Seuraava artikkeli auttaa sinua: Crow Search Algorithm optimointia varten ja sen käyttötapaukset
Joskus tosielämän ongelmat vaativat lähestymistapaa, joka poikkeaa perinteisestä matematiikasta, joka on enemmän luonnon inspiroima. Metaheuristiset algoritmit, eräänlainen optimointitekniikka, käyttävät tiettyä satunnaistuksen ja paikallishaun kompromissia. On olemassa monia luonnon inspiroimia metaheuristisia algoritmeja, joista yksi on Crow Search Algorithm (CSA). Tietyn linnun valitsemiseen on syitä, jotka selitetään artikkelissa. Seuraavassa on käsiteltävät aiheet.
Sisällysluettelo
- Mikä on metaheuristinen algoritmi?
- Mikä on Crow Search Algorithm?
- Kuinka se toimii?
- Pseudovaiheet CSA:n toteuttamiseksi optimoijana
- CSA:n sovellukset
Metaheuristisissa algoritmeissa meta- tarkoittaa ‘yli’ tai ‘korkeampaa’. Ymmärretään lisää metaheuristisista algoritmeista.
Tavoitteena on luoda tehokas ja käytännöllinen algoritmi, joka toimii suurimman osan ajasta ja tuottaa laadukkaita tuloksia.
Jokainen metaheuristinen algoritmi tekee jonkinlaisen kompromissin paikallishaun ja globaalin tutkimisen välillä. Satunnaistamista käytetään usein monenlaisten ratkaisujen saamiseksi. Satunnaistaminen on tehokas tapa siirtyä paikallisesta hausta globaaliin. Tämän seurauksena käytännössä kaikki metaheuristiset algoritmit sopivat usein epälineaariseen mallinnukseen ja globaaliin optimointiin.
Metaheuristiikka voi olla tehokas tapa tuottaa hyväksyttäviä ratkaisuja monimutkaisiin ongelmiin yrityksen ja erehdyksen avulla kohtuullisessa ajassa. Käsiteltävän ongelman monimutkaisuuden vuoksi on vaikeaa etsiä jokaista mahdollista ratkaisua tai yhdistelmää; Sen sijaan tavoitteena on löytää hyvä käytännöllinen vastaus hyväksyttävän ajan sisällä.
Tehostaminen ja monimuotoisuus ovat jokaisen metaheuristisen algoritmin kaksi tärkeintä komponenttia. Hajauttamisella tarkoitetaan monipuolisten ratkaisujen luomista hakuavaruuden tutkimiseen globaalissa mittakaavassa, kun taas tehostaminen tarkoittaa keskittymistä paikalliseen paikkaan etsimiseen hyödyntämällä tietoa, että tällä alueella on löydetty nykyinen hyvä ratkaisu.
Tämä on parhaiden ratkaisujen valinnan lisäksi. Parhaat ratkaisut valitaan sen varmistamiseksi, että ne konvergoivat optimaalisuuteen. Diversifiointi satunnaistuksen avulla puolestaan estää ratkaisuja juuttumasta paikallisiin optimaaleihin samalla kun se lisää ratkaisujen vaihtelua. Näiden kahden pääkomponentin kiinteä yhdistelmä varmistaa lähes aina, että globaali ratkaisu on toteutettavissa.
Etsitkö täydellistä arkistoa tietotieteessä käytettävistä Python-kirjastoista, katso tästä.
Mikä on Crow Search Algorithm?
Varisten (korvidien) sanotaan olevan älykkäimpiä lintuja. He ovat osoittaneet itsetietoisuutta peilikokeissa ja kykyä tehdä työkaluja. Variset voivat tunnistaa toistensa kasvot ja varoittaa toisiaan vihamielisen lähestyessä. Lisäksi he voivat käyttää työkaluja, kommunikoida hienostuneella tavalla ja muistaa ateriansa paikan useiden kuukausien ajan jälkeenpäin.
Crowin pohjalta kehitetään luontopohjainen algoritmi, joka on nimeltään Crow Search Algorithm. Tämä algoritmi jakaa nämä neljä ominaisuutta variksen käyttäytymisen kanssa.
- Variset elävät ryhmissä.
- Variset muistavat ruokajäämiensä sijainnin.
- Variset seuraavat toisiaan varastamaan
- Variset suojelevat myymälöitään varkauksilta
Miksi Crow Search Algorithmia käytetään?
Ominaisuus kerätä itsenäisesti vastauksia erillisistä asioista ja sitten laskea kaikki vastaukset kokonaisuutena löytääkseen optimaalisen ratkaisun annettuun haasteeseen. Tämän menetelmän tuloksena löydetään parempi optimaalinen ratkaisu tiettyyn ongelmaan, minkä vuoksi käytetään CSA:ta. Yksinkertaisesti sanottuna hajautetun itseorganisoitumisen kollektiivisen käyttäytymisen käsitettä käytetään ratkaisemaan tietty kysymys. Esimerkiksi optimaalisen politiikan ennustaminen, joka soveltuu parhaiten uuden tuotteen lanseeraamiseen markkinoille.
Kuinka se toimii?
Tämän metaheuristiikan tavoitteena on, että tietty varis voi seurata toista varista löytääkseen sen piilotetun ruokapaikan. Varisen asentoa tulee päivittää asteittain tämän toimenpiteen aikana. Lisäksi kun ruokaa varastetaan, varis joutuu muuttamaan sijaintiaan.
Oletetaan, että on olemassa d-ulotteinen ympäristö, jossa on monia varisia. Vektori määrittää varisten lukumäärän, joka on parven koko, sekä variksen sijainnin jokaisessa iteraatiossa hakuavaruudessa. Jokaisella varis on muisti, joka tallentaa sen piilopaikan sijainnin. Varisen piilopaikan sijainti ilmoitetaan jokaisessa iteraatiossa. Tämä on hienoin asento, joka varis on koskaan ollut. Itse asiassa jokainen varis muistaa hienoimman kohtaamisensa paikan. Varikset matkustavat alueen halki etsiessään parempia ravintolähteitä (piilopaikkoja).
Oletetaan, että seuraavassa iteraatiossa toinen varis haluaa mennä piilopaikkaansa, jonka edellinen varis määräsi. Tässä iteraatiossa ensimmäinen varis päättää seurata toista varista toisen varisen piilopaikkaan. Tässä tilanteessa kaksi lopputulosta on mahdollista.
- Toinen varis ei tiedä, että ensimmäinen varis seuraa. Tämän seurauksena ensimmäinen varis lähestyy toisen varisen piilopaikkaa. Tässä tapauksessa ensimmäisen variksen uusi sijainti saadaan satunnaisluvun avulla, jonka jakauma on tasainen välillä 0 ja 1, ja ensimmäisen variksen lentopituuden iteraatiossa.
- Toinen varis tietää, että ensimmäinen varis seuraa. Tämän seurauksena toinen varis suojelee kätköään varastamista vastaan menemällä toiseen paikkaan hakutilassa.
CSA:ssa tietoisuuden todennäköisyyden parametri on ensisijaisesti vastuussa tehostamisesta ja monipuolistamisesta (AP). CSA etsii mieluummin paikallista aluetta, jossa nykyinen erinomainen vastaus löytyy, alentamalla tietoisuuden todennäköisyysarvoa. Tämän seurauksena alhaisten AP-tasojen käyttö lisää intensiteettiä. Toisaalta, kun tietoisuuden todennäköisyysarvo kasvaa, todennäköisyys etsiä jo hyvien ratkaisujen alueelta laskee ja CSA pyrkii tutkimaan hakuavaruutta satunnaisesti. Tämän seurauksena korkeiden AP-arvojen käyttö lisää monimuotoisuutta.
Pseudovaiheet CSA:n toteuttamiseksi optimoijana
Näennäisvaiheinen menettely CSA:n toteuttamiseksi optimointialgoritmina.
- Ongelman ja sen parametrien asettaminen. Ongelma, päätösmuuttujat ja rajoitukset on kaikki määritelty. Sen jälkeen arvioidaan muokattavissa olevat CSA-parametrit parven koko, iteraatioiden enimmäismäärä, lennon kesto ja tietoisuuden todennäköisyys.
- Varisten sijainti ja muisti tulee nollata. Parven jäseninä tietty määrä varisia sijoitetaan satunnaisesti d-ulotteiselle hakualueelle. Jokainen varis edustaa toteuttamiskelpoista ongelmanratkaisua, ja d on valintatekijöiden lukumäärä. Jokaisen variksen muisti on asetettu nollaan. Koska varisilla ei ole kokemusta ensimmäisestä iteraatiosta, niiden uskotaan piilottaneen ateriansa alkuasentoonsa.
- Arvioi tavoitefunktio Kunkin variksen sijainnin laatu lasketaan syöttämällä valintamuuttujien arvot tavoitefunktioon.
- Luo varisille uusi paikka. Voit luoda uusia paikkoja hakutilaan seuraavasti: Oletetaan, että ensimmäinen varis haluaa luoda uuden roolin. Tämä varis valitsee satunnaisesti yhden parvivarisista ja seuraa sitä löytääkseen tämän varis piilottamien aterioiden sijainnin. Tämä toimenpide suoritetaan jokaiselle variselle.
- Tutki uuden näkökulman kannattavuutta. Jokaisen varisen uuden aseman elinkelpoisuus tutkitaan. Jos variksen uusi asema on elinkelpoinen, varis muuttaa sijaintiaan. Muuten varis pysyy nykyisellä paikallaan sen sijaan, että siirtyisi luotuun uuteen paikkaan.
- Määritä uusien paikkojen kunto/objektiivisuus. Kuntofunktion arvo kunkin variksen uudelle sijainnille lasketaan.
- Varisten muistit päivitetään tavoitefunktion arvon perusteella. Jos varisen uuden asennon kuntofunktion arvo on suurempi kuin muistetun asennon kuntofunktion arvo, varis päivittää muistinsa uudella asemilla.
- Vaiheet 4–7 suoritetaan, kunnes iteraatioiden enimmäismäärä on saavutettu. Kun lopetusvaatimus on täytetty, optimaalinen muistipaikka tavoitefunktion arvona esitetään optimointitehtävän ratkaisuna.
Crow Search Algorithmin sovellukset
CSA:ta on käytetty tehokkaasti useilla sovellussektoreilla.
Optimaalinen tehovirtaus
Uuden väestöpohjaisen optimointimenetelmän (CSA) käyttäminen optimaalisen tehovirtausongelman ratkaisemiseksi vähentää polttoaineen kokonaiskustannuksia, kokonaistehohäviötä, jännitteen poikkeamaa, jännitteen vakausindeksiä ja kokonaispäästöjä. CSA:lla tuotetun tiedon tutkiminen paljastaa, että menetelmä on erityisen tehokas erilaisten yksittäisten tavoitteiden funktioiden käsittelyssä. On myös havaittu, että tällä tekniikalla voidaan saavuttaa erittäin nopea konvergenssi kaikissa olosuhteissa. Se läpäisi Wilcoxonin signed-rank-testin erittäin matalilla p-arvoilla, mikä todistaa sen tilastollisen merkitsevyyden. Tämän seurauksena on mahdollista päätellä, että CSA on potentiaalinen lähestymistapa erilaisten tavoitteiden saavuttamiseen voimajärjestelmien alalla.
Ominaisuuden valinta
Prosessi, jossa valitaan tärkeimmät tietojoukot ja hylätään ylimääräiset tietojoukot, tunnetaan ominaisuusvalintana. Jos se on kääretekniikka, sen sovelluspuoli on usein kytketty hermoverkkoihin. FS-ongelman ratkaisemiseksi käytetään CSA:n binaariversiota nimeltä BCSA, jossa on V-muoto. Käytettiin kuutta erillistä aineistoa, ja niiden tuloksia verrattiin BBA-, BPSO-, SFS- ja SBS-tietoihin. Toista varianttia, yhdessä K-lähimmän naapurin ja CSA:n kanssa, käytettiin ratkaisemaan FS-ongelma tekstiasiakirjojen luokittelussa.
Kuvankäsittely
Kapurin entropian perusteella CSA:ta käytetään kuvien monikerroksisten kynnysoptimiarvojen määrittämiseen. He juoksivat mallillaan useiden kynnystasojen (2, 4, 8, 16 ja 32) läpi. Mitä tulee PSNR-, SSIM- ja FSIM-mittauksiin, he väittivät, että CSA oli parempia kuin PSO, DE, GWO, MFO ja CS.
Samoin kuvien segmentoinnissa käytetään CSA:ta määrittämään ristientropian parhaat kustannukset. Mallia on testattu moniulotteisissa ympäristöissä.
CSA:ta käytetään kasvojen erottamiseen matalaresoluutioisissa valokuvissa integroimalla Gabor-suodatin, aalloke ja tekstuuri (GWTM).
Neuraaliverkko ja tukivektorikone
Yhdistetty CSA:n tukivektorikoneeseen (SVM), hermoverkkoon ja fraktioteoriaan tuberkuloosipotilaiden luokittelemiseksi. Lehti mainitsi, että niiden yhdistäminen lisäsi laskentanopeutta ja pienensi testinäytteisiin käytettyä aikaa ja kustannuksia.
D-Crow-niminen sudenkorento-varis-algoritmi hybridisoitui SVR:n (Support Vector Regression) kanssa. Sitä sovellettiin Virtual Machine Migrationissa (VMM). Virtuaalitietokoneen siirtäminen todellisesta laitteistoympäristöstä toiseen tunnetaan virtuaalikoneen siirtona. Se on osa laitteiston virtualisointijärjestelmien ylläpitoa, ja palveluntarjoajat harkitsevat virtualisointipalveluita tarjoaessaan. Teleportaatio on toinen termi virtuaalikoneen siirtymiselle. Suurin ero virtualisoinnin ja virtuaalikoneen siirron välillä on, että hypervisorilla on vain siirtomoduuli.
Pilvilaskenta
Virtuaalikoneiden (VM) käyttöönotto pilvipalvelukeskuksissa on vaikea tehtävä. Pilvipalveluiden kasvavan suosion myötä kaikkialla maailmassa suuri määrä virtuaalikoneita (VM:itä) keskitetään pieneen määrään datakeskuksia (DC:t) energiankäytön ja palvelinkeskusten käytön maksimoimiseksi.
CSA:ta käytetään esittelemään resurssitietoinen ratkaisu suuren määrän virtuaalikoneita (VM) yhdistämiseen pienessä mittakaavassa pilvipalvelinkeskuksessa. Sekä CSA-pohjainen matkamyyjä-ongelma (TSPCS) että Greedy Crow Search (GCS) käytettiin.
Kaksitasoinen VM-sijoittelustrategia esiteltiin samanlaisen ongelman ratkaisemiseksi. Ensimmäinen oli jonorakenne VM:ien ajoitusta varten, kun taas toinen (CSAVMP) CSA-pohjainen VM-ongelma luotiin minimoimaan palvelinkeskusten virrankulutus.
Johtopäätös
Vallankumouksellinen metaheuristinen algoritmi nimeltä CSA perustuu variksen kognitiiviseen käyttäytymiseen. CSA on väestöpohjainen optimointitapa, jossa on vain kaksi konfiguroitavaa parametria, lennon pituus ja tietoisuuden todennäköisyys, mikä tekee siitä erityisen houkuttelevan erilaisten teknisten alojen sovelluksiin. CSA:ssa tietoisuuden todennäköisyysparametria käytetään suoraan säätämään algoritmin vaihtelua. Tämän artikkelin avulla olemme ymmärtäneet Crow Search Algorithmin käsitteen ja toiminnallisuuden.
