DOI: https://doi.org/10.1016/j.knosys.2024.111737
تاريخ النشر: 2024-04-12
المؤلف: Xiaopeng Wang وآخرون
الموضوع الرئيسي: أبحاث خوارزميات التحسين الميتاهيرستية
نظرة عامة
تقدم هذه الدراسة المحسن الاصطناعي للبرمائيات (APO)، وهو خوارزمية تحسين جديدة مستوحاة من السلوكيات البقاء للبرمائيات، بما في ذلك البحث عن الطعام، السكون، والتكاثر. تم اختبار APO بدقة ضد 32 خوارزمية متطورة باستخدام معيار مؤتمر IEEE 2022 للحساب التطوري، الذي يشمل مجموعة متنوعة من أنواع الوظائف. استخدمت تقييم الأداء طرقًا إحصائية مثل اختبار ويلكوكسون للرتب الموقعة للمقارنات الزوجية واختبار فريدمان للمقارنات المتعددة. أظهر APO نتائج تنافسية في حل كل من مشاكل تصميم الهندسة في المساحات المستمرة ومهمة تقسيم الصور متعددة المستويات في المساحات المنفصلة.
تتضمن الخوارزمية متجه رسم فريد \( M_f \) يؤثر على التقاطع البُعدي للحلول المرشحة، مما يعزز استراتيجية حيث تخضع الحلول ذات الأداء الأفضل لتغييرات أقل بينما يُسمح للحلول الأضعف باستكشاف المزيد. تعزز هذه الطريقة التوازن بين الاستغلال والاستكشاف ضمن عملية التحسين. على الرغم من أن APO أظهر تحسينات كبيرة مقارنة بالخوارزميات الموجودة، يعترف المؤلفون بأنه لا يزال في مرحلة أولية لمعالجة تحديات التحسين المعقدة. تشمل اتجاهات البحث المستقبلية تطبيق APO على مشاكل تحسين ثنائية، واسعة النطاق، متعددة الأهداف، ومتعددة المهام، بالإضافة إلى تحسين أدائه من خلال تقنيات متقدمة متنوعة وإمكانية دمجه مع خوارزميات أخرى.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية مشاكل التحسين عبر مجالات مختلفة، بما في ذلك معالجة الإشارات، معالجة الصور، والتصميم الميكانيكي. يتضمن التحسين العثور على حلول مثلى ضمن مساحة القرار، عادةً بهدف تعظيم أو تقليل الأهداف مع الالتزام بالقيود. تصنف الورقة مشاكل التحسين بناءً على مساحة القرار (مستمرة مقابل منفصلة)، القيود (غير مقيدة مقابل مقيدة)، وطبيعة الأهداف (هدف واحد، متعدد، أو العديد من الأهداف). تسلط الضوء على التحديات التي تطرحها المشاكل NP-hard، التي غالبًا ما تجعل تقنيات التحسين الرياضية التقليدية غير فعالة، مما يؤدي إلى اعتماد خوارزميات ميتاheuristic.
تُعرف خوارزميات الميتاheuristic بأنها منهجيات على مستوى أعلى لحل مشاكل التحسين، ويمكن تصنيفها إلى S-metaheuristics (حل واحد) و P-metaheuristics (حلول سكانية). تحسن S-metaheuristics حلاً واحدًا بشكل تكراري ولكن قد تعاني من التقارب المبكر، بينما تعزز P-metaheuristics مجموعة من الحلول، مستفيدة من المعلومات المشتركة ولكن تتكبد تكاليف حسابية أعلى. توضح المقدمة أيضًا مجموعة متنوعة من الخوارزميات المستوحاة من السلوكيات البيولوجية، الفيزيائية، والبشرية، مثل الخوارزميات الجينية، تحسين سرب الجسيمات، والتحسين القائم على التعليم والتعلم. تؤكد الورقة على المفهومين الثنائيين للاستكشاف والاستغلال في التحسين، مشيرة إلى التحدي المتمثل في تحقيق التوازن بين هذه العناصر. تشمل المساهمات الرئيسية للدراسة تطوير محسن اصطناعي جديد مستوحى من البرمائيات (APO)، الذي يظهر أداءً متفوقًا على 32 خوارزمية موجودة في اختبارات المعايير وتطبيقات العالم الحقيقي.
طرق
في هذا القسم، يتم تقييم الخوارزمية المقترحة من خلال تحليل تجريبي باستخدام معيار CEC2022، كما هو موضح في الجدول 2. تم إجراء التقييم على جهاز كمبيوتر محمول شخصي يعمل بنظام Windows 11، مزودًا بـ 16 جيجابايت من ذاكرة الوصول العشوائي ومعالج Intel(R) Core(TM) i7-8750H يعمل بتردد 2.20 جيجاهرتز. تم تنفيذ خوارزمية APO باستخدام MATLAB، مما يضمن بيئة خاضعة للرقابة لقياس وتحليل الأداء.
نقاش
في هذا القسم، يقدم المؤلفون خوارزمية المحسن الاصطناعي للبرمائيات (APO)، المستوحاة من الخصائص والسلوكيات البيولوجية للإيuglena، نوع من البرمائيات. تظهر الإيuglena أنماط تغذية ذاتية التغذية وغير ذاتية التغذية، إلى جانب سلوكيات فريدة مثل التحرك نحو الضوء، السكون، والتكاثر اللاجنسي من خلال الانقسام الثنائي. يتم نمذجة هذه الخصائص البيولوجية رياضيًا لإبلاغ تصميم الخوارزمية، التي تهدف إلى تحسين حل المشكلات من خلال تقليد هذه العمليات الطبيعية. تتضمن الخوارزمية آليات للبحث عن الطعام، السكون، والتكاثر، مما يسمح لها باستكشاف واستغلال مساحة الحل بشكل تكيفي.
توضح النماذج الرياضية التي تدعم خوارزمية APO كيف تتنقل البرمائيات في بيئتها بناءً على عوامل داخلية وخارجية، مثل توفر المغذيات وشدة الضوء. يتم نمذجة سلوك البحث عن الطعام من خلال معادلات تحدد الحركة نحو الظروف المثلى، بينما يتم تمثيل السكون كاستراتيجية للبقاء خلال الظروف القاسية. تتم محاكاة عملية التكاثر من خلال توليد برمائيات جديدة مع اضطرابات طفيفة للحفاظ على التنوع الجيني. تعتمد فعالية الخوارزمية على تحقيق التوازن بين الاستكشاف والاستغلال، الذي تسهلّه المعلمات التي تحكم سلوكيات البرمائيات طوال عملية التحسين. بشكل عام، تُظهر خوارزمية APO إمكانيات للتطبيقات في مجالات متنوعة، مستفيدة من القدرات التكيفية للميكروبات لتعزيز استراتيجيات التحسين.
DOI: https://doi.org/10.1016/j.knosys.2024.111737
Publication Date: 2024-04-12
Author(s): Xiaopeng Wang et al.
Primary Topic: Metaheuristic Optimization Algorithms Research
Overview
This study introduces the artificial protozoa optimizer (APO), a novel bio-inspired optimization algorithm modeled after the survival behaviors of protozoa, including foraging, dormancy, and reproduction. The APO was rigorously tested against 32 state-of-the-art algorithms using the 2022 IEEE Congress on Evolutionary Computation benchmark, which encompasses a variety of function types. The performance evaluation employed statistical methods such as the Wilcoxon signed-rank test for pairwise comparisons and the Friedman test for multiple comparisons. The APO demonstrated competitive results in solving both engineering design problems in continuous spaces and a multilevel image segmentation task in discrete spaces.
The algorithm incorporates a unique mapping vector \( M_f \) that influences the dimensional crossover of candidate solutions, promoting a strategy where better-performing candidates undergo less change while poorer candidates are allowed to explore more. This approach enhances the balance between exploitation and exploration within the optimization process. Although the APO showed significant improvements over existing algorithms, the authors acknowledge that it remains in a preliminary stage for addressing complex optimization challenges. Future research directions include applying the APO to binary, large-scale, multi-objective, and multitask optimization problems, as well as enhancing its performance through various advanced techniques and potential hybridization with other algorithms.
Introduction
The introduction of this research paper discusses the significance of optimization problems across various fields, including signal processing, image processing, and mechanical design. Optimization involves finding optimal solutions within a decision space, typically aiming to maximize or minimize objectives while adhering to constraints. The paper categorizes optimization problems based on decision space (continuous vs. discrete), constraints (unconstrained vs. constrained), and the nature of objectives (single, multi-, or many-objective). It highlights the challenges posed by NP-hard problems, which often render traditional mathematical optimization techniques ineffective, thereby leading to the adoption of metaheuristic algorithms.
Metaheuristic algorithms, defined as upper-level methodologies for solving optimization problems, can be classified into S-metaheuristics (single solution) and P-metaheuristics (population solutions). S-metaheuristics improve a single solution iteratively but may suffer from premature convergence, while P-metaheuristics enhance a population of solutions, benefiting from shared information but incurring higher computational costs. The introduction also outlines various algorithms inspired by biological, physical, and human behaviors, such as genetic algorithms, particle swarm optimization, and teaching-learning-based optimization. The paper emphasizes the dual concepts of exploration and exploitation in optimization, noting the challenge of balancing these elements. The primary contributions of the study include the development of a novel bio-inspired artificial protozoa optimizer (APO), which demonstrates superior performance over 32 existing algorithms in benchmark tests and real-world applications.
Methods
In this section, the proposed algorithm is assessed through experimental analysis utilizing the CEC2022 benchmark, as detailed in Table 2. The evaluation was conducted on a personal laptop running Windows 11, equipped with 16 GB of RAM and an Intel(R) Core(TM) i7-8750H CPU operating at 2.20 GHz. The implementation of the APO algorithm was carried out using MATLAB, ensuring a controlled environment for performance measurement and analysis.
Discussion
In this section, the authors introduce the Artificial Protozoa Optimizer (APO) algorithm, inspired by the biological characteristics and behaviors of euglena, a type of protozoan. Euglena exhibits both autotrophic and heterotrophic nutritional modes, alongside unique behaviors such as phototaxis, dormancy, and asexual reproduction through binary fission. These biological traits are modeled mathematically to inform the algorithm’s design, which aims to optimize problem-solving through mimicking these natural processes. The algorithm incorporates mechanisms for foraging, dormancy, and reproduction, allowing it to adaptively explore and exploit the solution space.
The mathematical models underpinning the APO algorithm detail how protozoa navigate their environment based on internal and external factors, such as nutrient availability and light intensity. Foraging behavior is modeled through equations that dictate movement towards optimal conditions, while dormancy is represented as a survival strategy during adverse conditions. The reproduction process is simulated by generating new protozoa with slight perturbations to maintain genetic diversity. The algorithm’s effectiveness hinges on balancing exploration and exploitation, facilitated by parameters that govern the behaviors of the protozoa throughout the optimization process. Overall, the APO algorithm demonstrates potential for applications in various fields, leveraging the adaptive capabilities of microorganisms to enhance optimization strategies.