงอื่นๆ อย่างไร?

AVOA จำลองการสื่อสารและการทำงานร่วมกันของกลุ่มอย่างชัดเจน โดยนกแร้งจะแบ่งปันข้อมูลเกี่ยวกับโซลูชันที่มีแนวโน้ม กลไกความร่วมมือนี้ซับซ้อนกว่าวิธีการที่อิงตามแรงดึงดูดอย่างง่าย ทำให้การสำรวจแบบร่วมมือมีประสิทธิภาพมากขึ้น

ขั้นตอนพฤติกรรมหลักใน AVOA คืออะไร?

AVOA ประกอบด้วยสามขั้นตอนหลัก: การสำรวจอิสระ (การบินร่อนและการค้นหา) การเคลื่อนที่ร่วมมือ (การติดตามเพื่อนร่วมทางไปยังโซลูชันที่ดีกว่า) และการปรับแต่ง (การค้นหาเฉพาะที่ที่เข้มข้นในบริเวณที่มีแนวโน้ม) ขั้นตอนเหล่านี้เปลี่ยนไปแบบไดนามิกในระหว่างการหาค่าเหมาะสม

AVOA จัดการกับปัญหาหลายรูปแบบที่มีจุดเหมาะสมเฉพาะที่จำนวนมากได้อย่างไร?

ขั้นตอนการสำรวจอิสระช่วยให้นกแร้งค้นพบพื้นที่ที่มีแนวโน้มหลายแห่ง ในขณะที่ขั้นตอนความร่วมมือจะแบ่งปันข้อมูลนี้ไปทั่วทั้งประชากร การผสมผสานนี้ป้องกันการลู่เข้าก่อนเวลาอันควรไปยังจุดเหมาะสมเฉพาะที่เพียงจุดเดียว ในขณะที่ยังคงลู่เข้าสู่จุดเหมาะสมทั่วโลก

แนะนำขนาดประชากรเท่าใดสำหรับ AVOA?

ขนาดประชากรทั่วไปมีตั้งแต่ 20-50 ตัว นกแร้งที่มีจำนวนมากขึ้นช่วยเพิ่มคุณภาพการสำรวจ แต่เพิ่มต้นทุนการคำนวณ เริ่มต้นด้วยนกแร้ง 30 ตัว และปรับตามมิติของปัญหาและทรัพยากรคอมพิวเตอร์ที่มีอยู่

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว