อัลกอริทึมการหาค่าเหมาะสมที่สุดโดยใช้นกแร้งแอฟริกา
- ผู้เสนอ
- Hossein Moghdani
- ปี
- 2020
- ประเภท
- Nature-inspired metaheuristic algorithm
- กลุ่มวิธี
- Swarm Intelligence
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
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
เริ่มต้นประชากรนกแร้งที่กระจายอยู่ทั่วปริภูมิการค้นหาซึ่งแสดงถึงโซลูชันที่เป็นไปได้
นกแร้งบินร่อนและค้นหาอย่างอิสระทั่วปริภูมิ สำรวจพื้นที่ใหม่และค้นพบพื้นที่ที่มีแนวโน้ม
นกแร้งเฝ้าดูซึ่งกันและกันและติดตามเพื่อนร่วมทางที่เคลื่อนที่ไปยังโซลูชันที่ดีกว่า โดยแบ่งปันข้อมูลเกี่ยวกับพื้นที่ที่มีแนวโน้ม
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
Moghdani, H., & Salimifard, K. (2020). Volleyball player optimizer and African vultures optimization algorithms for solving global optimization problems. Applied Soft Computing, 97, 106794.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้ว