อัลกอริทึม Aquila Optimizer
- ผู้เสนอ
- Laith Abualigah
- ปี
- 2021
- ประเภท
- Nature-inspired metaheuristic algorithm
- กลุ่มวิธี
- Swarm Intelligence
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
Aquila Optimizer (AO) เป็นอัลกอริทึมเมตาฮิวริสติกที่ได้รับแรงบันดาลใจจากธรรมชาติ นำเสนอโดย Abualigah และคณะในปี 2021 โดยจำลองพฤติกรรมการล่าและความสามารถทางประสาทสัมผัสของนกอินทรีทอง (aquila chrysaetos) อัลกอริทึมนี้จับภาพช่วงการสำรวจและการใช้ประโยชน์ของพฤติกรรมการล่าของนกอินทรี รวมถึงการร่อนในระดับสูง การสำรวจด้วยการมองเห็นที่แม่นยำสูง และการโจมตีแบบพุ่งลงอย่างรวดเร็ว AO ถูกออกแบบมาเพื่อแก้ปัญหาการหาค่าเหมาะสมทั้งแบบมีเงื่อนไขและไม่มีเงื่อนไข
แนวคิดเบื้องหลังวิธีการ
นกอินทรีทองแสดงประสิทธิภาพการล่าที่ยอดเยี่ยมผ่านการร่อนในระดับสูงเพื่อสแกนพื้นที่กว้าง การระบุเป้าหมายที่แม่นยำโดยใช้การมองเห็นที่เหนือกว่า และการโจมตีแบบพุ่งลงอย่างรวดเร็วพร้อมการควบคุมที่น่าทึ่ง อัลกอริทึมนี้ได้แปลงพฤติกรรมเหล่านี้เป็นการดำเนินการทางคณิตศาสตร์: นกอินทรีสำรวจปริภูมิการค้นหาที่ 'ระดับความสูง' สูง (การสำรวจในวงกว้าง) จากนั้นจึงเปลี่ยนไปสู่การใช้ประโยชน์อย่างเข้มข้นเมื่อเข้าใกล้เหยื่อ (การปรับปรุงเฉพาะที่) นวัตกรรมที่สำคัญคือการรวมอัตราส่วนการสำรวจและการใช้ประโยชน์หลายแบบที่สร้างสมดุลให้กับการค้นหา ทำให้สามารถปรับให้เข้ากับลักษณะปัญหาที่แตกต่างกัน
ประวัติศาสตร์
อัลกอริทึม Aquila Optimizer ถูกนำเสนอโดย Laith Abualigah และเพื่อนร่วมงานที่ University of Huddersfield ในปี 2021 และได้รับการตีพิมพ์ในวารสาร Computers and Industrial Engineering อัลกอริทึมนี้ได้รับการพัฒนาขึ้นเป็นส่วนหนึ่งของการวิจัยอย่างต่อเนื่องเกี่ยวกับอัลกอริทึมการหาค่าเหมาะสมที่ได้รับแรงบันดาลใจจากธรรมชาติ และได้รับแรงบันดาลใจจากหลักการชีวเลียนแบบพฤติกรรมของนกล่าเหยื่อ การทดสอบเกณฑ์มาตรฐานอย่างกว้างขวางและการศึกษาการประยุกต์ใช้ในโลกแห่งความเป็นจริงแสดงให้เห็นถึงประสิทธิภาพที่แข่งขันได้ในกลุ่มปัญหาที่หลากหลาย
ควรใช้เมื่อใด
นำ AO ไปใช้กับปัญหาการหาค่าเหมาะสมแบบต่อเนื่อง รวมถึงการออกแบบทางวิศวกรรม การหาค่าเหมาะสมของพารามิเตอร์ไฮเปอร์พารามิเตอร์ของแมชชีนเลิร์นนิง และการเลือกคุณลักษณะ มีประสิทธิภาพเป็นพิเศษสำหรับปัญหาที่มีค่าเหมาะสมเฉพาะที่หลายค่าและฟังก์ชันวัตถุประสงค์ที่มีค่าใช้จ่ายสูง เหมาะสำหรับทั้งงานหาค่าเหมาะสมขนาดเล็กถึงขนาดใหญ่ที่ไม่สามารถหาข้อมูลเกรเดียนต์ได้
ข้อจำกัดและข้อควรพิจารณา
- อัลกอริทึมที่ค่อนข้างใหม่พร้อมการตรวจสอบเชิงประจักษ์ระยะยาวที่จำกัดเมื่อเทียบกับวิธีการที่จัดตั้งขึ้น
- ประสิทธิภาพอาจแตกต่างกันอย่างมากในโดเมนและภูมิทัศน์ของปัญหาที่แตกต่างกัน
- ความสามารถในการปรับขนาดกับปัญหาที่มีมิติสูงมากยังคงต้องได้รับการตรวจสอบอย่างละเอียด
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- สมดุลที่แข็งแกร่งระหว่างการสำรวจและการใช้ประโยชน์พร้อมกลไกการเปลี่ยนที่ปรับได้
- แสดงประสิทธิภาพที่แข่งขันได้หรือเหนือกว่าบนฟังก์ชันเกณฑ์มาตรฐานจำนวนมาก
- สามารถจัดการกับปัญหาการหาค่าเหมาะสมทั้งแบบต่อเนื่องและแบบไม่ต่อเนื่อง
- สูตรทางคณิตศาสตร์ที่เรียบง่ายพร้อมไฮเปอร์พารามิเตอร์น้อยที่สุดที่ต้องปรับแต่ง
การประยุกต์ใช้
- การเลือกคุณลักษณะ: การระบุคุณลักษณะที่เกี่ยวข้องมากที่สุดจากชุดข้อมูลทางการแพทย์และชีววิทยาที่มีมิติสูง
- การหาค่าเหมาะสมทางวิศวกรรม: การออกแบบการกำหนดค่าโครงสร้าง ระบบระบายความร้อน และส่วนประกอบทางกลที่เหมาะสมที่สุด
- แมชชีนเลิร์นนิง: การหาค่าเหมาะสมของไฮเปอร์พารามิเตอร์สำหรับ support vector machines, random forests และ neural networks
- ระบบพลังงานหมุนเวียน: การเพิ่มประสิทธิภาพแผงโซลาร์เซลล์และการกำหนดค่าเลย์เอาต์ฟาร์มกังหันลมที่เหมาะสมที่สุด
- การจัดกลุ่มข้อมูล: การปรับปรุงการเรียนรู้แบบไม่มีผู้สอนผ่านการหาค่าเหมาะสมของพารามิเตอร์คลัสเตอร์อัตโนมัติ
- การออกแบบเครือข่าย: การหาค่าเหมาะสมของโทโพโลยีเครือข่ายการสื่อสารและโปรโตคอลการกำหนดเส้นทางเพื่อประสิทธิภาพที่ดีขึ้น
วิธีการทำงาน
วิธีการทำงาน
กำหนดประชากรเริ่มต้นของตำแหน่งนกอินทรีแบบสุ่มกระจายในปริภูมิคำตอบ
นกอินทรีเคลื่อนที่เพื่อสำรวจภูมิภาคใหม่ๆ โดยใช้กลยุทธ์การค้นหาทั่วโลกที่ได้รับแรงบันดาลใจจากพฤติกรรมการร่อนและการลาดตระเวน
เมื่อการวนซ้ำดำเนินไป นกอินทรีจะเพิ่มความเข้มข้นในการค้นหาบริเวณรอบๆ คำตอบที่มีแนวโน้มดี โดยเปลี่ยนจากการสำรวจในวงกว้างไปสู่การใช้ประโยชน์ที่เข้มข้น
ประเมินค่าความเหมาะสมของตำแหน่งนกอินทรีแต่ละตัวและติดตามคำตอบที่ดีที่สุดที่ค้นพบ
ข้อผิดพลาดที่พบบ่อย
- การไม่สมดุลระหว่างพารามิเตอร์การสำรวจและการใช้ประโยชน์อาจนำไปสู่การลู่เข้าก่อนเวลาอันควร
- การใช้การกำหนดค่าเริ่มต้นแบบสุ่มสม่ำเสมอในปัญหาที่มีเงื่อนไขอาจทำให้เสียรอบการวนซ้ำในบริเวณที่ไม่สามารถทำได้
- การละเลยการปรับขนาดเฉพาะปัญหาอาจส่งผลให้การค้นหาในปริภูมิคำตอบไม่มีประสิทธิภาพ
คำถามที่พบบ่อย
อัลกอริทึม Aquila Optimizer สร้างสมดุลระหว่างการสำรวจและการใช้ประโยชน์อย่างไร?
AO ใช้อัตราส่วนที่ขึ้นอยู่กับการวนซ้ำซึ่งปรับระดับของการสำรวจเทียบกับการใช้ประโยชน์แบบไดนามิก ในช่วงแรกของการวนซ้ำจะเน้นการสำรวจในวงกว้างเพื่อหลีกเลี่ยงค่าเหมาะสมเฉพาะที่ ในขณะที่ช่วงหลังจะเข้มข้นรอบๆ คำตอบที่มีแนวโน้มดี กลไกการปรับตัวนี้เกิดขึ้นตามธรรมชาติจากการออกแบบอัลกอริทึมโดยไม่ต้องปรับแต่งอย่างชัดเจน
ความแตกต่างที่สำคัญระหว่าง AO และ Harris Hawks Optimization คืออะไร?
แม้ว่าทั้งสองจะเป็นอัลกอริทึมที่ได้รับแรงบันดาลใจจากนกล่าเหยื่อ AO จำลองพฤติกรรมของนกอินทรีด้วยหลายระยะของการสำรวจ-ใช้ประโยชน์ ในขณะที่ HHO มีพื้นฐานมาจากการล่าแบบร่วมมือของเหยี่ยวฮาร์ริส โดยทั่วไป AO แสดงความสามารถในการค้นหาทั่วโลกที่ดีกว่าเล็กน้อย ในขณะที่ HHO แสดงการใช้ประโยชน์เฉพาะที่ที่แข็งแกร่งกว่าผ่านการเคลื่อนไหวแบบคีมหนีบ
อัลกอริทึม Aquila Optimizer เหมาะสำหรับปัญหาที่มีเงื่อนไขหรือไม่?
ใช่ AO สามารถปรับให้เข้ากับปัญหาการหาค่าเหมาะสมที่มีเงื่อนไขได้ผ่านวิธีการลงโทษ (penalty methods) หรือเทคนิคการจัดการเงื่อนไข (constraint-handling techniques) คำตอบที่ไม่สามารถทำได้จะถูกลงโทษโดยการลดค่าความเหมาะสมลง ซึ่งจะนำทางการค้นหาไปยังบริเวณที่สามารถทำได้โดยธรรมชาติ
ขนาดประชากรที่เหมาะสมสำหรับอัลกอริทึม Aquila Optimizer คือเท่าใด?
ขนาดประชากรโดยทั่วไปอยู่ในช่วง 10-50 ตัว โดย 30 ถือเป็นจุดเริ่มต้นทั่วไป ประชากรที่มากขึ้นช่วยเพิ่มการสำรวจ แต่ก็เพิ่มต้นทุนการคำนวณด้วย ทดลองเชิงประจักษ์กับปัญหาเฉพาะของคุณเพื่อหาความสมดุลที่เหมาะสมที่สุดระหว่างคุณภาพของคำตอบและประสิทธิภาพการคำนวณ
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A., & Gandomi, A. H. (2021). Aquila optimizer: A novel meta-heuristic optimization algorithm. Computers and Industrial Engineering, 157, 107250.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว