Гибридный жадный политический оптимизатор с алгоритмом фейерверка для решения задач числовой и инженерной оптимизации.

Научные отчеты, том 12, Номер статьи: 13243 (2022) Цитировать эту статью

1148 Доступов

3 цитаты

1 Альтметрика

Подробности о метриках

В этой статье предлагается новый гибридный алгоритм оптимизации под названием GPOFWA, который объединяет политический оптимизатор (PO) с алгоритмом фейерверков (FWA) для решения задач числовой и инженерной оптимизации. Первоначальный PO использует оптимальные решения для подгрупп, такие как партийные лидеры и победители округов, чтобы направлять движение поискового агента. Однако число таких подгрупп оптимальных решений ограничено, что приводит к недостаточным глобальным разведочным возможностям ПО. Кроме того, в недавней стратегии обновления позиций на основе прошлого (RPPUS) PO отсутствует эффективная проверка обновленных потенциальных решений, что снижает скорость сходимости алгоритма. Предложенный гибридный алгоритм использует механизм искрового взрыва в FWA для выполнения операций искрового взрыва и искрового взрыва Гаусса над оптимальными решениями подгруппы (лидер партии и победитель округа) соответственно на основе жадной стратегии, которая оптимизирует оптимальное решение подгруппы и повышает возможности эксплуатации. алгоритма. Более того, искры гауссовского взрыва также используются для коррекции кандидатов решений после РППУС, что компенсирует недостатки исходного ПО. Кроме того, новое оптимальное решение для подгрупп под названием «Конвергентный мобильный центр» (CMC), основанное на двустороннем рассмотрении, предназначено для управления перемещением поисковых агентов и поддержания разнообразия населения. Мы тестируем представленный гибридный алгоритм на 30 известных тестовых функциях, тестовых функциях CEC2019 и трех задачах инженерной оптимизации. Результаты экспериментов показывают, что GPOFWA превосходит многие современные методы с точки зрения качества получаемого решения.

Оптимизация — это численный процесс, используемый для определения переменных решения для минимизации или максимизации значения целевой функции при удовлетворении ограничений пространства решений1. Проблемы оптимизации неизбежны во многих реальных приложениях, и эти проблемы обычно содержат нелинейные целевые функции и ограничения с множеством локальных оптимумов и маловыполнимыми областями2. Эти сложные особенности затрудняют поиск оптимума традиционными методами математического программирования, такими как сопряженный градиент, последовательное квадратичное программирование, метод Ньютона и метод квазиньютона3. Метаэвристические алгоритмы (МА) стали преобладать во многих прикладных дисциплинах в последние десятилетия из-за более высокой производительности и меньших требуемых вычислительных мощностей и времени, чем детерминированные алгоритмы в различных задачах оптимизации4,5,6,7,8,9,10,11, 12. Как ветвь случайной оптимизации, метаэвристические алгоритмы могут найти почти оптимальное решение, используя доступные ресурсы, хотя не всегда гарантировано нахождение глобального оптимума. Большинство МА вдохновлены человеческим интеллектом, социальной природой биологических групп и законами природных явлений. Некоторые классические представители МА, такие как генетический алгоритм (GA)13, оптимизация роя частиц (PSO)14, дифференциальная эволюция (DE)15, оптимизатор серого волка (GWO)16, оптимизатор Харриса Хокса (HHO)17, алгоритм летучей мыши (BA) )18, алгоритм оптимизации кита (WOA)19, алгоритм роя сальп (SSA)20, алгоритм синус-косинуса (SCA)21, алгоритм водного цикла (WCA)22 и т. д. успешно использовались для решения некоторых сложных задач оптимизации.

Однако теорема «Нет бесплатного обеда» (НФЛ) утверждает, что невозможно решить все задачи оптимизации с помощью конкретного алгоритма23. Это означает, что алгоритм подходит для данной задачи оптимизации, но может не подходить для другой задачи оптимизации с другими характеристиками. Поэтому необходимы дальнейшие исследования MA для решения различных задач оптимизации. Направления исследований MA включают предложение новых алгоритмов, улучшение существующих алгоритмов и гибридизацию различных алгоритмов. Гибридизация различных алгоритмов привлекла внимание, поскольку может подчеркнуть их преимущества и повысить производительность алгоритмов. Хороших результатов достигли различные гибридные алгоритмы, такие как гибридизация оптимизации роя частиц с дифференциальной эволюцией, предложенная Вангом и др.24, гибридизация синусно-косинусного алгоритма с дифференциальной эволюцией, предложенная Ли и др.25, гибридизация роя частиц с оптимизатором серого волка, представленная Чжан и др.26. Алгоритм фейерверков (FWA) — это недавно разработанный алгоритм оптимизации роевого интеллекта, который был предложен путем моделирования процесса реального взрыва фейерверка и генерации большого количества искр в 2010 году27. Когда фейерверк взрывается, искры появляются повсюду. Процесс взрыва фейерверка можно рассматривать как поисковое поведение поискового агента в локальном пространстве. Основная идея FWA заключается в использовании фейерверков и искр как различных решений для поиска допустимого пространства функции оптимизации. Как превосходный алгоритм, FWA в последние годы использовался в гибридизации со многими другими алгоритмами. Чжу и др.28 объединили алгоритм фейерверка с алгоритмом роя частиц, чтобы сформировать DFWPSO, который конкурентоспособен и эффективен в задачах численной оптимизации. Юэ и др.29 предложили новый гибридный алгоритм под названием FWGWO, основанный на оптимизаторе «серого волка» и алгоритме фейерверка, и добились отличных результатов в глобальной оптимизации. Гуо и др.30 добавили оператор дифференциальной эволюции к алгоритму фейерверка и предложили гибридный алгоритм фейерверка с оператором дифференциальной эволюции (HFWA_DE) в 2019 году. Чжан и др.31 представили оператор миграции оптимизации на основе биогеографии в алгоритм фейерверка для повышения качества информации. совместное использование ресурсов среди населения и представил гибридный алгоритм оптимизации на основе биогеографии и фейерверка для глобальной оптимизации.