Skip to content
返回搜索结果

Aquila Optimizer

提出者
Laith Abualigah
年份
2021
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?

Aquila Optimizer (AO) 是一种受自然启发的元启发式算法,由 Abualigah 等人于 2021 年提出,其模型模仿了金雕 (aquila chrysaetos) 的捕猎行为和感官能力。该算法捕捉了鹰捕猎的探索和利用阶段,包括高空翱翔、高精度视觉探索和快速俯冲攻击。AO 被设计用于解决约束和无约束优化问题。

方法背后的直觉

金雕通过高空翱翔扫描广阔区域、利用卓越视觉精确定位目标以及进行具有卓越机动性的爆发式俯冲攻击,展现出非凡的捕猎效率。该算法将这些行为抽象为数学运算:鹰在高“海拔”(广泛探索)高度探索搜索空间,然后随着接近猎物(局部精炼)过渡到密集利用。关键创新在于引入了多种探索和利用比例,以平衡搜索,从而适应不同的问题特征。

历史学

Aquila Optimizer 由 Laith Abualigah 及其同事于 2021 年在哈德斯菲尔德大学提出,发表在 Computers and Industrial Engineering。该算法是作为对受自然启发的优化算法的持续研究的一部分而开发的,并借鉴了掠食性鸟类行为的仿生学原理。广泛的基准测试和现实世界应用研究表明,它在各种问题类别中都具有竞争力。

何时使用

将 AO 应用于连续优化问题,包括工程设计、机器学习超参数优化和特征选择。特别适用于具有多个局部最优解和计算成本高昂的目标函数的问题。适用于梯度信息不可用的中小规模优化任务。

局限与注意事项

  • 相对较新的算法,与成熟方法相比,长期经验验证有限
  • 性能可能因不同的问题域和景观而有显著差异
  • 在极高维度问题上的可扩展性仍有待彻底研究

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

  • 探索与利用之间具有强大的平衡性,并具有自适应过渡机制
  • 在众多基准函数上表现出具有竞争力或更优的性能
  • 能够处理优化问题的连续和离散变体
  • 简单的数学公式,具有最少的需要调整的超参数

应用

  • 特征选择:从高维医学和生物数据集中识别最相关的特征
  • 工程优化:设计最优结构配置、热系统和机械组件
  • 机器学习:优化支持向量机、随机森林和神经网络的超参数
  • 可再生能源系统:最大化太阳能电池板效率和优化风力发电场布局配置
  • 数据聚类:通过自动聚类参数优化改进无监督学习
  • 网络设计:优化通信网络拓扑和路由协议以提高性能

使用方式

使用方式

1

随机分布在解空间中的鹰位置初始化种群。

2

鹰通过受翱翔和侦察行为启发的全局搜索策略移动以探索新区域。

3

随着迭代的进行,鹰会加强在有希望的解周围的搜索,从广泛探索过渡到集中利用。

4

评估每只鹰位置的适应度并跟踪发现的最佳解。

常见陷阱

  • 探索与利用参数之间不当的平衡可能导致过早收敛
  • 在约束问题中使用均匀随机初始化可能会浪费迭代次数在不可行区域
  • 忽略问题特定的缩放可能导致搜索解空间无效

常见问题

Aquila Optimizer 如何平衡探索与利用?

AO 使用依赖于迭代的比例,动态调整探索与利用的程度。早期迭代强调广泛探索以避免局部最优解,而后期迭代则集中在有希望的解周围。这种自适应机制自然地从算法设计中涌现,无需显式调整。

AO 与 Harris Hawks Optimization 有何主要区别?

虽然两者都是受猛禽启发的算法,但 AO 使用多个探索-利用阶段来模拟鹰的行为,而 HHO 则基于哈里斯鹰的合作狩猎。AO 通常表现出稍好的全局搜索能力,而 HHO 则通过钳形机动展现出更强的局部利用能力。

Aquila Optimizer 是否适用于约束问题?

是的,AO 可以通过惩罚方法或约束处理技术进行调整以适应约束优化。不可行解通过降低其适应度值来受到惩罚,从而自然地引导搜索趋向可行区域。

Aquila Optimizer 的合理种群规模是多少?

种群规模通常在 10-50 只鹰之间,30 只是一个常见的起点。更大的种群可以改善探索,但会增加计算成本。通过经验测试您特定的问题,以找到解决方案质量和计算效率之间的最佳平衡。

相关方法

参考文献

  1. 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.

    打开 DOI 文献
    已复制。