İçeriğe atla
Arama sonuçlarına dön

Harris Hawks Optimizasyonu

Ortaya koyan
Ali Asghar Heidari
Yıl
2019
Tür
Nature-inspired metaheuristic algorithm
Aile
Swarm Intelligence

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Harris Hawks Optimizasyonu (HHO), Heidari ve arkadaşları tarafından 2019'da tanıtılan, Harris şahinlerinin avlanma stratejilerinden esinlenen bir meta-sezgisel algoritmadır.

Algoritma, karmaşık optimizasyon problemlerini çözmek için bu yırtıcı kuşların işbirlikçi avlanma davranışlarını ve kaçış stratejilerini modeller. HHO, keşfi (exploration) konaklama yoluyla, sömürüyü (exploitation) ise dinamik takip yoluyla dengeler, bu da onu çok modlu ve yüksek boyutlu optimizasyon için etkili kılar.

Yöntemin mantığı

Harris şahinleri, avlarını takip ederken zeki işbirlikçi avlanmaları, ani saldırıları ve kaçış manevralarıyla tanınırlar. Algoritma bu davranışı matematiksel işlemlere döker: şahinler avı taramak için yüksek yerlere konaklar (keşif), ardından koordineli stratejilerle takip edip saldırırlar (sömürü). Temel içgörü, kaçış enerjisi kavramıdır—avın enerjisi azaldıkça, kaçış olasılığı değişir ve bu da şahinleri saldırı açılarını sığ bir dalıştan sürpriz bir kıskaç manevrasına ayarlamaya zorlar. Bu dinamik davranış arama sürecini doğal olarak dengeler.

Tarih

2019'da İsfahan Üniversitesi'nde Ali Asghar Heidari ve meslektaşları tarafından geliştirilen HHO, Future Generation Computer Systems dergisinde yayımlandı. Algoritma, özellikle gruplar halinde işbirlikçi avlanmaları ve av direnç gösterdiğinde dinamik kaçış stratejileri üzerine yapılan detaylı davranış çalışmalarından esinlendi. Güçlü ampirik performansı nedeniyle yeni meta-sezgisel yöntemleri değerlendirmek için hızla bir referans noktası haline geldi.

Ne zaman kullanılır?

HHO'yu, hedef fonksiyonun değerlendirilmesinin pahalı olduğu veya birden çok yerel optimum içerdiği sürekli optimizasyon problemlerine uygulayın. Özellikle mühendislik tasarımı optimizasyonu, parametre tahmini ve makine öğrenmesi hiperparametre ayarı için etkilidir. Gelişmiş arama davranışının avantaj sağladığı orta ila yüksek boyutlu problemler için en uygundur.

Sınırlar ve dikkat edilmesi gerekenler

  • Karmaşık takip hesaplamaları nedeniyle iterasyon başına hesaplama maliyeti daha yüksektir
  • Performans farklı problem manzaralarında değişiklik gösterir; ampirik doğrulama gerektirir
  • Algoritma, 1000 boyutun üzerindeki çok yüksek boyutlu problemlerle mücadele edebilir

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Keşiften sömürüye doğal geçiş sağlayan gelişmiş kaçış enerjisi mekanizması
  • Çeşitli saldırı modelleri için iki tamamlayıcı strateji (sığ dalış ve kıskaç manevrası)
  • PSO ve genetik algoritmalara kıyasla birçok kıyaslama fonksiyonunda üstün performans
  • Bazı rakip meta-sezgisel yöntemlere göre daha az hiperparametreye sahip olması, uygulamayı basitleştirir

Uygulama alanları

  • Güç sistemleri optimizasyonu: elektrik şebekelerinde güç üretimi planlaması ve ekonomik sevkiyatın optimize edilmesi
  • Makine öğrenmesi: geliştirilmiş doğruluk için sinir ağı mimarilerinin ayarlanması ve hiperparametrelerin eğitimi
  • Yapısal tasarım: kısıtlamalar altında bina konfigürasyonlarının, köprü tasarımlarının ve mekanik yapıların optimize edilmesi
  • Görüntü işleme: tıbbi görüntüleme için özellik seçimi ve geliştirme filtresi parametre optimizasyonu
  • Kablosuz sensör ağları: ağ kapsamı için düğüm yerleşimi ve iletim gücünün optimize edilmesi
  • Portföy optimizasyonu: riski yönetirken getiriyi en üst düzeye çıkarmak için varlık tahsislerinin seçilmesi

Nasıl çalışır?

Nasıl çalışır?

1

Aday çözümleri temsil eden, arama uzayına dağılmış bir başlangıç şahin popülasyonu oluşturun.

2

Şahinler, araziyi taramak ve umut vadeden bölgeleri belirlemek için rastgele pozisyonlara konaklarlar (keşif aşaması).

3

Av tespit edildiğinde, şahinler avın kaçış enerjisine bağlı olarak değişen saldırı modelleriyle takip moduna geçerler.

4

Her şahin pozisyonu için uygunluğu değerlendirin ve bulunan en iyi çözümü güncelleyin.

Sık yapılan hatalar

  • Kaçış enerjisi çürümesini çok agresif ayarlamak, algoritmayı erken sömürüye kilitleyebilir
  • Popülasyonu dar bir bölgede başlatmak, keşif yeteneğini ciddi şekilde sınırlar
  • Arama uzayını uygun şekilde ölçeklendirmemek, verimsiz örnekleme ve yakınsama hatasına yol açabilir

Sık sorulan sorular

Harris Hawks Optimizasyonunda kaçış enerjisi nedir ve nasıl çalışır?

Kaçış enerjisi, avın yakalanmaktan kaçma kapasitesini temsil eder ve iterasyonlar boyunca doğrusal olarak azalır. Kaçış enerjisi yüksek olduğunda, şahinler rastgele konaklama ile keşif kullanır. Enerji azaldıkça, şahinler koordineli saldırılarla (kıskaç manevrası veya sığ dalış) sömürüye geçer. Bu dinamik mekanizma, açık parametre ayarlaması gerektirmeden keşif ve sömürüyü otomatik olarak dengeler.

HHO, Parçacık Sürü Optimizasyonu (PSO) ile nasıl karşılaştırılır?

HHO, enerji tabanlı arama geçişleri ve iki farklı saldırı stratejisi kullanarak, PSO'nun hıza dayalı hareketinden daha zengin davranışsal çeşitlilik sağlar. HHO tipik olarak çok modlu problemlerde daha hızlı yakınsama gösterir ancak iterasyon başına daha hesaplama açısından pahalı olabilir.

HHO ayrık optimizasyon problemlerini ele alabilir mi?

HHO doğal olarak sürekli optimizasyon için tasarlanmıştır. Ayrık problemler için, sürekli çözümleri ayrık değişkenlere dönüştürmek üzere uygun ayrıklaştırma eşlemeleri (örneğin, yuvarlama veya eşik tabanlı dönüştürme) uygulayın, ancak performans ayrık spesifik algoritmalara kıyasla azalabilir.

HHO için ne kadar popülasyon büyüklüğü kullanmalıyım?

Tipik popülasyon büyüklükleri 10-40 birey arasında değişir; daha büyük popülasyonlar artan hesaplama maliyetiyle daha iyi keşif sağlar. 30 şahinle başlayın ve belirli probleminiz için yakınsama hızı ve çözüm kalitesine göre ayarlayın.

İlgili yöntemler

Kaynaklar

  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.

    DOI kaynağını aç
    Kopyalandı.