Slime Mould Algoritması
- Ortaya koyan
- Shimin Li
- Yıl
- 2020
- Tür
- Nature-inspired metaheuristic algorithm
- Aile
- Swarm Intelligence
Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku
Ne işe yarar?
Slime Mould Algoritması (SMA), Li ve arkadaşları tarafından 2020'de tanıtılan doğadan ilham alan bir meta-sezgisel optimizasyon tekniğidir.
Yiyecek kaynaklarını bulmak için yayılan ve daralan sümüksü küflerin davranışlarını taklit eder. SMA, bu organizmaların adaptif yiyecek arama ve uzamsal dağılım örüntülerini simüle ederek karmaşık optimizasyon problemlerini ele alır.
Yöntemin mantığı
Sümüksü küfler, merkezi bir sinir sistemine sahip olmamalarına rağmen dikkate değer bir kolektif zeka sergilerler. Çevrelerini keşfetmek için psödopodlar (dal benzeri yapılar) yayar ve besin kaynaklarına ulaştıklarında daralırlar. Algoritma, bu davranışı, keşif ve sömürüyü dengeleyen konum güncellemeleriyle yakalar: bireyler artan bir kesinlikle daha iyi çözümlere doğru hareket eder ve popülasyon giderek umut verici bölgeler etrafında yoğunlaşır. Bu doğal adaptif mekanizma, verimli bir küresel arama sağlar.
Tarih
2020'de Jiangsu Üniversitesi'nden Shimin Li ve meslektaşları tarafından tanıtılan SMA, gerçek sümüksü küf physarum davranışının gözlemlenmesinden ilham alan biyomimetik hesaplama alanından ortaya çıktı. Algoritma, standart kıyaslama fonksiyonları ve mühendislik optimizasyon görevleri üzerinde doğrulandı. Basitliği ve etkinliği, çeşitli uygulama alanlarında hızlı bir şekilde benimsenmesine yol açtı ve ardından çok sayıda varyant ve iyileştirme yayınlandı.
Ne zaman kullanılır?
Gradyan bilgisinin mevcut olmadığı sürekli ve ayrık optimizasyon problemlerine SMA uygulayın. Birden fazla yerel optimuma sahip çok modlu manzaralarda üstündür. Klasik optimizasyon yöntemlerinin başarısız olduğu veya hesaplama açısından sakıncalı olduğu durumlarda mühendislik tasarımı, parametre ayarlama ve özellik seçimi için uygundur.
Sınırlar ve dikkat edilmesi gerekenler
- Arama uzayının artması nedeniyle çok yüksek boyutlu problemlerde performans düşebilir
- Yakınsama hızı, problem manzarası özelliklerine bağlı olarak önemli ölçüde değişir
- Karmaşık mühendislik uygulamaları için problem özgü ayarlama gerektirebilir
Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.
Güçlü yönleri
- Adaptif ağırlık mekanizması aracılığıyla keşif ve sömürü arasında mükemmel denge
- Az sayıda ayarlanacak hiperparametre ile basit uygulama
- Etkili küresel arama yeteneği ile erken iterasyonlarda hızlı yakınsama gösterir
- Kısıtlı ve kısıtlanmamış optimizasyon problemlerine uygulanabilir
Uygulama alanları
- Makine mühendisliği: birden fazla kısıtlama altında yapısal tasarımların ve makine konfigürasyonlarının optimizasyonu
- Özellik seçimi: makine öğrenimi modeli performansını iyileştirmek için yüksek boyutlu veri kümelerindeki ilgili özellikleri seçme
- Sinir ağı hiperparametre ayarlama: optimal öğrenme oranları, katman boyutları ve düzenlileştirme sabitleri bulma
- Anten tasarımı: iletişim sistemleri için anten geometrilerini ve parametrelerini optimize etme
- Tedarik zinciri optimizasyonu: maliyetleri en aza indirmek için envanter seviyelerini ve dağıtım rotalarını belirleme
- Kaynak tahsisi: genel faydayı en üst düzeye çıkarmak için sınırlı kaynakları projelere dağıtma
Nasıl çalışır?
Nasıl çalışır?
Arama uzayında rastgele dağılmış bir sümüksü küf konumları popülasyonunu başlatın ve uygunluk değerlerini değerlendirin.
Her küfün konumunu, keşif için rastgele pertürbasyonlarla birleştirilmiş, en iyi çözüme doğru artan bir ağırlık fonksiyonuna dayalı olarak güncelleyin.
Her yeni konum için amaç fonksiyonu değerini hesaplayın ve önceki uygunluk değerleriyle karşılaştırın.
Yakınsama veya maksimum iterasyon sayısına ulaşılana kadar güncelleme ve değerlendirme adımlarını tekrarlayın.
Sık yapılan hatalar
- Optimizasyonun erken aşamalarında ağırlık mekanizması çok agresif olursa yerel optimumlara erken yakınsama
- Başlangıç popülasyonu küçük bir bölgede çok yoğunlaştığında yetersiz keşif
- Karar değişkenlerini uygun şekilde ölçeklendirmeyi ihmal etmek, zayıf arama performansına yol açabilir
Sık sorulan sorular
SMA'daki ağırlık mekanizması, PSO gibi diğer meta-sezgisel yöntemlerden nasıl farklıdır?
PSO hız vektörleri kullanırken, SMA iterasyonlar ilerledikçe sömürüyü teşvik eden zamanla azalan bir ağırlık kullanır. Bu adaptif strateji, bilişsel ve sosyal bileşenler için ayrı parametreler gerektirmeden keşif ve sömürüyü doğal olarak dengeler.
SMA kısıtlı optimizasyon problemlerini çözmek için uygun mudur?
Evet, SMA ceza fonksiyonu yöntemleri veya kısıtlama işleme teknikleri aracılığıyla kısıtlamaları işleyebilir. Geçersiz çözümler daha düşük uygunluk değerleri alır ve aramayı geçerli bölgeye yönlendirir.
Popülasyon boyutunu problemim için nasıl ayarlamalıyım?
Problem boyutuna orantılı bir popülasyon boyutuyla başlayın, tipik olarak 20-50 birey. Daha büyük popülasyonlar küresel aramayı iyileştirir ancak hesaplama maliyetini artırır. Dengeyi bulmak için kendi özel probleminizde ampirik testler kullanın.
SMA'nın tipik yakınsama davranışı nasıldır?
SMA, güçlü keşif nedeniyle tipik olarak erken iterasyonlarda hızlı bir iyileşme gösterir, ardından ağırlık mekanizması giderek artan bir şekilde çözümleri bulunan en iyi konuma doğru yönlendirdiği için iyileştirme yapılır.
İlgili yöntemler
Kaynaklar
Li, S., Chen, H., Wang, M., Heidari, A. A., & Chakraborty, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323.
DOI kaynağını açKopyalandı.