WikiDer > Оптимизация дисперсионных мух

Поведение роя в оптимизации рассредоточенных мух

Оптимизация дисперсионных мух (DFO) является голым рой интеллект алгоритм, основанный на роящемся поведении мух, парящих над источниками пищи.^[1] DFO - это простой оптимизатор который работает итеративно пытаясь улучшить возможное решение относительно числовой меры, которая вычисляется фитнес-функция. У каждого члена популяции, мухи или агента, есть решение-кандидат, пригодность которого можно оценить по значению их пригодности. Проблемы оптимизации часто формулируются как задачи минимизации или максимизации.

DFO ^[2] был введен с целью анализа упрощенного алгоритма разведки роя с наименьшим количеством настраиваемых параметров и компонентов. В первой работе над DFO этот алгоритм сравнивался с несколькими другими существующими методами разведки роя с использованием ошибка, меры эффективности и разнообразия. Показано, что несмотря на простоту алгоритма, который использует только векторы положения агентов в момент времени т для генерации векторов положения для времени т +1, он демонстрирует конкурентоспособные характеристики. С момента своего создания DFO использовался во множестве приложений, включая медицинскую визуализацию и анализ изображений, а также интеллектуальный анализ данных и машинное обучение.

Алгоритм

DFO имеет много общего с другими существующими непрерывными оптимизаторами на основе популяции (например, оптимизация роя частиц и дифференциальная эволюция). Таким образом, роение особей состоит из двух тесно связанных механизмов: один - это формирование роя, а другой - его разрушение или ослабление. DFO работает, облегчая обмен информацией между членами популяции (роящиеся мухи). Каждая муха ${ displaystyle mathbf {x}}$ представляет позицию в d-мерное пространство поиска: ${ Displaystyle mathbf {x} = (x_ {1}, x_ {2}, ldots, x_ {d})}$, а приспособленность каждой мухи рассчитывается функцией приспособленности ${ Displaystyle е ( mathbf {х})}$, который учитывает мухи ' d размеры: ${ Displaystyle е ( mathbf {x}) = f (x_ {1}, x_ {2}, ldots, x_ {d})}$.

В псевдокод ниже представлена ​​одна итерация алгоритма:

за i = 1: N летит ${ displaystyle  mathbf {x_ {i}}. { text {фитнес}} = f ( mathbf {x} _ {i})}$конец для я ${ displaystyle  mathbf {x} _ {s}}$ = arg min ${ textstyle [е ( mathbf {х} _ {я})], ; я  в  {1,  ldots, N }}$за i = 1: N и ${ displaystyle i  neq s}$    за d = 1: размеры D если ${ Displaystyle U (0,1) < Delta}$            ${ displaystyle x_ {id} ^ {t + 1} = U (x _ { min, d}, x _ { max, d})}$        еще            ${ displaystyle x_ {id} ^ {t + 1} = x_ {i_ {nd}} ^ {t} + U (0,1) (x_ {sd} ^ {t} -x_ {id} ^ {t}) )}$        конец, если     конец для dконец для я 

В приведенном выше алгоритме ${ displaystyle x_ {id} ^ {t + 1}}$ представляет муху ${ displaystyle i}$ в измерении ${ displaystyle d}$ и время ${ displaystyle t + 1}$; ${ Displaystyle х_ {я_ {nd}} ^ {т}}$ представляет ${ displaystyle x_ {i}}$лучший соседний прилет кольцевая топология (влево или вправо, с использованием индексов мух), при измерении ${ displaystyle d}$ и время ${ displaystyle t}$; и ${ displaystyle x_ {sd} ^ {t}}$ лучшая муха роя. Используя это уравнение обновления, обновление популяции роя зависит от лучшего соседа каждой мухи (который используется в качестве основного ${ displaystyle mu}$, а разница между текущей и лучшей в стае мухой представляет собой распространение движения, ${ displaystyle sigma}$).

Помимо численности населения ${ displaystyle N}$, единственным настраиваемым параметром является порог возмущения ${ displaystyle Delta}$, который управляет размерным перезапуском в каждом векторе полета. Этот механизм предлагается для контроля разнообразия роя.

Другой известный минималистский алгоритм роя - это рои частиц голых костей (BB-PSO),^[3] который основан на оптимизации роя частиц и дифференциальной эволюции голых костей (BBDE) ^[4] который представляет собой гибрид простого оптимизатора роя частиц и дифференциальной эволюции, направленный на уменьшение количества параметров. Альхакбани в своей докторской диссертации^[5] охватывает многие аспекты алгоритмов, включая несколько приложений DFO при выборе функций, а также настройке параметров.

Приложения

Некоторые из недавних приложений DFO перечислены ниже:

• Оптимизация Машина опорных векторов ядро для классификации несбалансированных данных ^[6]
• Количественная оценка симметричная сложность в вычислительная эстетика ^[7]
• Анализ вычислительных аутопоэзис и вычислительное творчество ^[8]
• Идентификация кальцификации в медицинские изображения ^[9]
• Создание неидентичных органических структур для развития игрового пространства ^[10]
• Глубокий Нейроэволюция: Глубокое обучение Нейронные сети для обнаружения ложных тревог в отделениях интенсивной терапии ^[11]
• Идентификация анимация ключевые точки из 2D-карт медиальности ^[12]

Рекомендации