Aquila Optimizatörü
- Ortaya koyan
- Laith Abualigah
- Yıl
- 2021
- Tür
- Nature-inspired metaheuristic algorithm
- Aile
- Swarm Intelligence
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Aquila Optimizatörü (AO), Abualigah ve arkadaşları tarafından 2021'de sunulan, doğadan ilham alan bir meta-sezgisel algoritmadır.
Altın kartalın (aquila chrysaetos) avlanma davranışları ve duyusal yeteneklerinden modellenmiştir. Algoritma, kartal avlanmasının keşif ve sömürü aşamalarını, yüksek irtifa süzülüşü, yüksek hassasiyetli görüşle keşif ve hızlı dalış saldırılarını kapsar. AO, hem kısıtlı hem de kısıtsız optimizasyon problemlerini çözmek için tasarlanmıştır.
Yöntemin mantığı
Altın kartallar, geniş bölgeleri taramak için yüksek irtifa süzülüşü, üstün görüş kullanarak hassas hedef belirleme ve dikkate değer manevra kabiliyeti ile patlayıcı dalış saldırıları yoluyla olağanüstü avlanma verimliliği sergiler. Algoritma, bu davranışları matematiksel işlemlere soyutlar: kartallar geniş keşif (yüksek 'irtifa') ile arama uzayını keşfeder, ardından avlara yaklaştıkça yoğun sömürüye geçer (yerel iyileştirme). Temel yenilik, arama dengesini sağlayan ve farklı problem özelliklerine uyum sağlayan birden fazla keşif ve sömürü oranının dahil edilmesidir.
Tarih
2021'de Huddersfield Üniversitesi'nden Laith Abualigah ve meslektaşları tarafından tanıtılan Aquila Optimizatörü, Computers and Industrial Engineering dergisinde yayınlandı. Algoritma, doğadan ilham alan optimizasyon algoritmaları üzerine devam eden araştırmaların bir parçası olarak geliştirildi ve yırtıcı kuş davranışının biyomimetik prensiplerinden yararlanıyor. Kapsamlı kıyaslama testleri ve gerçek dünya uygulama çalışmaları, çeşitli problem sınıflarında rekabetçi performansını göstermektedir.
Ne zaman kullanılır?
AO'yu mühendislik tasarımı, makine öğrenmesi hiperparametre optimizasyonu ve özellik seçimi dahil olmak üzere sürekli optimizasyon problemlerine uygulayın. Özellikle birden fazla yerel optimuma ve maliyetli amaç fonksiyonlarına sahip problemler için etkilidir. Gradyan bilgisinin mevcut olmadığı küçükten büyüğe ölçekli optimizasyon görevleri için uygundur.
Sınırlar ve dikkat edilmesi gerekenler
- Yerleşik yöntemlere kıyasla sınırlı uzun vadeli ampirik doğrulamaya sahip nispeten yeni bir algoritma
- Performans, farklı problem alanları ve manzara türlerinde önemli ölçüde değişebilir
- Aşırı yüksek boyutlu problemlere ölçeklenebilirlik, kapsamlı bir şekilde araştırılmayı beklemektedir
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Uyarlanabilir geçiş mekanizmaları ile keşif ve sömürü arasında güçlü denge
- Çok sayıda kıyaslama fonksiyonunda rekabetçi veya üstün performans gösterir
- Hem sürekli hem de ayrık optimizasyon problemleri varyantlarını işleme yeteneği
- Ayarlanması gereken minimum hiperparametrelere sahip basit matematiksel formülasyon
Uygulama alanları
- Özellik seçimi: yüksek boyutlu tıbbi ve biyolojik veri kümelerinden en ilgili özellikleri belirleme
- Mühendislik optimizasyonu: optimal yapısal konfigürasyonlar, termal sistemler ve mekanik bileşenlerin tasarımı
- Makine öğrenmesi: destek vektör makineleri, rastgele ormanlar ve sinir ağları için hiperparametre optimizasyonu
- Yenilenebilir enerji sistemleri: güneş paneli verimliliğini en üst düzeye çıkarma ve rüzgar çiftliği yerleşim konfigürasyonlarını optimize etme
- Veri kümeleme: otomatik küme parametre optimizasyonu yoluyla denetimsiz öğrenmeyi iyileştirme
- Ağ tasarımı: performansı artırmak için iletişim ağı topolojisi ve yönlendirme protokollerini optimize etme
Nasıl çalışır?
Nasıl çalışır?
Çözüm uzayında rastgele dağılmış kartal konumlarından oluşan bir popülasyonu başlatın.
Kartallar, süzülme ve keşif davranışlarından ilham alan küresel arama stratejilerini kullanarak yeni bölgeleri keşfetmek için hareket eder.
İterasyonlar ilerledikçe, kartallar umut verici çözümler etrafındaki aramalarını yoğunlaştırır, geniş keşiften konsantre sömürüye geçer.
Her kartalın konumunun uygunluğunu değerlendirin ve keşfedilen en iyi çözümü izleyin.
Sık yapılan hatalar
- Keşif ve sömürü parametreleri arasındaki yanlış denge, erken yakınsamaya yol açabilir
- Kısıtlı problemlerde düzgün rastgele başlatma, iterasyonları geçersiz bölgelerde boşa harcayabilir
- Problem'e özgü ölçeklendirmeyi ihmal etmek, çözüm uzayında etkisiz bir aramaya neden olabilir
Sık sorulan sorular
Aquila Optimizatörü keşif ve sömürüyü nasıl dengeler?
AO, keşif ve sömürü derecesini dinamik olarak ayarlayan iterasyona bağlı oranlar kullanır. Erken iterasyonlar yerel optimumlardan kaçınmak için geniş keşfi vurgularken, sonraki iterasyonlar umut verici çözümler etrafında yoğunlaşır. Bu uyarlanabilir mekanizma, açık bir ayarlama olmaksızın algoritmanın tasarımından doğal olarak ortaya çıkar.
AO ile Harris Hawks Optimizasyonu arasındaki temel farklar nelerdir?
Her ikisi de yırtıcı kuşlardan ilham alan algoritmalardır, ancak AO, birden fazla keşif-sömürü aşamasıyla kartal davranışını modellerken, HHO, harris şahininin işbirlikçi avlanmasına dayanır. AO genellikle biraz daha iyi küresel arama yeteneği gösterirken, HHO pincer manevraları aracılığıyla daha güçlü yerel sömürü sergiler.
Aquila Optimizatörü kısıtlı problemler için uygun mudur?
Evet, AO, ceza yöntemleri veya kısıt-işleme teknikleri aracılığıyla kısıtlı optimizasyon için uyarlanabilir. Geçersiz çözümler, uygunluk değerlerini düşürerek cezalandırılır ve doğal olarak aramayı geçerli bölgelere yönlendirir.
Aquila Optimizatörü için makul bir popülasyon boyutu nedir?
Popülasyon boyutları tipik olarak 10-50 kartal arasında değişir, 30 yaygın bir başlangıç noktasıdır. Daha büyük popülasyonlar keşfi iyileştirir ancak hesaplama maliyetini artırır. Çözüm kalitesi ve hesaplama verimliliği arasındaki optimal dengeyi bulmak için belirli probleminizi ampirik olarak test edin.
İlgili yöntemler
Kaynaklar
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.
DOI kaynağını açKopyalandı.