Skip to content
กลับไปยังผลการค้นหา

Harris Hawks Optimization

ผู้เสนอ
Ali Asghar Heidari
ปี
2019
ประเภท
Nature-inspired metaheuristic algorithm
กลุ่มวิธี
Swarm Intelligence

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

Harris Hawks Optimization (HHO) เป็นอัลกอริทึมเหนืออุดมคติ (metaheuristic algorithm) ที่พัฒนาขึ้นโดย Heidari และคณะ ในปี 2019 โดยได้รับแรงบันดาลใจจากกลยุทธ์การล่าของเหยี่ยวฮาร์ริส (Harris's hawks) อัลกอริทึมนี้จำลองพฤติกรรมการล่าร่วมกันและกลยุทธ์การหลบหนีของนกล่าเหยื่อเหล่านี้เพื่อแก้ปัญหาการหาค่าที่เหมาะสมที่สุดที่ซับซ้อน HHO สร้างสมดุลระหว่างการสำรวจ (exploration) ผ่านการเกาะคอนและการแสวงหาประโยชน์ (exploitation) ผ่านการไล่ล่าแบบไดนามิก ทำให้มีประสิทธิภาพสำหรับปัญหาการหาค่าที่เหมาะสมที่สุดที่มีหลายรูปแบบ (multimodal) และมีมิติสูง (high-dimensional)

แนวคิดเบื้องหลังวิธีการ

เหยี่ยวฮาร์ริสมีชื่อเสียงในด้านการล่าร่วมกันอย่างชาญฉลาด การโจมตีอย่างฉับพลัน และการหลบหลีกเมื่อไล่ล่าเหยื่อ อัลกอริทึมนี้แปลงพฤติกรรมดังกล่าวเป็นการดำเนินการทางคณิตศาสตร์: เหยี่ยวจะเกาะคอนในตำแหน่งสูงเพื่อสอดส่องหาเหยื่อ (การสำรวจ) จากนั้นจึงไล่ล่าและโจมตีด้วยกลยุทธ์ที่ประสานงานกัน (การแสวงหาประโยชน์) แนวคิดสำคัญคือแนวคิดเรื่องพลังงานในการหลบหนี (escape energy) — เมื่อพลังงานของเหยื่อลดลง ความน่าจะเป็นในการหลบหนีจะเปลี่ยนแปลงไป ทำให้เหยี่ยวต้องปรับมุมการโจมตีจากการดำดิ่งแบบตื้นไปสู่การโอบล้อมแบบไม่ทันตั้งตัว พฤติกรรมแบบไดนามิกนี้สร้างสมดุลให้กับกระบวนการค้นหาโดยธรรมชาติ

ประวัติศาสตร์

HHO พัฒนาโดย Ali Asghar Heidari และคณะ ที่มหาวิทยาลัย Isfahan ในปี 2019 และได้รับการตีพิมพ์ในวารสาร Future Generation Computer Systems อัลกอริทึมนี้ได้รับแรงบันดาลใจจากการศึกษาพฤติกรรมอย่างละเอียดของเหยี่ยวฮาร์ริส (Parabuteo unicinctus) โดยเฉพาะอย่างยิ่งการล่าร่วมกันเป็นกลุ่มและกลยุทธ์การหลบหนีแบบไดนามิกเมื่อเหยื่อต่อต้าน อัลกอริทึมนี้ได้กลายเป็นจุดอ้างอิงอย่างรวดเร็วสำหรับการประเมินอัลกอริทึมเหนืออุดมคติใหม่ๆ เนื่องจากประสิทธิภาพเชิงประจักษ์ที่แข็งแกร่ง

ควรใช้เมื่อใด

นำ HHO ไปใช้กับปัญหาการหาค่าที่เหมาะสมที่สุดแบบต่อเนื่อง (continuous optimization problems) ที่ฟังก์ชันวัตถุประสงค์มีค่าใช้จ่ายสูงในการประเมิน หรือมีค่าเหมาะสมที่สุดเฉพาะที่หลายค่า (multiple local optima) มีประสิทธิภาพอย่างยิ่งสำหรับการหาค่าที่เหมาะสมที่สุดในการออกแบบทางวิศวกรรม การประมาณค่าพารามิเตอร์ และการปรับแต่งไฮเปอร์พารามิเตอร์ (hyperparameter tuning) ของการเรียนรู้ของเครื่อง เหมาะที่สุดสำหรับปัญหาที่มีมิติปานกลางถึงสูง ซึ่งพฤติกรรมการค้นหาที่ซับซ้อนให้ประโยชน์

ข้อจำกัดและข้อควรพิจารณา

  • ต้นทุนการคำนวณต่อรอบการทำงานสูงกว่าเนื่องจากการคำนวณการไล่ล่าที่ซับซ้อน
  • ประสิทธิภาพแตกต่างกันไปในแต่ละลักษณะของปัญหา จำเป็นต้องมีการตรวจสอบเชิงประจักษ์ (empirical validation)
  • อัลกอริทึมอาจประสบปัญหาในปัญหาที่มีมิติสูงมากเกิน 1,000 มิติ

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • กลไกพลังงานในการหลบหนีที่ซับซ้อนซึ่งเปลี่ยนผ่านจากการสำรวจไปสู่การแสวงหาประโยชน์โดยธรรมชาติ
  • กลยุทธ์เสริมสองประการ (การดำดิ่งแบบตื้นและการโอบล้อม) สำหรับรูปแบบการโจมตีที่หลากหลาย
  • ประสิทธิภาพที่เหนือกว่าบนฟังก์ชันเกณฑ์มาตรฐานหลายฟังก์ชันเมื่อเทียบกับ PSO และอัลกอริทึมพันธุกรรม (genetic algorithms)
  • มีไฮเปอร์พารามิเตอร์น้อยกว่าอัลกอริทึมเหนืออุดมคติคู่แข่งบางชนิด ทำให้การนำไปใช้งานง่ายขึ้น

การประยุกต์ใช้

  • การหาค่าที่เหมาะสมที่สุดของระบบกำลัง (Power systems optimization): การจัดตารางการผลิตไฟฟ้าและการจัดส่งทางเศรษฐกิจ (economic dispatch) ในโครงข่ายไฟฟ้า
  • การเรียนรู้ของเครื่อง (Machine learning): การปรับแต่งสถาปัตยกรรมโครงข่ายประสาทเทียม (neural network architectures) และไฮเปอร์พารามิเตอร์การฝึกอบรมเพื่อเพิ่มความแม่นยำ
  • การออกแบบโครงสร้าง (Structural design): การหาค่าที่เหมาะสมที่สุดของการกำหนดค่าอาคาร การออกแบบสะพาน และโครงสร้างทางกลภายใต้ข้อจำกัด
  • การประมวลผลภาพ (Image processing): การเลือกคุณลักษณะ (feature selection) และการหาค่าที่เหมาะสมที่สุดของพารามิเตอร์ตัวกรองการปรับปรุงสำหรับภาพทางการแพทย์
  • เครือข่ายเซ็นเซอร์ไร้สาย (Wireless sensor networks): การหาค่าที่เหมาะสมที่สุดของการวางตำแหน่งโหนดและกำลังส่งเพื่อครอบคลุมเครือข่าย
  • การหาค่าที่เหมาะสมที่สุดของพอร์ตการลงทุน (Portfolio optimization): การเลือกการจัดสรรสินทรัพย์เพื่อเพิ่มผลตอบแทนสูงสุดในขณะที่จัดการความเสี่ยง

วิธีการทำงาน

วิธีการทำงาน

1

สร้างประชากรเริ่มต้นของเหยี่ยวที่กระจายตัวไปทั่วปริภูมิการค้นหา (search space) ซึ่งแสดงถึงคำตอบที่เป็นไปได้

2

เหยี่ยวเกาะคอนแบบสุ่มในตำแหน่งต่างๆ (ระยะการสำรวจ) เพื่อสำรวจสภาพแวดล้อมและระบุพื้นที่ที่มีแนวโน้ม

3

เมื่อตรวจพบเหยื่อ เหยี่ยวจะเปลี่ยนไปสู่โหมดการไล่ล่าด้วยรูปแบบการโจมตีที่แตกต่างกันไปตามพลังงานในการหลบหนีของเหยื่อ

4

ประเมินค่าความเหมาะสม (fitness) สำหรับตำแหน่งของเหยี่ยวแต่ละตัว และปรับปรุงคำตอบที่ดีที่สุดที่พบ

ข้อผิดพลาดที่พบบ่อย

  • การตั้งค่าการลดลงของพลังงานในการหลบหนีเร็วเกินไปอาจทำให้อัลกอริทึมเข้าสู่โหมดการแสวงหาประโยชน์ก่อนเวลาอันควร
  • การเริ่มต้นประชากรในบริเวณที่แคบจำกัดความสามารถในการสำรวจอย่างรุนแรง
  • การปรับสเกลปริภูมิการค้นหาไม่เหมาะสมอาจนำไปสู่การสุ่มตัวอย่างที่ไม่มีประสิทธิภาพและความล้มเหลวในการลู่เข้า (convergence failure)

คำถามที่พบบ่อย

พลังงานในการหลบหนีใน Harris Hawks Optimization คืออะไร และทำงานอย่างไร?

พลังงานในการหลบหนีแสดงถึงความสามารถของเหยื่อในการหลีกเลี่ยงการถูกจับ และลดลงเป็นเส้นตรงตามรอบการทำงาน เมื่อพลังงานในการหลบหนีสูง เหยี่ยวจะใช้การสำรวจด้วยการเกาะคอนแบบสุ่ม เมื่อพลังงานลดลง เหยี่ยวจะเปลี่ยนไปสู่การแสวงหาประโยชน์ด้วยการโจมตีที่ประสานงานกัน (การโอบล้อม หรือ การดำดิ่งแบบตื้น) กลไกแบบไดนามิกนี้จะสร้างสมดุลระหว่างการสำรวจและการแสวงหาประโยชน์โดยอัตโนมัติโดยไม่ต้องมีการปรับพารามิเตอร์ที่ชัดเจน

HHO เปรียบเทียบกับ Particle Swarm Optimization (PSO) อย่างไร?

HHO ใช้การเปลี่ยนการค้นหาตามพลังงานพร้อมกับกลยุทธ์การโจมตีที่แตกต่างกันสองแบบ ซึ่งให้ความหลากหลายทางพฤติกรรมที่สมบูรณ์กว่าการเคลื่อนที่ตามความเร็วของ PSO โดยทั่วไป HHO แสดงให้เห็นถึงการลู่เข้าที่เร็วกว่าในปัญหาที่มีหลายรูปแบบ (multimodal problems) แต่อาจมีต้นทุนการคำนวณต่อรอบการทำงานสูงกว่า

HHO สามารถจัดการกับปัญหาการหาค่าที่เหมาะสมที่สุดแบบไม่ต่อเนื่อง (discrete optimization problems) ได้หรือไม่?

HHO ถูกออกแบบมาสำหรับปัญหาการหาค่าที่เหมาะสมที่สุดแบบต่อเนื่อง (continuous optimization) โดยธรรมชาติ สำหรับปัญหาแบบไม่ต่อเนื่อง ให้ใช้การแปลงค่า (discretization mappings) ที่เหมาะสม (เช่น การปัดเศษ หรือการแปลงตามเกณฑ์) เพื่อแปลงคำตอบแบบต่อเนื่องให้เป็นตัวแปรแบบไม่ต่อเนื่อง แม้ว่าประสิทธิภาพอาจลดลงเมื่อเทียบกับอัลกอริทึมที่ออกแบบมาสำหรับปัญหาแบบไม่ต่อเนื่องโดยเฉพาะ

ควรใช้ขนาดประชากรเท่าใดสำหรับ HHO?

ขนาดประชากรทั่วไปมีตั้งแต่ 10-40 ตัว โดยประชากรที่ใหญ่ขึ้นจะให้การสำรวจที่ดีขึ้นแต่มีต้นทุนการคำนวณเพิ่มขึ้น ควรเริ่มต้นด้วยเหยี่ยว 30 ตัว และปรับตามความเร็วในการลู่เข้าและคุณภาพของคำตอบสำหรับปัญหาเฉพาะของคุณ

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. 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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว