Aritmetik Optimizasyon Algoritması
- Ortaya koyan
- Laith Abualigah
- Yıl
- 2020
- Tür
- Mathematical metaheuristic algorithm
- Aile
- Mathematical Optimization
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Aritmetik Optimizasyon Algoritması (AOA), Abualigah ve arkadaşları tarafından 2020'de tanıtılan, matematiksel operatörleri (çarpma, bölme, toplama, çıkarma) arama stratejileri için ilham kaynağı olarak kullanan bir meta-sezgisel optimizasyon yaklaşımıdır.
Doğadan esinlenen algoritmalardan farklı olarak AOA, keşif ve sömürü arasındaki dengeyi sağlamak için aritmetik işlemlerin içsel özelliklerini kullanır, bu da onu özellikle matematiksel optimizasyon problemleri için etkili kılar.
Yöntemin mantığı
AOA'nın temel içgörüsü, optimizasyonu aritmetik operatörlerin aramayı yönlendirdiği matematiksel bir süreç olarak ele almaktır. Çarpma ve bölme operatörleri, çözümleri arama uzayına geniş çapta yayarak (keşif) daha sonra toplama ve çıkarma operatörleri çözümleri yerel olarak iyileştirir (sömürü). Bu matematiksel soyutlama, etkililiği korurken biyolojik metaforlara olan ihtiyacı ortadan kaldırır. Algoritma, iterasyon ilerlemesine bağlı olarak bu operatör kategorileri arasında olasılıksal olarak seçim yaparak keşiften sömürüye doğal bir geçiş sağlar.
Tarih
Laith Abualigah ve işbirlikçileri tarafından 2020'de tanıtılan AOA, Applied Mathematics and Computation dergisinde yayımlandı. Algoritma, tamamen doğadan esinlenen meta-sezgisel yöntemlerden bir sapmayı temsil eder ve bunun yerine optimizasyon teorisini matematiksel işlemlere dayandırır. Bu yaklaşım, algoritma tasarımına taze bir bakış açısı sunar ve çok sayıda kıyaslama problemi ile pratik uygulamada etkili olduğu kanıtlanmıştır.
Ne zaman kullanılır?
AOA'yı, özellikle problemin matematiksel özelliklerinin iyi anlaşıldığı sürekli ve ayrık optimizasyon problemlerine uygulayın. Mühendislik tasarımı, makine öğrenimi hiperparametre ayarı ve kombinatoryal problemler için etkilidir. Hesaplama basitliği ve hızlı yakınsamanın öncelikli olduğu durumlarda tercih edilir.
Sınırlar ve dikkat edilmesi gerekenler
- Matematiksel soyutlama, bazı uygulayıcılar için doğadan esinlenen yaklaşımlardan daha az sezgisel olabilir
- Klasik optimizasyon yöntemlerine kıyasla yakınsama özelliklerinin sınırlı teorik analizi
- Yüksek boyutlu problemler üzerindeki performans, farklı problem manzaralarında değişken sonuçlar gösterir
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Biyolojik ilham veya karmaşık davranışsal modelleme gerektirmeyen basit matematiksel temel
- Matematiksel işlemler hesaplama açısından verimlidir, bu da iterasyon başına düşen ek yükü azaltır
- Operatör seçimi olasılıkları aracılığıyla keşif ve sömürü arasında güçlü denge
- Çeşitli kıyaslama fonksiyonları ve gerçek dünya problemlerinde rekabetçi performans sergiler
Uygulama alanları
- Yapı mühendisliği: kiriş boyutlarını, kesitleri ve malzeme dağılımlarını optimize etme
- Makine öğrenimi: yakınsama ve doğruluğu iyileştirmek için sinir ağı ağırlıklarını ve sapma terimlerini ayarlama
- Zamanlama problemleri: üretimde optimal görev zamanlaması ve kaynak tahsisini belirleme
- Fonksiyon yaklaştırma: temel fonksiyon genişletmeleri ve enterpolasyon için optimal parametreleri bulma
- Elektrik şebekesi optimizasyonu: güç kayıplarını en aza indirme ve üretim birimi taahhüdünü optimize etme
- Portföy yönetimi: riske ayarlanmış getirileri en üst düzeye çıkarmak için varlıklar arasında yatırım tahsisi
Nasıl çalışır?
Nasıl çalışır?
Arama uzayında düzgün bir şekilde dağılmış aday çözümlerden oluşan bir başlangıç popülasyonu oluşturun.
Çeşitli yeni çözümler üretmek ve keşfedilmemiş bölgeleri keşfetmek için çarpma ve bölme operatörlerini uygulayın.
En iyi keşfedilen konuma yakın çözümleri iyileştirmek için toplama ve çıkarma operatörlerini uygulayın.
Yeni çözümlerin uygunluğunu değerlendirin ve popülasyon ile en iyi çözüm izleyicisini güncelleyin.
Sık yapılan hatalar
- Çarpma/bölme yönünde çok agresif olan operatör olasılık ayarları yakınsamayı engelleyebilir
- Optimizasyonun başlarında yetersiz keşif, yerel optimumlarda takılıp kalmaya yol açar
- Karar değişkenlerinin arama uzayı sınırlarına göre uygun olmayan ölçeklendirilmesi, arama verimliliğini etkiler
Sık sorulan sorular
Çarpma ve bölme AOA'da keşif için neden kullanılıyor?
Çarpma ve bölme işlemleri, daha büyük büyüklükler ve daha geniş değer dağılımları üreterek çözümlerin arama uzayına yayılmasına neden olur. Bu doğal sapma, tek bir bölge etrafında erken yoğunlaşmayı önleyerek keşfi destekler.
AOA genetik algoritmalardan nasıl farklıdır?
GA biyolojiden esinlenen seçilim, çaprazlama ve mutasyonu kullanırken, AOA arama mekanizmaları olarak doğrudan aritmetik operatörleri kullanır. AOA genellikle daha az hiperparametre ile daha hızlı yakınsar, ancak GA daha düzensiz manzaralarda daha etkili keşif yapabilir.
AOA ayrık optimizasyon problemlerini işleyebilir mi?
Evet, AOA yuvarlama sürekli çözümler veya ayrık değişken indekslerine eşleme gibi ayrıklaştırma yöntemleri aracılığıyla ayrık problemler için uyarlanabilir. Ancak, algoritma etkinliğini korumak için operatör uygulama stratejisinin dikkatli bir şekilde tasarlanması gerekir.
AOA'nın iterasyon başına hesaplama karmaşıklığı nedir?
AOA, N popülasyon büyüklüğü ve D problem boyutu olmak üzere, iterasyon başına doğrusal bir hesaplama karmaşıklığına O(N*D) sahiptir. Bu, onu çiftler halinde mesafe hesaplamaları gerektiren algoritmalara kıyasla hesaplama açısından verimli kılar.
İlgili yöntemler
Kaynaklar
Abualigah, L., Yousri, D., Abd Elaziz, M., Ewees, A. A., Al-qaness, M. A., & Gandomi, A. H. (2021). Arithmetic optimization algorithm: A new metaheuristic algorithm for solving optimization problems. Applied Mathematics and Computation, 392, 125450.
Yayın kaynağını açKopyalandı.