Skip to content
返回搜索结果

算术优化算法

提出者
Laith Abualigah
年份
2020
类型
Mathematical metaheuristic algorithm
类别
Mathematical Optimization

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?

算术优化算法(AOA)是Abualigah等人于2020年提出的一种元启发式优化方法,它利用数学运算符(乘法、除法、加法、减法)作为搜索策略的灵感来源。与受自然启发的算法不同,AOA利用算术运算的固有特性来平衡探索和开发,使其对数学优化问题特别有效。

方法背后的直觉

AOA的核心思想是将优化视为一个数学过程,其中算术运算符驱动搜索。乘法和除法运算符将解决方案广泛地分散在搜索空间中(探索),而加法和减法运算符则在局部细化解决方案(开发)。这种数学抽象消除了对生物隐喻的需求,同时保持了有效性。该算法根据迭代进度概率性地选择这些运算符类别,自然地从探索过渡到开发。

历史学

AOA由Laith Abualigah及其合作者于2020年提出,发表在《应用数学与计算》上。该算法代表了对纯粹受自然启发的元启发式算法的背离,转而将优化理论建立在数学运算之上。这种方法为算法设计提供了新的视角,并已在众多基准问题和实际应用中证明了其有效性。

何时使用

将AOA应用于连续和离散优化问题,特别是当问题的数学特性被充分理解时。对工程设计、机器学习超参数调整和组合问题有效。当计算简单性和快速收敛是优先考虑时,首选此方法。

局限与注意事项

  • 对于某些从业者来说,数学抽象可能不如受自然启发的方​​法直观
  • 与经典优化方法相比,收敛特性的理论分析有限
  • 在高维问题上的性能在不同问题场景中表现出可变的结果

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

  • 简单的数学基础,无需生物启发或复杂的行为建模
  • 数学运算计算效率高,减少了每次迭代的开销
  • 通过运算符选择概率在探索和开发之间实现强平衡
  • 在各种基准函数和实际问题上表现出有竞争力的性能

应用

  • 结构工程:优化梁尺寸、截面和材料分布
  • 机器学习:调整神经网络权重和偏差项以提高收敛性和准确性
  • 调度问题:确定制造中的最佳任务调度和资源分配
  • 函数逼近:寻找基函数展开和插值的最佳参数
  • 电网优化:最小化功率损耗并优化发电机组承诺
  • 投资组合管理:在资产之间分配投资以最大化风险调整回报

使用方式

使用方式

1

在搜索空间中均匀分布地创建候选解决方案的初始种群。

2

应用乘法和除法运算符以生成多样化的新解决方案并探索未开发的区域。

3

应用加法和减法运算符以细化围绕最佳发现位置的解决方案。

4

评估新解决方案的适应度,并更新种群和最佳解决方案跟踪器。

常见陷阱

  • 过于激进地偏向乘法/除法的运算符概率设置可能会阻止收敛
  • 优化早期探索不足会导致陷入局部最优
  • 决策变量相对于搜索空间边界的不当缩放会影响搜索效率

常见问题

为什么AOA中乘法和除法用于探索?

乘法和除法运算会产生更大的幅度和更广泛的值分散,导致解决方案在搜索空间中扩散。这种自然的散布通过防止过早集中在单个区域来支持探索。

AOA与遗传算法有何不同?

遗传算法(GA)使用受生物学启发的选择、交叉和变异,而AOA直接使用算术运算符作为搜索机制。AOA通常收敛更快,超参数更少,尽管GA在高度不规则的场景中可能探索更有效。

AOA能否处理离散优化问题?

是的,AOA可以通过离散化方法(例如对连续解进行舍入或映射到离散变量索引)进行调整以处理离散问题。但是,需要仔细设计运算符应用策略以保持算法的有效性。

AOA每次迭代的计算复杂度是多少?

AOA每次迭代的计算复杂度为线性O(N*D),其中N是种群大小,D是问题维度。这使得它与需要成对距离计算的算法相比,计算效率更高。

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). Arithmetic optimization algorithm: A new metaheuristic algorithm for solving optimization problems. Applied Mathematics and Computation, 392, 125450.

    打开出版物文献
    已复制。