Afrika Akbabaları Optimizasyon Algoritması
- Ortaya koyan
- Hossein Moghdani
- Yıl
- 2020
- Tür
- Nature-inspired metaheuristic algorithm
- Aile
- Swarm Intelligence
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Afrika Akbabaları Optimizasyon Algoritması (AVOA), 2020 yılında Moghdani ve Salimifard tarafından tanıtılan, Afrika akbabalarının arama ve leş yeme davranışlarından esinlenerek geliştirilmiş bir meta-sezgisel algoritmadır.
Akbabalar, geniş mesafelerdeki leşleri bulmak için sofistike işbirlikçi stratejiler kullanır ve termal hava akımları ile grup dinamiklerini verimli bir şekilde yönlenmek için değerlendirir. AVOA, bu kolektif avlanma davranışlarını etkili bir optimizasyon çerçevesine dönüştürür.
Yöntemin mantığı
Afrika akbabaları dikkat çekici bir işbirlikçi zeka sergiler: yiyecek aramak için yüksek irtifalarda süzülürler, keşiflerini grup üyelerine iletirler ve yiyecek kaynakları üzerinde birleşirler. Algoritma bunu birden fazla davranışla modeller: keşif, manzarayı taramak için geniş daireler çizerek süzülmeyi içerir; sömürü, umut vadeden çözümlere doğru komşuları takip etmeyi içerir; ve ince ayar, yoğunlaştırılmış yerel aramayı içerir. Bu hiyerarşik işbirliği, açık bir parametre ayarı olmaksızın küresel arama ile yerel iyileştirme arasında doğal bir denge oluşturur.
Tarih
Hossein Moghdani ve Kharazmi Üniversitesi'ndeki meslektaşları tarafından 2020'de geliştirilen AVOA, Applied Soft Computing dergisinde yayımlandı. Algoritma, Afrika akbabasının (Gyps africanus) leş yeme modelleri ve sofistike işbirlikçi mekanizmaları üzerine yapılan detaylı davranışsal çalışmalardan esinlenmiştir. Algoritma, biyolojik esinli optimizasyondaki son gelişmeleri temsil etmekte ve güçlü rekabetçi performans sergilemektedir.
Ne zaman kullanılır?
AVOA'yı çok amaçlı ve kısıtlı sürekli optimizasyon problemlerine uygulayın. Özellikle mühendislik tasarımı, makine öğrenimi hiperparametre optimizasyonu ve karmaşık fonksiyon optimizasyonu için etkilidir. Hem sağlam küresel arama hem de iyi yerel sömürü gerektiğinde uygundur.
Sınırlar ve dikkat edilmesi gerekenler
- Daha basit meta-sezgisellere kıyasla daha karmaşık uygulama
- Çoklu davranışsal fazlar, ayar gerektiren ek hiperparametreler getirir
- Eşli iletişim modellemesi nedeniyle iterasyon başına daha yüksek hesaplama maliyeti
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Doğal grup dinamikleri ve işbirliğine dayalı sofistike çok fazlı arama stratejisi
- Açık ayar gerektirmeksizin küresel keşif ve yerel sömürü arasında etkili denge
- Çeşitli kıyaslama fonksiyonları ve gerçek dünya problemleri üzerinde güçlü ampirik performans
- Davranışsal adaptasyon yoluyla kısıtlamaları ele alma konusunda doğal yetenek
Uygulama alanları
- Güç sistemleri mühendisliği: güç üretim çizelgelemesi ve ekonomik dağıtımın optimizasyonu
- Makine öğrenimi: sinir ağı mimarisi optimizasyonu ve hiperparametre ayarı
- Yapısal optimizasyon: mukavemet gereksinimlerini karşılarken ağırlığı en aza indiren yapıların tasarlanması
- Görüntü işleme: kenar algılama ve özellik çıkarma parametrelerinin optimizasyonu
- Çizelgeleme problemleri: optimal proje çizelgelemesi ve kaynak tahsisinin belirlenmesi
- Çevre mühendisliği: kirlilik kontrol sistemi parametrelerinin ve emisyon azaltımının optimizasyonu
Nasıl çalışır?
Nasıl çalışır?
Aday çözümleri temsil eden, arama uzayına dağılmış bir akbaba popülasyonu başlatılır.
Akbabalar uzayda bağımsız olarak süzülür ve arama yapar, yeni bölgeleri keşfeder ve umut vadeden alanları bulur.
Akbabalar birbirlerini izler ve daha iyi çözümlere doğru hareket eden arkadaşlarını takip ederek umut vadeden bölgeler hakkındaki bilgileri paylaşır.
Tüm akbaba pozisyonları keşif ve işbirliği dinamiklerine göre güncellenir, en iyi çözüm kaydı tutulur.
Sık yapılan hatalar
- En iyi çözüme doğru aşırı takip davranışı erken yakınsamaya neden olabilir
- Erken iterasyonlarda yetersiz keşif, iyi çözüm bölgelerinin keşfini sınırlar
- Yalnız arama ile grup koordinasyonu arasındaki yanlış denge etkinliği azaltır
Sık sorulan sorular
AVOA'nın işbirlikçi araması diğer sürü algoritmalarından nasıl farklıdır?
AVOA, akbabaların umut vadeden çözümler hakkında bilgi paylaştığı grup iletişimini ve işbirliğini açıkça modeller. Bu işbirlikçi mekanizma, basit çekim tabanlı yöntemlerden daha sofistike olup, daha etkili işbirlikçi keşif sağlar.
AVOA'daki ana davranışsal fazlar nelerdir?
AVOA üç ana faz içerir: bağımsız keşif (süzülme ve arama), işbirlikçi hareket (daha iyi çözümlere doğru arkadaşları takip etme) ve iyileştirme (umut vadeden bölgeler etrafında yoğunlaştırılmış yerel arama). Bu fazlar optimizasyon sırasında dinamik olarak geçiş yapar.
AVOA, birçok yerel optimuma sahip çok modlu problemlerle nasıl başa çıkar?
Bağımsız keşif fazı, akbabaların birden fazla umut vadeden bölgeyi keşfetmesine olanak tanırken, işbirlikçi faz bu bilgiyi popülasyon genelinde paylaşır. Bu kombinasyon, küresel optimumlara yakınsama sırasında tek yerel optimumlara erken yakınsamayı önler.
AVOA için önerilen popülasyon boyutu nedir?
Tipik popülasyon boyutları 20-50 akbaba arasında değişir. Daha büyük popülasyonlar keşif kalitesini artırır ancak hesaplama maliyetini yükseltir. 30 akbaba ile başlayın ve problem boyutluluğuna ve mevcut hesaplama kaynaklarına göre ayarlayın.
İlgili yöntemler
Kaynaklar
Moghdani, H., & Salimifard, K. (2020). Volleyball player optimizer and African vultures optimization algorithms for solving global optimization problems. Applied Soft Computing, 97, 106794.
Yayın kaynağını açKopyalandı.