WikiDer > Оптимизация дисперсионных мух

Dispersive flies optimisation
Поведение роя в оптимизации рассредоточенных мух

Оптимизация дисперсионных мух (DFO) является голым рой интеллект алгоритм, основанный на роящемся поведении мух, парящих над источниками пищи.[1] DFO - это простой оптимизатор который работает итеративно пытаясь улучшить возможное решение относительно числовой меры, которая вычисляется фитнес-функция. У каждого члена популяции, мухи или агента, есть решение-кандидат, пригодность которого можно оценить по значению их пригодности. Проблемы оптимизации часто формулируются как задачи минимизации или максимизации.

DFO [2] был введен с целью анализа упрощенного алгоритма разведки роя с наименьшим количеством настраиваемых параметров и компонентов. В первой работе над DFO этот алгоритм сравнивался с несколькими другими существующими методами разведки роя с использованием ошибка, меры эффективности и разнообразия. Показано, что несмотря на простоту алгоритма, который использует только векторы положения агентов в момент времени т для генерации векторов положения для времени т +1, он демонстрирует конкурентоспособные характеристики. С момента своего создания DFO использовался во множестве приложений, включая медицинскую визуализацию и анализ изображений, а также интеллектуальный анализ данных и машинное обучение.

Алгоритм

DFO имеет много общего с другими существующими непрерывными оптимизаторами на основе популяции (например, оптимизация роя частиц и дифференциальная эволюция). Таким образом, роение особей состоит из двух тесно связанных механизмов: один - это формирование роя, а другой - его разрушение или ослабление. DFO работает, облегчая обмен информацией между членами популяции (роящиеся мухи). Каждая муха представляет позицию в d-мерное пространство поиска: , а приспособленность каждой мухи рассчитывается функцией приспособленности , который учитывает мухи ' d размеры: .

В псевдокод ниже представлена ​​одна итерация алгоритма:

за i = 1: N летит конец для я  = arg min за i = 1: N и     за d = 1: размеры D если                     еще                    конец, если     конец для dконец для я 

В приведенном выше алгоритме представляет муху в измерении и время ; представляет лучший соседний прилет кольцевая топология (влево или вправо, с использованием индексов мух), при измерении и время ; и лучшая муха роя. Используя это уравнение обновления, обновление популяции роя зависит от лучшего соседа каждой мухи (который используется в качестве основного , а разница между текущей и лучшей в стае мухой представляет собой распространение движения, ).

Помимо численности населения , единственным настраиваемым параметром является порог возмущения , который управляет размерным перезапуском в каждом векторе полета. Этот механизм предлагается для контроля разнообразия роя.

Другой известный минималистский алгоритм роя - это рои частиц голых костей (BB-PSO),[3] который основан на оптимизации роя частиц и дифференциальной эволюции голых костей (BBDE) [4] который представляет собой гибрид простого оптимизатора роя частиц и дифференциальной эволюции, направленный на уменьшение количества параметров. Альхакбани в своей докторской диссертации[5] охватывает многие аспекты алгоритмов, включая несколько приложений DFO при выборе функций, а также настройке параметров.

Приложения

Некоторые из недавних приложений DFO перечислены ниже:

Рекомендации

  1. ^ Доунс, Дж. А. (январь 1969 г.). «Стайка и спаривание двукрылых». Ежегодный обзор энтомологии. 14 (1): 271–298. Дои:10.1146 / annurev.en.14.010169.001415.
  2. ^ ар-Рифаи, Мохаммад Маджид (2014). Оптимизация дисперсионных мух. Труды Федеративной конференции по информатике и информационным системам 2014 г., IEEE. Труды Федеративной конференции по информатике и информационным системам 2014 г. 2. С. 529–538. Дои:10.15439 / 2014f142. ISBN 978-83-60810-58-3.
  3. ^ Кеннеди, Дж. (2003). Рой частиц голых костей. Материалы симпозиума IEEE Swarm Intelligence Symposium 2003 г., 2003 г. SIS '03. С. 80–87. Дои:10.1109 / SIS.2003.1202251. ISBN 978-0-7803-7914-5.
  4. ^ Омран, Махамед Г.Х .; Engelbrecht, Andries P .; Салман, Айед (июль 2009 г.). «Дифференциальная эволюция голых костей» (PDF). Европейский журнал операционных исследований. 196 (1): 128–139. Дои:10.1016 / j.ejor.2008.02.035. HDL:2263/8794.
  5. ^ Альхакбани, Хайя (2018). Обработка классового дисбаланса с использованием методов разведки роя, гибридных данных и решений на алгоритмическом уровне. Лондон, Великобритания: [докторская диссертация] Goldsmiths, Лондонский университет.
  6. ^ Alhakbani, H.A .; аль-Рифаи, М. М. (2017). Оптимизация SVM для классификации несбалансированных данных с помощью Dispersive Flies Optimization. Федеративная конференция по информатике и информационным системам (FedCSIS), 2017 г., IEEE. Труды Федеративной конференции по информатике и информационным системам 2017 г. 11. С. 399–402. Дои:10.15439 / 2017F91. ISBN 978-83-946253-7-5.
  7. ^ ар-Рифаи, Мохаммад Маджид; Урсын, Анна; Циммер, Роберт; Джавахери Джавид, Мохаммед Али (2017). О симметрии, эстетике и количественной оценке симметричной сложности. Вычислительный интеллект в музыке, звуке, искусстве и дизайне. Конспект лекций по информатике. 10198. С. 17–32. Дои:10.1007/978-3-319-55750-2_2. ISBN 978-3-319-55749-6.
  8. ^ ар-Рифаи, Мохаммад Маджид; Фоль Леймари, Фредерик; Латам, Уильям; Епископ, Марк (2017). «Роевой автопоэзис и вычислительное творчество» (PDF). Связь Наука. 29 (4): 276–294. Bibcode:2017ConSc..29..276A. Дои:10.1080/09540091.2016.1274960.
  9. ^ ар-Рифаи, Мохаммад Маджид; Абер, Ахмед (2016). Оптимизация дисперсионных мух и медицинская визуализация (PDF). Последние достижения в области вычислительной оптимизации. Исследования в области вычислительного интеллекта. 610. С. 183–203. Дои:10.1007/978-3-319-21133-6_11. ISBN 978-3-319-21132-9.
  10. ^ Король, Майкл; аль-Рифаи, Мохаммад Маджид (2017). «Построение простых неидентичных органических структур с оптимизацией рассеивания мух и * поиском пути». AISB 2017: Игры и ИИ: 336–340.
  11. ^ Хуман, О. М. Дж .; al-Rifaie, M. M .; Николау, М. А. (2018). «Глубокая нейроэволюция: обучение глубоких нейронных сетей для обнаружения ложных тревог в отделениях интенсивной терапии». 2018 26-я Европейская конференция по обработке сигналов (EUSIPCO): 1157–1161. Дои:10.23919 / EUSIPCO.2018.8552944. ISBN 978-9-0827-9701-5.
  12. ^ Апараджея, Прашант; Леймари, Фредерик Фол; аль-Рифаи, Мохаммад Маджид (2019). «Идентификация ключевых точек анимации на основе роя из 2D-карт медиальности» (PDF). Вычислительный интеллект в музыке, звуке, искусстве и дизайне. Конспект лекций по информатике. Издательство Springer International. 11453: 69–83. Дои:10.1007/978-3-030-16667-0_5. ISBN 978-3-030-16666-3.