Американский алгоритм оптимизации «зебры» для задач глобальной оптимизации

Научные отчеты, том 13, Номер статьи: 5211 (2023) Цитировать эту статью

1366 Доступов

1 Цитаты

2 Альтметрика

Подробности о метриках

В этом исследовании предлагается новый биоинспирированный метаэвристический алгоритм, а именно алгоритм оптимизации американской зебры (AZOA), который имитирует социальное поведение американских зебр в дикой природе. Американские зебры отличаются от других млекопитающих своим ярким и увлекательным социальным характером и лидерскими качествами, которые заставляют детенышей зебр покидать стадо до наступления половой зрелости и присоединяться к отдельному стаду, не имеющему семейных связей. Уход детенышей зебры способствует диверсификации, предотвращая внутрисемейное спаривание. Более того, сближение обеспечивается упражнением на лидерство у американских зебр, которое управляет скоростью и направлением группы. Такое социальное поведение американских зебр является местным по своей природе и является основным источником вдохновения для предложения метаэвристического алгоритма AZOA. Для проверки эффективности алгоритма AZOA рассматриваются эталонные функции CEC-2005, CEC-2017 и CEC-2019, которые сравниваются с несколькими современными метаэвристическими алгоритмами. Результаты экспериментов и статистический анализ показывают, что AZOA способна находить оптимальные решения для максимальных контрольных функций, сохраняя при этом хороший баланс между разведкой и эксплуатацией. Кроме того, для демонстрации надежности AZOA были использованы многочисленные реальные инженерные задачи. Наконец, ожидается, что AZOA будет превосходно справляться с предстоящими расширенными функциями тестирования CEC и другими сложными инженерными задачами.

Оптимизация — это процесс определения переменных решения при сохранении различных ограничений для максимизации или минимизации функции стоимости. Ограничения, функция стоимости и переменные проектирования являются важнейшими компонентами любой задачи оптимизации. Методы оптимизации широко применимы в области техники1, выбора функций2,3, настройки параметров машинного обучения4, беспроводных сенсорных сетей5, обработки изображений6 и биоинформатики7. Большинство реальных задач являются весьма невыпуклыми и нелинейными из-за наличия множества переменных проектирования и внутренней природы ограничений. Более того, нет уверенности в получении глобального оптимального решения8. Проблемы, связанные с этими реальными проблемами, вдохновляют ученых разрабатывать новые и успешные стратегии для достижения лучших результатов. Подходы к оптимизации можно разделить на два типа, такие как детерминированные подходы, основанные на градиенте, и нетрадиционные подходы, основанные на стохастике9. Подходы, основанные на детерминизме, имеют ограничения при решении задач с разрывными пространствами поиска, невыпуклыми, многомерными и недифференцируемыми целевыми функциями. Однако стратегии, основанные на стохастике, не используют информацию, основанную на градиенте; вместо этого они достаточно умны, чтобы преодолеть ограничения, полагаясь на случайные методы в пространстве поиска. Метаэвристические алгоритмы преобладают благодаря своей широкой применимости среди различных методов стохастических подходов. Метаэвристические алгоритмы обладают высоким потенциалом для исследования пространства решений и использования наилучшего оптимального решения. Поэтому несколько исследователей попытались не только предложить новые метаэвристические алгоритмы, но и повысить эффективность существующих методов, что привело к появлению нескольких новых метаэвристических алгоритмов за последние несколько десятилетий. В целом метаэвристические алгоритмы можно сгруппировать в три основных типа, такие как эволюционные алгоритмы (EA), алгоритмы, основанные на природных явлениях (NP), и алгоритмы роевого интеллекта (SI)10,11. Эволюционные алгоритмы (ЭА) имитируют процесс эволюции Дарвина, используя три механизма: отбор, воспроизводство и мутацию. Некоторые из наиболее известных EA: Дифференциальная эволюция (DE)12, Генетический алгоритм (GA)13, Эволюционная стратегия адаптации ковариационной матрицы (CMA-ES)14, Эволюционная стратегия (ES)15, Адаптивные варианты DE на основе истории с линейным размером популяции. Сокращение (L-SHADE)16, оптимизатор на основе биогеографии (BBO)17 и оптимизатор на основе успеваемости учащегося — поведение (LPB)18. Алгоритмы на основе NP имитируют химические и физические законы космоса. Большинство известных алгоритмов, основанных на этой категории, — это имитация отжига (SA)19, оптимизация центральной силы (CFO)20, алгоритм гравитационного поиска (GSA)21, оптимизатор водного цикла (WCO)22, алгоритм черной дыры (BHA)23. , Алгоритм поиска молний (LSA)24, Многомерная оптимизация (MVO)25, Оптимизация теплообмена (TEO)11, Оптимизация растворимости газа Генри26, Оптимизатор равновесия (EO)27, Алгоритм оптимизации Архимеда (AOA)28, Алгоритм Лихтенберга (LA) )29, алгоритм направления потока (FDA)30 и оптимизация синтеза-деления (FuFiO)31. Алгоритмы Swarm Intelligence (SI) следуют естественному поведению млекопитающих, птиц и насекомых. Наиболее популярными алгоритмами на основе SI являются алгоритм оптимизатора роя частиц (PSO)32, оптимизатор серого волка (GWO)33, оптимизация выпаса слонов (EHO)34, оптимизация пламени мотылька (MFO)35, алгоритм оптимизации кита (WOA)36, Salp Алгоритм роя (SSA)37, Алгоритм оптимизатора кузнечика (GOA)38, Оптимизация Харриса Хокса (HHO)39, Импровизированный конкурентный оптимизатор роя (ICSO)40, Алгоритм туникатного роя (TSA)41, Распределение полетов Леви (LFD)10 и Алгоритм оптимизации американских стервятников (AVOA)42, оптимизатор Aquila (AO)43, оптимизатор Golden Eagle (GEO)44, алгоритм хищничества косаток (OPA)45 и оптимизация искусственных кроликов (ARO)46, оптимизатор отрядов искусственных горилл (GTO)47, Оптимизатор горной газели (МГО)48. Следует подчеркнуть, что существующие метаэвристики49 имеют преимущества и ограничения. Например, классический алгоритм PSO имеет недостаток преждевременной сходимости в многомерном пространстве поиска, тогда как генетический алгоритм имеет трудности с настройкой параметров и обширными вычислениями. Аналогичным образом, алгоритм гравитационного поиска имеет такие недостатки, как медленная скорость сходимости и наличие множества управляющих параметров. Известный алгоритм GWO с трудом решает сложные инженерные задачи из-за своей низкой способности к локальному поиску. Кроме того, недавно предложенный алгоритм TSA неспособен решать мультимодальные задачи больших размерностей. Поэтому крайне важно преодолеть эти ограничения путем адаптации новых методов и методологий. Более того, «Теорема об отсутствии бесплатных обедов (НФЛ)»50 утверждает, что ни один алгоритм не может считаться лучшим оптимизатором для всех задач оптимизации. Нерешенные проблемы также требуют ограниченного подхода для поиска решений. В результате исследователям по всему миру необходимо часто предлагать новаторские метаэвристики. Таким образом, в этой статье проектируется новая мета-эвристика, вдохновленная социальным поведением американских зебр, а именно Алгоритм оптимизации американских зебр (AZOA). Американские зебры — социально адаптированные животные, которые живут в группах, состоящих из самца, нескольких самок и потомства51. Основные виды поведения зебр включают кормление, спаривание, сохранение социальной иерархии и руководство молодежью52,53. Американские зебры отличаются от других млекопитающих своим уникальным и очаровательным характером «честность». Социальный характер «честность» заставляет зеброчек покидать стадо до наступления половой зрелости и присоединяться к отдельному стаду, не имеющему никаких семейных связей. Этот уход детенышей зебры уравновешивает диверсификацию, предотвращая внутрисемейное спаривание. Более того, взрослый самец зебры в группе очаровывает зебру-самку, чтобы убедить их в сближении. Эта самая скудная концепция социального согласия вдохновляет нас предложить американский алгоритм оптимизации «Зебра» (AZOA). Ожидается, что простота и надежность алгоритма AZOA будут способствовать быстрым и точным глобальным решениям при решении эталонных функций и реальных инженерных задач. Основные результаты данного исследования заключаются в следующем: