Skip to content
返回搜索结果

非洲秃鹫优化算法

提出者
Hossein Moghdani
年份
2020
类型
Nature-inspired metaheuristic algorithm
类别
Swarm Intelligence

本文为机器翻译,尚未经过审校。 阅读英文原文

字号

它有什么作用?

非洲秃鹫优化算法(African Vultures Optimization Algorithm, AVOA)是Moghdani和Salimifard于2020年提出的一种元启发式算法,其灵感来源于非洲秃鹫的搜索和清道夫行为。秃鹫利用复杂的协作策略,通过热气流和群体动态有效地导航,在广阔的区域内寻找腐肉。AVOA将这些集体狩猎行为转化为一个有效的优化框架。

方法背后的直觉

非洲秃鹫展现出卓越的合作智慧:它们在高空翱翔以搜寻食物,向群体成员传达发现,并汇聚到食物来源。该算法通过多种行为对此进行建模:探索涉及大范围盘旋以扫描景观,开发涉及跟随邻居走向有前景的解决方案,以及微调涉及强化局部搜索。这种分层合作在全局搜索和局部优化之间建立了自然的平衡,而无需显式参数调整。

历史学

AVOA由Hossein Moghdani及其同事于2020年在哈拉兹米大学开发,并发表在《应用软计算》上。该算法的灵感来源于对非洲秃鹫(Gyps africanus)清道夫模式及其复杂合作机制的详细行为研究。该算法代表了生物启发优化领域的最新进展,并展现出强大的竞争性能。

何时使用

将AVOA应用于具有多个目标和约束的连续优化问题。特别适用于工程设计、机器学习超参数优化和复杂函数优化。当需要鲁棒的全局搜索和良好的局部开发时,此方法是合适的。

局限与注意事项

  • 与更简单的元启发式算法相比,实现更为复杂
  • 多个行为阶段引入了需要调整的额外超参数
  • 由于对成对通信进行建模,每次迭代的计算成本更高

来源中的条件不能替代独立的科学审查或分析引擎的验证。

优势

  • 基于自然群体动态和协作的复杂多阶段搜索策略
  • 在无需显式调整的情况下,有效平衡全局探索和局部开发
  • 在各种基准函数和实际问题上表现出强大的经验性能
  • 通过行为适应自然具备处理约束的能力

应用

  • 电力系统工程:优化发电调度和经济调度
  • 机器学习:神经网络架构优化和超参数调整
  • 结构优化:设计在满足强度要求的同时最小化重量的结构
  • 图像处理:优化边缘检测和特征提取参数
  • 调度问题:确定最佳项目调度和资源分配
  • 环境工程:优化污染控制系统参数和减排

使用方式

使用方式

1

初始化秃鹫种群,这些秃鹫分布在搜索空间中,代表候选解决方案。

2

秃鹫在空间中独立翱翔和搜索,探索新的区域并发现有前景的区域。

3

秃鹫相互监视并跟随同伴向更好的解决方案移动,共享有关有前景区域的信息。

4

根据探索和协作动态更新所有秃鹫的位置,并保持最佳解决方案记录。

常见陷阱

  • 过度跟随最佳解决方案的行为可能导致过早收敛
  • 早期迭代中探索不足限制了良好解决方案区域的发现
  • 独立搜索和群体协调之间的不当平衡会降低有效性

常见问题

AVOA的协作搜索与其他群智能算法有何不同?

AVOA明确地对群体通信和协作进行建模,秃鹫之间共享有关有前景解决方案的信息。这种协作机制比简单的基于吸引的方法更为复杂,能够实现更有效的协作探索。

AVOA的主要行为阶段是什么?

AVOA包括三个主要阶段:独立探索(翱翔和搜索)、协作移动(跟随同伴走向更好的解决方案)和优化(在有前景的区域周围进行强化局部搜索)。这些阶段在优化过程中动态转换。

AVOA如何处理具有许多局部最优的多模态问题?

独立探索阶段允许秃鹫发现多个有前景的区域,而协作阶段则在整个种群中共享这些信息。这种组合可以防止过早收敛到单一局部最优,同时收敛到全局最优。

AVOA推荐的种群规模是多少?

典型的种群规模范围为20-50只秃鹫。较大的种群可以提高探索质量,但会增加计算成本。可以从30只秃鹫开始,并根据问题维度和可用的计算资源进行调整。

相关方法

参考文献

  1. Moghdani, H., & Salimifard, K. (2020). Volleyball player optimizer and African vultures optimization algorithms for solving global optimization problems. Applied Soft Computing, 97, 106794.

    打开出版物文献
    已复制。