DOI: https://doi.org/10.1007/s11831-024-10168-6
تاريخ النشر: 2024-08-21
المؤلف: Essam H. Houssein وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
تقدم هذه القسم نظرة شاملة على خوارزميات الميتاهيرستيك (MAs)، مع التركيز على أهميتها في معالجة مشاكل التحسين المعقدة عبر مجالات متنوعة. تسلط الدراسة الضوء على مزايا MAs مقارنة بتقنيات حل المشكلات التقليدية، موضحة تصنيفاتها بناءً على عوامل مثل مصادر الإلهام، عدد وكلاء البحث، آليات التحديث، ومعلمات الخوارزمية. كما تستعرض تطبيقات MAs في مجالات متنوعة، بما في ذلك تصميم الهندسة، مشاكل NP-hard، العلوم الطبية، والروبوتات.
علاوة على ذلك، تحدد الأبحاث القضايا المفتوحة الرئيسية والتحديات داخل الأدبيات المتعلقة بالميتاهيرستيك، مقدمة رؤى حول اتجاهات البحث المستقبلية. من خلال تجميع المعرفة الحالية وتحديد الجوانب الأساسية لـ MAs، تعتبر هذه المراجعة مصدرًا قيمًا لكل من الباحثين الراسخين والمبتدئين، موجهة إياهم نحو مجالات البحث النشطة والمشاكل غير المحلولة في مجال التحسين.
مقدمة
تؤكد مقدمة ورقة البحث على الدور الحاسم للتحسين في تعزيز الأداء عبر مجالات تنافسية متنوعة من خلال الاستخدام الفعال للموارد المحدودة. يشمل التحسين اختيار قيم المعلمات المثلى من مجموعة محددة لتحقيق النتائج المرغوبة، تحديدًا من خلال تقليل أو زيادة دالة الهدف. تشمل العملية صياغة المشكلة، بناء دالة الهدف، تحديد المتغيرات القرار، وتطوير نموذج رياضي لتمثيل المشكلة. يتم تسليط الضوء على خوارزميات التحسين العشوائية، وخاصة الخوارزميات الاستدلالية (HAs) وخوارزميات الميتاهيرستيك (MAs)، كطرق واعدة. تعتبر HAs تكرارية وقد تنتج حلولًا قابلة للتطبيق دون ضمان الأمثلية، بينما تفضل MAs لقدرتها على معالجة مجموعة أوسع من المشاكل وتحسين جودة الحلول.
تناقش الورقة أيضًا دمج المعرفة الميدانية في خوارزميات الميتاهيرستيك، مما يمكن أن يعزز الأداء من خلال تخصيص مشغلات الخوارزمية وآليات البحث لتناسب الخصائص المحددة للمشكلة. تشير الملاحظات الرئيسية من البحث إلى تطبيق MAs في الحوسبة المتوازية، ودمج الذكاء الاصطناعي وتعلم الآلة لتعديل المعلمات بشكل تكيفي، وتطوير طرق لمعالجة تحديات التحسين العالمي على نطاق واسع (LSGO). بالإضافة إلى ذلك، يتم التأكيد على هجين الخوارزميات كوسيلة للاستفادة من نقاط القوة لعدة طرق، مما يسهل الرؤى حول التركيبات المثلى لأداء محسّن.
طرق
في هذا القسم، يقوم المؤلفون بفحص ادعاءات الجدة المرتبطة بخوارزميات التحسين المستندة إلى الاستعارات، مع التركيز بشكل خاص على إمكانية تكرار هذه الطرق. يقومون بتحليل ستة خوارزميات مستخدمة على نطاق واسع—الذئب الرمادي، لهب العثة، الحوت، اليراعة، الخفاش، وأسد النمل—مظهرين أن مكوناتها تعادل أساسًا تقنيات راسخة مثل الخوارزميات التطورية وتحسين سرب الجسيمات. يؤدي ذلك إلى استنتاج أن العديد من هذه الخوارزميات المستوحاة من الاستعارات تفتقر إلى الابتكار الحقيقي، وغالبًا ما تعيد تسمية المفاهيم الموجودة تحت مصطلحات جديدة دون تقديم مبادئ جديدة في مجال الميتاهيرستيك.
يسلط المؤلفون الضوء على عدة أوجه قصور في تطوير وتبرير الطرق المستندة إلى الاستعارات. تشمل هذه الترجمات غير الكافية للاستعارات إلى نماذج رياضية، الاعتماد على دوافع سطحية لاستخدامها، ونقص التقييم الدقيق مقابل المشاكل الحديثة. لمعالجة هذه القضايا، يقترحون مقياسين أساسيين لتقييم صلاحية الخوارزميات الجديدة: الفائدة، التي تتطلب توضيحًا واضحًا لكيفية مساعدة الاستعارة في حل مشاكل التحسين، والجدة، التي تقيم ما إذا كانت الاستعارة نفسها مبتكرة حقًا. من خلال الالتزام بهذه المعايير، يمكن للباحثين دعم ادعاءاتهم بالجدّة بشكل أفضل في مجال تحسين الميتاهيرستيك.
مناقشة
في هذا القسم، يتعمق المؤلفون في مفهوم التحسين، معرفين إياه بأنه عملية العثور على أفضل حل لمشكلة تحت قيود معينة. يسلطون الضوء على تطبيقاته العملية، مثل زيادة الأرباح أو تقليل التأثيرات البيئية، ويؤكدون على دوره في تحسين عمليات التصميم مقارنة بأساليب التجربة والخطأ التقليدية. تؤكد المناقشة على أهمية التحسين في محاكاة الحلول المحتملة عندما تكون التجارب الفيزيائية غير عملية، مما يمكّن الصناعات من الحفاظ على ميزة تنافسية على الرغم من الموارد المحدودة.
تقوم الورقة أيضًا بتصنيف خوارزميات الميتاهيرستيك (MAs) إلى تصنيفات متنوعة بناءً على مصادر الإلهام، عدد وكلاء البحث، آليات التحديث، وعدد المعلمات. من الجدير بالذكر أن MAs يمكن تصنيفها إلى خوارزميات مستوحاة من الطبيعة، خوارزميات تطورية، وتلك المستندة إلى سلوك الإنسان أو الظواهر الفيزيائية. يميز المؤلفون أيضًا بين الخوارزميات المستندة إلى حل واحد وتلك المستندة إلى مجموعة، موضحين أنه بينما تتطلب الأولى عادةً وقت حساب أقل، فإن الأخيرة غالبًا ما تنتج حلولًا عالمية أفضل بسبب تبادل المعلومات التعاونية بين الوكلاء. تختتم القسم بمناقشة مزايا MAs، بما في ذلك بساطتها ومرونتها، مما يسهل تطبيقها عبر مشاكل التحسين المتنوعة.
القيود
تسلط قيود نظرية “لا غداء مجاني” (NFL) الضوء على تحديات كبيرة في مجال التحسين. بينما تؤكد نظرية NFL أنه لا يمكن لخوارزمية تحسين واحدة أن تتفوق على الأخرى عبر جميع أنواع المشاكل، فإن قابليتها للتطبيق تُثبت أساسًا للتحسين ذو الهدف الواحد. تمتد هذه القيود إلى مشاكل التحسين متعددة الأهداف والمستمرة، مما يتطلب استكشافًا إضافيًا لكيفية تفسير NFL عبر أبعاد مختلفة. بالإضافة إلى ذلك، تظل مقارنة الخوارزميات المختلفة مشكلة، خاصة عندما تم تصميمها لأهداف متميزة، مما يؤدي إلى نقص في طرق التقييم الدقيقة والعادلة في الأدبيات.
تتعلق قيود أخرى حاسمة بضبط المعلمات والتحكم، وهي ضرورية لتحسين أداء الخوارزمية. يمكن أن تعيق المعلمات غير المضبوطة بشكل جيد فعالية الخوارزمية بشكل كبير، ومع ذلك فإن الطرق النظامية لضبط وتحكم تلقائي لا تزال غير متطورة. تشمل الأساليب الحالية غالبًا اختبارات بارامترية أو طرق عشوائية، ولكن يمكن أن تكون هذه مكلفة حسابيًا. هناك حاجة ملحة لتقنيات تعديل المعلمات التكيفية التي تقلل من التكاليف الحسابية بينما تعزز الأداء.
علاوة على ذلك، لا يزال دمج الميتاهيرستيك مع البيانات الضخمة وتعلم الآلة (ML) غير مستكشف بشكل كافٍ. مع زيادة حجم البيانات، هناك فجوة ملحوظة في تطبيق خوارزميات الميتاهيرستيك على تحديات البيانات الضخمة. يتم تشجيع الباحثين على تطوير منهجيات تستفيد من الميتاهيرستيك بالتزامن مع خوارزميات البيانات الضخمة. بالمثل، لم يتم تحقيق الإمكانات الكاملة لتقنيات ML في تعزيز عمليات التحسين من خلال تمثيل المشكلة تلقائيًا وتكوين الخوارزمية بعد. قد يؤدي التأكيد على الجمع بين ML والميتاهيرستيك إلى تقدم كبير في قدرات اتخاذ القرار وحل المشكلات ضمن مجال التحسين.
DOI: https://doi.org/10.1007/s11831-024-10168-6
Publication Date: 2024-08-21
Author(s): Essam H. Houssein et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
This section provides a comprehensive overview of metaheuristic algorithms (MAs), emphasizing their significance in addressing complex optimization problems across various domains. The study highlights the advantages of MAs over traditional problem-solving techniques, detailing their classifications based on factors such as inspiration sources, the number of search agents, updating mechanisms, and algorithm parameters. It also reviews the application of MAs in diverse fields, including engineering design, NP-hard problems, medical science, and robotics.
Furthermore, the research identifies key open issues and challenges within the metaheuristic literature, offering insights into future research directions. By synthesizing existing knowledge and outlining the fundamental aspects of MAs, this review serves as a valuable resource for both established researchers and newcomers, guiding them toward active areas of inquiry and unresolved problems in the field of optimization.
Introduction
The introduction of the research paper emphasizes the critical role of optimization in enhancing performance across various competitive fields by effectively utilizing limited resources. Optimization involves selecting optimal parameter values from a defined set to achieve desired outcomes, specifically through the minimization or maximization of an objective function. The process encompasses problem formulation, objective function construction, decision variable identification, and the development of a mathematical model to represent the problem. Stochastic optimization algorithms, particularly heuristic algorithms (HAs) and metaheuristic algorithms (MAs), are highlighted as promising approaches. HAs are iterative and may yield feasible solutions without guaranteeing optimality, while MAs are preferred for their ability to address a broader range of problems and improve solution quality.
The paper further discusses the integration of domain knowledge into metaheuristic algorithms, which can enhance performance by tailoring algorithmic operators and search mechanisms to the specific characteristics of the problem. Key observations from the research suggest the application of MAs in parallel computing, the incorporation of artificial intelligence and machine learning for adaptive parameter adjustment, and the development of methods to tackle large-scale global optimization (LSGO) challenges. Additionally, the hybridization of algorithms is emphasized as a means to leverage the strengths of multiple approaches, facilitating insights into optimal combinations for enhanced performance.
Methods
In this section, the authors critically examine the novelty claims associated with metaphor-based optimization algorithms, specifically addressing the potential redundancy of these methods. They analyze six widely used algorithms—grey wolf, moth-flame, whale, firefly, bat, and ant lion—demonstrating that their components are fundamentally equivalent to established techniques such as evolutionary algorithms and particle swarm optimization. This leads to the conclusion that many of these metaphor-inspired algorithms lack true innovation, often merely rebranding existing concepts under new terminologies without contributing novel principles to the field of metaheuristics.
The authors highlight several shortcomings in the development and justification of metaphor-based methods. These include inadequate translations of metaphors into mathematical models, reliance on superficial motivations for their use, and a lack of rigorous evaluation against state-of-the-art problems. To address these issues, they propose two essential metrics for assessing the validity of new algorithms: usefulness, which requires a clear articulation of how the metaphor aids in solving optimization problems, and novelty, which evaluates whether the metaphor itself is genuinely innovative. By adhering to these criteria, researchers can better substantiate their claims of novelty in the realm of metaheuristic optimization.
Discussion
In this section, the authors delve into the concept of optimization, defining it as the process of finding the best solution to a problem under given constraints. They highlight its practical applications, such as maximizing profits or minimizing environmental impacts, and emphasize its role in enhancing design processes over traditional trial-and-error methods. The discussion underscores the importance of optimization in simulating potential solutions when physical trials are impractical, thereby enabling industries to maintain a competitive edge despite limited resources.
The paper further categorizes metaheuristic algorithms (MAs) into various taxonomies based on inspiration sources, the number of search agents, updating mechanisms, and the number of parameters. Notably, MAs can be classified into nature-inspired algorithms, evolutionary algorithms, and those based on human behavior or physical phenomena. The authors also differentiate between single-solution-based and population-based algorithms, explaining that while the former typically require less computational time, the latter often yield better global solutions due to collaborative information sharing among agents. The section concludes by discussing the merits of MAs, including their simplicity and flexibility, which facilitate their application across diverse optimization problems.
Limitations
The limitations of the No-Free-Lunch (NFL) theorem highlight significant challenges in the field of optimization. While the NFL theorem asserts that no single optimization algorithm can outperform others across all problem types, its applicability is primarily established for single-objective optimization. This limitation extends to multi-objective and continuous optimization problems, necessitating further exploration of how NFL can be interpreted across various dimensions. Additionally, the comparison of different algorithms remains problematic, particularly when they are designed for distinct objectives, leading to a lack of rigorous and fair evaluation methods in the literature.
Another critical limitation pertains to parameter tuning and control, which are essential for optimizing algorithm performance. Poorly tuned parameters can severely hinder an algorithm’s effectiveness, yet systematic methods for automatic tuning and control are still underdeveloped. Current approaches often involve parametric tests or stochastic methods, but these can be computationally expensive. There is a pressing need for adaptive parameter adjustment techniques that minimize computational costs while enhancing performance.
Furthermore, the integration of metaheuristics with big data and machine learning (ML) remains insufficiently explored. As the volume of data grows, there is a notable gap in applying metaheuristic algorithms to big data challenges. Researchers are encouraged to develop methodologies that leverage metaheuristics in conjunction with big data algorithms. Similarly, the potential of ML techniques to enhance optimization processes through automatic problem representation and algorithm configuration has yet to be fully realized. Emphasizing the combination of ML with metaheuristics could lead to significant advancements in decision-making and problem-solving capabilities within the optimization domain.