DOI: https://doi.org/10.1038/s41598-024-52083-7
PMID: https://pubmed.ncbi.nlm.nih.gov/38245654
تاريخ النشر: 2024-01-20
المؤلف: Kanak Kalita وآخرون
الموضوع الرئيسي: خوارزميات تحسين متعددة الأهداف المتقدمة
نظرة عامة
تقدم البحث مُحسِّن التوزيع الأسي متعدد الأهداف (MOEDO)، وهو إصدار متقدم من مُحسِّن التوزيع الأسي (EDO) مصمم لمعالجة مشاكل التحسين المعقدة. يتضمن MOEDO فرز النخبة غير المهيمنة (NDS)، وآليات مسافة الازدحام (CD)، وآلية تغذية راجعة للمعلومات (IFM) لتعزيز التوازن بين الاستكشاف والاستغلال. يهدف هذا التكامل إلى تحسين معدلات التقارب وتقليل احتمال الركود في الحلول المحلية، وهو قيد شائع في طرق التحسين التقليدية.
تظهر النتائج التجريبية أن MOEDO يتفوق على الخوارزميات المعروفة مثل MOMPA و NSGA-II و MOAOA و MOEA/D و MOGNDO في 72.58% من سيناريوهات الاختبار، التي تم تقييمها باستخدام مقاييس الأداء بما في ذلك المسافة الجيلية (GD) والمسافة الجيلية المعكوسة (IGD) والحجم الفائق (HV) والتباعد (SP) والانتشار (SD) ووقت التشغيل (RT) عبر مجموعات اختبار مرجعية مختلفة (ZDT، DTLZ) وتحديات تصميم هندسي في العالم الحقيقي. كما يؤكد اختبار ويلكوكسون لمجموع الرتب (WRST) على الميزة التنافسية لـ MOEDO، خاصة في السيناريوهات التي تتطلب إدارة فعالة للتنوع والتقارب. ستستكشف الأعمال المستقبلية تطوير إصدار ثنائي من MOEDO وتطبيقه على تحديات التحسين متعدد الأهداف. الشيفرة المصدرية لـ MOEDO متاحة للجمهور على: https://github.com/kanak02/MOEDO.
طرق
توضح قسم المنهجية المكونات الأساسية لخوارزمية EDO. يبدأ باستكشاف الإلهام المفاهيمي الذي يدعم تطوير EDO، مما يوفر سياقًا لتصميمه وتطبيقاته المقصودة. بعد ذلك، يتناول القسم عملية التهيئة للخوارزمية، والتي تعتبر حاسمة لأدائها وفعاليتها.
بالإضافة إلى ذلك، يحلل القسم الخصائص المزدوجة لخوارزمية EDO: ميزاتها الاستكشافية والاستغلالية. هذه الجوانب ضرورية لفهم كيفية توازن EDO بين البحث عن حلول جديدة بينما يتم تحسين الحلول الحالية. أخيرًا، يتم مناقشة الهيكل الرياضي للخوارزمية، مما يوفر رؤى حول المبادئ الأساسية التي تحكم تشغيلها وفعاليتها.
نتائج
في هذا القسم، يوضح المؤلفون نتائج بحثهم الذي يهدف إلى تقييم فعالية الطريقة المقترحة. تم تصميم التجارب بدقة، حيث تم تكرار كل تجربة 30 مرة لضمان الأهمية الإحصائية. تضمنت الإعدادات التجريبية حجم سكاني قدره 40 وما يصل إلى 500 تكرار، تم تنفيذها باستخدام MATLAB R2020a على معالج Intel Core i7 مع 8 جيجابايت من ذاكرة الوصول العشوائي.
النتائج التي تم الحصول عليها من هذه التجارب تهدف إلى إظهار قدرات الطريقة المقترحة، على الرغم من عدم تفصيل النتائج المحددة ومقاييس الأداء في هذا الاقتباس. تشير الدقة المنهجية والموارد الحاسوبية المستخدمة إلى تحقيق شامل في فعالية الطريقة.
مناقشة
يناقش القسم مُحسِّن التوزيع الأسي (EDO)، الذي يستند إلى مبادئ نظرية التوزيع الأسي. يعتبر هذا التوزيع المستمر محوريًا في نمذجة ظواهر العالم الحقيقي المختلفة، مثل الوقت حتى حدوث زلزال أو المدة التي يستغرقها وصول مركبة إلى محطة رسوم. يستخدم إطار عمل EDO متغيرات عشوائية أسية، يُرمز لها بـ $x \sim \text{EXP}(\lambda)$، حيث $\lambda$ هو معلمة إيجابية تشير إلى معدل الحدوث. يتم اشتقاق دالة كثافة الاحتمال (PDF) ودالة التوزيع التراكمي (CDF)، مما يبرز العلاقة بين المعلمة $\lambda$، والمتوسط ($\mu = \frac{1}{\lambda}$)، والتباين ($\sigma^2 = \frac{1}{\lambda^2}$). من الميزات الملحوظة للتوزيع الأسي هي خاصية عدم الذاكرة، مما يعني أن احتمال الأحداث المستقبلية مستقل عن الأحداث الماضية.
تستخدم EDO استراتيجيات الاستكشاف والاستغلال لتحسين الحلول. في البداية، يتم توليد مجموعة متنوعة من الحلول العشوائية، كل منها ممثلة كمتجه توزيع أسي. تتضمن عملية التحسين تقييم هذه الحلول بناءً على دالة هدف، وتصنيفها، واستخدام حل توجيهي مستمد من أفضل الأداءين للتنقل نحو الأمثل العالمي. تستفيد مرحلة الاستغلال من خاصية عدم الذاكرة من خلال الحفاظ على مصفوفة من الحلول الحديثة، مما يسمح بالتحديث المستمر للمرشحين دون تحيز من الأداء السابق. تركز مرحلة الاستكشاف على تحديد المناطق الواعدة في فضاء البحث، باستخدام متوسط الحلول الناجحة المختارة لتحسين مرشحين جدد. يعزز الإصدار متعدد الأهداف المقترح، MOEDO، إطار عمل EDO من خلال دمج مبادئ التحسين متعدد الأهداف، مما يضمن توازنًا بين الاستكشاف والاستغلال، ويظهر أداءً متفوقًا عبر اختبارات مرجعية مختلفة مقارنة بالخوارزميات الموجودة.
DOI: https://doi.org/10.1038/s41598-024-52083-7
PMID: https://pubmed.ncbi.nlm.nih.gov/38245654
Publication Date: 2024-01-20
Author(s): Kanak Kalita et al.
Primary Topic: Advanced Multi-Objective Optimization Algorithms
Overview
The research introduces the multi-objective exponential distribution optimizer (MOEDO), an advanced version of the exponential distribution optimizer (EDO) designed to address complex optimization problems. MOEDO incorporates elite non-dominated sorting (NDS), crowding distance (CD) mechanisms, and an information feedback mechanism (IFM) to enhance the balance between exploration and exploitation. This integration aims to improve convergence rates and reduce the likelihood of stagnation in local optima, a common limitation in traditional optimization methods.
Experimental results demonstrate that MOEDO outperforms established algorithms such as MOMPA, NSGA-II, MOAOA, MOEA/D, and MOGNDO in 72.58% of test scenarios, evaluated using performance metrics including Generational Distance (GD), Inverted Generational Distance (IGD), Hypervolume (HV), spacing (SP), Spread (SD), and Runtime (RT) across various benchmark test collections (ZDT, DTLZ) and real-world engineering design challenges. The Wilcoxon Rank Sum Test (WRST) further validates MOEDO’s competitive edge, particularly in scenarios requiring effective diversity and convergence management. Future work will explore the development of a binary version of MOEDO and its application to many-objective optimization challenges. The source code for MOEDO is publicly available at: https://github.com/kanak02/MOEDO.
Methods
The methodology section outlines the foundational components of the EDO algorithm. It begins by exploring the conceptual inspiration that underpins the development of EDO, providing context for its design and intended applications. Following this, the section details the initialization process of the algorithm, which is crucial for its performance and effectiveness.
Additionally, the section analyzes the dual characteristics of the EDO algorithm: its explorative and exploitative features. These aspects are essential for understanding how EDO balances the search for new solutions while refining existing ones. Finally, the mathematical structure of the algorithm is discussed, offering insights into the underlying principles that govern its operation and efficacy.
Results
In this section, the authors detail the outcomes of their research aimed at assessing the efficacy of the proposed method. The experiments were rigorously designed, with each trial replicated 30 times to ensure statistical significance. The experimental setup involved a population size of 40 and a maximum of 500 iterations, executed using MATLAB R2020a on an Intel Core i7 processor with 8 GB of RAM.
The results obtained from these experiments are intended to demonstrate the capabilities of the proposed method, although specific findings and performance metrics are not detailed in this excerpt. The methodological rigor and computational resources employed suggest a thorough investigation into the method’s effectiveness.
Discussion
The section discusses the Exponential Distribution Optimizer (EDO), which is grounded in the principles of exponential distribution theory. This continuous distribution is pivotal in modeling various real-world phenomena, such as the time until an earthquake or the duration for a vehicle to reach a toll station. The EDO framework utilizes exponential random variables, denoted as $x \sim \text{EXP}(\lambda)$, where $\lambda$ is a positive parameter indicating the rate of occurrence. The Probability Density Function (PDF) and Cumulative Distribution Function (CDF) are derived, highlighting the relationship between the parameter $\lambda$, mean ($\mu = \frac{1}{\lambda}$), and variance ($\sigma^2 = \frac{1}{\lambda^2}$). A notable feature of the exponential distribution is its memoryless property, which implies that the probability of future events is independent of past occurrences.
The EDO employs both exploration and exploitation strategies to optimize solutions. Initially, a diverse set of random solutions is generated, each represented as an exponential distribution vector. The optimization process involves evaluating these solutions based on an objective function, ranking them, and using a guiding solution derived from the top performers to navigate towards the global optimum. The exploitation phase leverages the memoryless characteristic by maintaining a matrix of recent solutions, allowing for the continuous updating of candidates without bias from past performance. The exploration phase focuses on identifying promising areas in the search space, utilizing the average of selected successful solutions to refine new candidates. The proposed multi-objective variant, MOEDO, enhances the EDO framework by integrating multi-objective optimization principles, ensuring a balance between exploration and exploitation, and demonstrating superior performance across various benchmark tests compared to existing algorithms.