Блог

Apr 03, 2023

Новая биография

Научные отчеты, том 13,

Научные отчеты, том 13, Номер статьи: 8775 (2023) Цитировать эту статью

2297 Доступов

Подробности о метриках

В этой статье представлен новый биоинспирированный метаэвристический алгоритм под названием «Алгоритм оптимизации моржей» (WaOA), который имитирует поведение моржей в природе. Фундаментальным источником вдохновения для дизайна WaOA являются процессы питания, миграции, побега и борьбы с хищниками. Шаги внедрения WaOA математически смоделированы в три этапа: исследование, миграция и эксплуатация. Шестьдесят восемь стандартных функций тестирования, включая унимодальные, многомерные мультимодальные, мультимодальные фиксированной размерности, набор тестов CEC 2015 и набор тестов CEC 2017, используются для оценки производительности WaOA в приложениях оптимизации. Результаты оптимизации унимодальных функций указывают на возможности эксплуатации WaOA, результаты оптимизации мультимодальных функций указывают на разведочные возможности WaOA, а результаты оптимизации тестовых наборов CEC 2015 и CEC 2017 указывают на высокую способность WaOA балансировать разведку и эксплуатацию во время процесс поиска. Производительность WaOA сравнивается с результатами десяти известных метаэвристических алгоритмов. Результаты моделирования показывают, что WaOA, благодаря своей превосходной способности балансировать разведку и эксплуатацию, а также способности обеспечивать превосходные результаты для большинства функций тестирования, продемонстрировал чрезвычайно конкурентоспособную и превосходную производительность по сравнению с другими сопоставимыми алгоритмами. Кроме того, использование WaOA для решения четырех проблем проектирования и двадцати двух реальных задач оптимизации из набора тестов CEC 2011 демонстрирует очевидную эффективность WaOA в реальных приложениях. Коды MATLAB WaOA доступны по адресу https://uk.mathworks.com/matlabcentral/profile/authors/13903104.

В последнее время многие оптимизационные задачи в науке, технике, промышленности и технологиях приходится решать с использованием методов оптимизации. С математической точки зрения переменные решения, ограничения и целевые функции являются тремя основными частями моделирования задачи оптимизации. Целью оптимизации является количественная оценка переменных решения задачи так, чтобы при соблюдении ограничений это приводило к достижению минимального (задачи минимизации) или максимального (задачи максимизации) значения целевой функции1. Прикладные методы решения задач оптимизации делятся на детерминистический и стохастический подходы. Чтобы выбрать подходящий метод решения задачи оптимизации, пользователю необходима полная информация о сравнении методов решения задач. Напротив, часто требуется больше информации, чем доступно пользователю. Стохастические подходы, которые в основном основаны на случайном поиске в пространстве решения задач, могут решать проблемы черного ящика проще, чем многие детерминированные алгоритмы. Эти подходы также подходят для задач, в которых оценки функций искажаются шумом. Каждый детерминистический и стохастический подход имеет различные преимущества, и, как правило, ни один из них нельзя считать лучшим. Более подробная информация и детальное сравнение детерминистического и стохастического подходов представлены в книге Красова2.

В качестве одного из наиболее широко используемых стохастических подходов метаэвристические алгоритмы, использующие стохастические операторы, концепции проб и ошибок и стохастический поиск, могут обеспечить подходящие решения задач оптимизации, не требуя производной информации от целевой функции. Простота идей, легкая реализация, независимость от типа проблемы и отсутствие необходимости в процессе вывода являются одними из преимуществ, которые привели к популярности и распространению метаэвристических алгоритмов среди исследователей3. Процесс оптимизации в метаэвристических алгоритмах начинается со случайной генерации нескольких начальных допустимых решений в пространстве поиска задачи. Затем в ходе итерационного процесса, основанного на эффективности шагов алгоритма, эти первоначальные решения улучшаются. Наконец, лучшее решение, найденное в ходе реализации алгоритма, представляется как решение задачи4. Однако ни один из метаэвристических алгоритмов не гарантирует, что они смогут предоставить оптимальное глобальное решение. Эта недостаточность обусловлена ​​природой случайного поиска в этих типах подходов к оптимизации. Следовательно, решения, полученные с помощью метаэвристических алгоритмов, известны как квазиоптимальные решения5.