Algoritmo di ottimizzazione della zebra americana per problemi di ottimizzazione globale

Rapporti scientifici volume 13, numero articolo: 5211 (2023) Citare questo articolo

1366 accessi

1 Citazioni

2 Altmetrico

Dettagli sulle metriche

In questo studio viene proposto un nuovo algoritmo metaeuristico di ispirazione bio, vale a dire l'algoritmo americano di ottimizzazione delle zebre (AZOA), che imita il comportamento sociale delle zebre americane in natura. Le zebre americane si distinguono dagli altri mammiferi per il loro carattere sociale distinto e affascinante e per l'esercizio di leadership, che spinge i cuccioli di zebra a lasciare la mandria prima della maturità e ad unirsi a una mandria separata senza legami familiari. Questa partenza del cucciolo di zebra incoraggia la diversificazione impedendo l'accoppiamento intrafamiliare. Inoltre, la convergenza è assicurata dall'esercizio di leadership nelle zebre americane, che dirige la velocità e la direzione del gruppo. Questo comportamento di stile di vita sociale delle zebre americane è di natura indigena ed è l'ispirazione principale per proporre l'algoritmo meta-euristico AZOA. Per esaminare l’efficienza dell’algoritmo AZOA, vengono considerate le funzioni di benchmark CEC-2005, CEC-2017 e CEC-2019 e confrontate con i diversi algoritmi meta-euristici all’avanguardia. I risultati sperimentali e l'analisi statistica rivelano che AZOA è in grado di raggiungere le soluzioni ottimali per le massime funzioni di riferimento mantenendo un buon equilibrio tra esplorazione e sfruttamento. Inoltre, sono stati impiegati numerosi problemi ingegneristici reali per dimostrare la robustezza di AZOA. Infine, si prevede che l'AZOA si occuperà in modo prepotente delle future funzioni di benchmark CEC avanzate e di altri problemi ingegneristici complessi.

L'ottimizzazione è il processo di identificazione delle variabili decisionali mantenendo vari vincoli per massimizzare o minimizzare la funzione di costo. I vincoli, la funzione di costo e le variabili di progettazione sono le componenti critiche di qualsiasi problema di ottimizzazione. Le tecniche di ottimizzazione sono ampiamente applicabili nei campi dell'ingegneria1, della selezione delle funzionalità2,3, della regolazione dei parametri di apprendimento automatico4, delle reti di sensori wireless5, dell'elaborazione delle immagini6 e della bioinformatica7. La maggior parte dei problemi della vita reale sono altamente non convessi e non lineari a causa della presenza di molteplici variabili di progettazione e della natura intrinseca dei vincoli. Inoltre, non vi è certezza di ottenere una soluzione ottimale globale8. Le sfide legate a questi problemi della vita reale ispirano gli scienziati a progettare strategie nuove e di successo per ottenere risultati migliori. Gli approcci di ottimizzazione possono essere classificati in due tipi, come approcci deterministici basati sul gradiente e approcci non tradizionali basati sullo stocastico9. Gli approcci basati sulla determinismo presentano limitazioni nella risoluzione di problemi con spazi di ricerca discontinui, funzioni obiettivo non convesse, ad alta dimensionalità e non differenziabili. Tuttavia, le strategie basate sullo stocastico non praticano informazioni basate sul gradiente; sono invece sufficientemente intelligenti da superare i limiti affidandosi a metodi casuali nello spazio di ricerca. Gli algoritmi metaeuristici sono prevalenti per la loro ampia applicabilità tra le varie tecniche negli approcci basati sullo stocastico. Gli algoritmi metaeuristici hanno un alto potenziale per esplorare lo spazio delle soluzioni e sfruttare la migliore soluzione ottimale. Pertanto, diversi ricercatori hanno tentato non solo di proporre nuovi algoritmi meta-euristici, ma anche di migliorare l'efficienza dei metodi esistenti, portando alla concezione di diverse nuove meta-euristiche negli ultimi decenni. In generale, gli algoritmi metaeuristici possono essere raggruppati in tre tipologie principali, come algoritmi evolutivi (EA), algoritmi basati su fenomeni naturali (NP) e algoritmi di swarm intelligence (SI)10,11. Gli algoritmi evolutivi (EA) imitano il processo di evoluzione di Darwin utilizzando tre meccanismi: selezione, riproduzione e mutazione. Alcuni degli EA più importanti sono l'evoluzione differenziale (DE)12, l'algoritmo genetico (GA)13, la strategia evolutiva di adattamento della matrice di covarianza (CMA-ES)14, la strategia evolutiva (ES)15, le varianti DE adattive basate sulla storia con dimensione lineare della popolazione Riduzione (L-SHADE)16, Ottimizzatore basato sulla biogeografia (BBO)17 e Comportamento basato sulle prestazioni dello studente (LPB)18. Gli algoritmi basati su NP emulano le leggi chimiche e fisiche del cosmo. La maggior parte degli algoritmi più noti basati in questa categoria sono Simulated Annealing (SA)19, Central Force Optimization (CFO)20, Gravitational Search Algorithm (GSA)21, Water Cycle Optimizer (WCO)22, Black Hole Algorithm (BHA)23. , Algoritmo di ricerca del fulmine (LSA)24, Ottimizzazione multiverso (MVO)25, Ottimizzazione dello scambio termico (TEO)11, Ottimizzazione della solubilità del gas Henry26, Ottimizzatore dell'equilibrio (EO)27, Algoritmo di ottimizzazione di Archimede (AOA)28, Algoritmo di Lichtenberg (LA )29, l'algoritmo della direzione del flusso (FDA)30 e l'ottimizzazione della fusione-fissione (FuFiO)31. Gli algoritmi Swarm Intelligence (SI) seguono il comportamento naturale di mammiferi, uccelli e insetti. La maggior parte degli algoritmi più diffusi basati su SI sono l'algoritmo Particle Swarm Optimizer (PSO)32, Grey Wolf Optimizer (GWO)33, Elephant Herding Optimization (EHO)34, Moth Flame Optimization (MFO)35, Whale Optimization Algorithm (WOA)36, Salp Swarm Algorithm (SSA)37, Grasshopper Optimizer Algorithm (GOA)38, Harris Hawks optimization (HHO)39, An Improvised Competitive Swarm Optimizer (ICSO)40, Tunicate Swarm Algorithm (TSA)41, Levy Flight Distribution (LFD)10 e Algoritmo di ottimizzazione degli avvoltoi americani (AVOA)42, Aquila Optimizer (AO)43, Golden Eagle Optimizer (GEO)44, Algoritmo di predazione delle orche (OPA)45 e Ottimizzazione dei conigli artificiali (ARO)46, Ottimizzatore delle truppe di gorilla artificiali (GTO)47, Ottimizzatore della gazzella di montagna (MGO)48. È importante affermare che le metaeuristiche esistenti49 presentano vantaggi e limiti. Ad esempio, l’algoritmo PSO classico ha la debolezza di una convergenza prematura nello spazio di ricerca ad alta dimensione, mentre l’algoritmo genetico ha difficoltà nella regolazione dei parametri e nel calcolo estensivo. Allo stesso modo, l’algoritmo di ricerca gravitazionale ha il difetto di una lenta velocità di convergenza e della presenza di molti parametri di controllo. L'eminente algoritmo GWO ha difficoltà ad affrontare problemi ingegneristici impegnativi a causa della sua scarsa capacità di ricerca locale. Inoltre, l'algoritmo TSA recentemente proposto ha l'incapacità di affrontare problemi multimodali di grandi dimensioni. Pertanto, è essenziale sfidare queste limitazioni adattando nuove tecniche e metodologie. Inoltre, il “Teorema del No Free Lunch (NFL)”50 afferma che nessun algoritmo può essere considerato il miglior ottimizzatore per tutti i problemi di ottimizzazione. Anche i problemi irrisolti necessitano di un approccio scarso per ottenere soluzioni. Di conseguenza, è necessario che meta-euristiche pionieristiche siano offerte frequentemente dai ricercatori di tutto il mondo. Pertanto, in questo articolo, viene progettata una nuova meta-euristica ispirata al comportamento sociale delle zebre americane, vale a dire l'American Zebra Optimization Algorithm (AZOA). Le zebre americane sono animali socialmente esperti che rimangono in gruppo con un maschio, diverse femmine e la prole51. I comportamenti principali delle zebre includono l'alimentazione, l'accoppiamento, il mantenimento della gerarchia sociale e la guida dei piccoli52,53. Le zebre americane si distinguono dagli altri mammiferi per il loro carattere unico ed affascinante di "onestà". Il carattere sociale dell'"onestà" spinge i cuccioli di zebra a lasciare il branco prima della maturità e ad unirsi ad un branco separato senza alcun legame familiare. Questa partenza del cucciolo di zebra bilancia la diversificazione impedendo l'accoppiamento intrafamiliare. Inoltre, il maschio maturo del gruppo affascina la femmina per persuaderla alla convergenza. Questo scarno concetto di accordo sociale ci ispira a proporre l’algoritmo americano di ottimizzazione Zebra (AZOA). Si prevede che la facilità e la robustezza dell'algoritmo AZOA promuoveranno soluzioni globali rapide e precise risolvendo al tempo stesso funzioni di riferimento e problemi ingegneristici della vita reale. I principali contributi di questo studio sono evidenziati come segue: