Seuraava artikkeli auttaa sinua: Kaikki mitä sinun tulee tietää Grey Wolf -optimoinnista
Erilaisten optimointitekniikoiden joukossa Grey Wolf Optimization on yksi metaheuristisista optimointitekniikoista, joka on saanut inspiraationsa susiperheen välisestä hierarkiasta ja harmaan susien käyttämistä erityisistä metsästystekniikoista. Joten Harmaan susien optimointitekniikka jäljittelee harmaan susiyhdyskunnan yleisiä ominaisuuksia ja yrittää löytää optimaalisen ratkaisun.
Tässä artikkelissa yritämme saada yleiskuvan Gray Wolf -optimointitekniikasta.
Sisällysluettelo
- Harmaan suden optimointi
- Käyttää harmaasuden optimointia
- Harmaan susin optimointitekniikan käyttö
- Esimerkki harmaan suden optimoinnin käytöstä
- Harmaan suden optimoinnin plussat ja miinukset
- Yhteenveto
Harmaan suden optimointi
Ennen kuin ymmärrämme harmaan suden optimointitekniikan, yritämme ymmärtää, miksi algoritmi on saanut inspiraationsa harmaan suden perheen sosiaalisesta hierarkiasta.
Yllä oleva kuva näyttää harmaan susien sosiaalisen hierarkian jakautumisen, jossa kunkin susiluokan ominaisuudet ovat erilaiset yhdyskunnassa. Koko harmaan susien optimointiperhettä kutsutaan virallisesti laumaksi. Joten yritetään nyt ymmärtää kunkin susiluokan vastuut siirtokunnassa.
Alfa Wolf: Alfasudella on ylivoimainen asema koko harmaasusiyhdyskunnassa ja hänellä on oikeus komentaa koko harmaasusiyhdyskuntaa.
Beta Wolf: Beta-sudet raportoivat alfasudeille säännöllisesti ja auttavat alfa-suden optimaalisessa päätöksenteossa.
Delta Wolf: Delta sudet ovat alisteisia beta-sudelle ja tarjoavat jatkuvaa päivitystä alfa- ja beeta-sudeille ja ovat omega-susien johtajia.
Omega Wolf: Omega-sudet ovat vastuussa susien metsästyksestä harmaa-susiyhdyskunnalla ja nuorempien susien hoidosta.
Harmaan susien ominaisuudet, jotka johtavat optimointialgoritmin kehittämiseen?
Harmaasudet noudattavat erityistä metsästystekniikkaa, jossa koko harmaasusukunta toimii laumassa tai ryhmissä metsästääkseen saalistaan. Omega-sudet erottavat valitun saaliin laumasta ja delta- ja beeta-sudet jahtaavat valittua saalista ja hyökkäävät sen kimppuun. Joten ainutlaatuinen metsästystekniikka, jota seuraa harmaa susiyhdyskunta, johti optimointitekniikan kehittämiseen nimeltä Gray Wolf Optimization, jossa lähin optimaalinen ratkaisu tuotetaan käyttämällä erilaisia sisäänrakennettuja toimintoja.
Harmaan susien optimoinnin käyttötavat
Harmaan susin optimointitekniikkaa käytetään erilaisissa aikaa vievissä ongelmissa, kuten NP-vaikeissa ongelmissa ja matkamyyntiongelmissa. Harmaan suden optimointitekniikka yleensä lyhentää korkeamman ulottuvuuden datan toiminta-aikaa, kun algoritmi pilkkoo koko monimutkaisen ongelman osajoukkoon. Toiminnan alajoukot tarjotaan kullekin agentille, joka on samanlainen kuin harmaan susiyhdyskunnan yleinen hierarkia, ja paras optimaalinen ratkaisu saadaan aikaan.
Joten monimutkaiset ongelmat jaetaan vastaaviksi agenteiksi algoritmissa, joka on samanlainen kuin harmaiden susien hierarkia, ja kukin agenteista hoitaa tehtävänsä ja vähentää kokonaisajankulutusta. Kaikki algoritmin agentit noudattavat tiettyjä ohjeita ja strategioita ja löytävät parhaan optimaalisen ratkaisun ongelmaan.
Harmaan susin optimointityötä
Ennen kuin ymmärrämme, kuinka harmaan suden optimointialgoritmi toimii, tulkitaan harmaasusen yhdyskunta optimaalisten ratkaisuparametrien muodossa.
- Alfa susi voidaan kutsua parhaaksi ratkaisuksi ongelman kaikista mahdollisista ratkaisuista. Se on paras optimointialgoritmin tuottama optimaalinen ratkaisu.
- Beta susi voidaan kutsua toiseksi parhaaksi ratkaisuksi ongelman kaikkien mahdollisten ratkaisujen joukossa. Tämä ratkaisu otetaan käyttöön, jos paras optimaalinen ratkaisu ei sovi tiettyihin ratkaisuihin.
- Delta susi voidaan kutsua kolmanneksi parhaaksi ratkaisuksi ongelman kaikista mahdollisista ratkaisuista. Mutta kolmanneksi paras ratkaisu arvioidaan sekä parhaiten sopivalla että ensimmäiseksi sopivimmalla ratkaisulla kaikkien mahdollisten ratkaisujen osalta.
- Omega susi voidaan kutsua vähiten optimaaliseksi ratkaisuksi, joka tuotetaan kaikille mahdollisille ratkaisuille, ja vähiten optimaalista ratkaisua arvioi vain kolmas sopivin ratkaisu, eikä vertailua tehdä parhaan parhaan ratkaisun suhteen.
Tässä harmaasuden optimointitekniikan tuottamien optimaalisten ratkaisujen kontekstissa yritetään ymmärtää, kuinka algoritmin tuottamat ratkaisut luokitellaan parhaaksi ratkaisuksi kaikkien mahdollisten ratkaisujen joukossa.
Aluksi validoidaan satunnainen määrä mahdollisia ratkaisuja ongelmaan. Kaikki mahdolliset ratkaisut validoidaan suhteessa vektorien standardiasteikkoon, jota yleensä merkitään “A”. Joten jos A>1 mahdolliset ratkaisut poikkeavat ongelman optimaalisesta ratkaisusta ja jos A<1, niin kaikki mahdolliset ratkaisut konvergoivat kohti optimaalista ratkaisua löytääkseen parhaan ratkaisun ongelmaan. Kun sopivin ratkaisu on määritetty, algoritmi lopettaa iteroinnin ja parhaat mahdolliset ratkaisut ongelmaan luokitellaan sopivasti ja sijoituksista edellyttäen, että ratkaisut on validoitu. Useimmissa tapauksissa käytetään sopivinta ratkaisua ja harvoissa tapauksissa valitaan tiettyihin ongelmiin toiseksi paras optimaalinen ratkaisu parhaan ratkaisun sijaan.
Esimerkki harmaan suden optimoinnin käytöstä
Gray wolf -optimointi löytää tärkeimmät sovelluksensa tehtävissä, joissa optimaalinen ratkaisu on tuotettava toistamalla ratkaisua halutun tehtävän saavuttamiseksi. Tämän seurauksena harmaa susi -optimointitekniikka löytää sovelluksensa erilaisissa ongelmissa, kuten NP-hards-ongelmassa, Traveling Salesman -ongelmassa ja monissa muissa AI-ongelmissa. Yritetään ymmärtää, kuinka harmaan suden optimointitekniikka auttaa ratkaisemaan matkustavan myyjän ongelman.
Analysoimme matkustava myyjä -ongelmaa Grey Wolfin kautta
Yritetään ensin ymmärtää matkustavan myyjän ongelma. Ongelman tavoitteena on löytää kaupunkien välinen minimipolku sillä ehdolla, että myyjä saa käydä kaupungissa vain kerran.
Tulkimalla matkustava myyjä -ongelma harmaan susien optimoinnin kautta, koko harmaa susipopulaatio voidaan kutsua eri poluiksi, jotka myyjän on kuljetettava kattaakseen kaupungit, joten siitä tulee ehdokas ratkaisu ongelmaan. Optimaalinen ratkaisu voidaan opettaa saaliiksi ja tässä optimaalinen ratkaisu on paras kaupunki aloittaa.
Joten mitä tulee lähtökaupunkiin, optimointialgoritmin on löydettävä lähin kaupunki (alfa susi), jota voidaan kutsua parhaaksi ratkaisuksi ongelmaan, ja siten kaikkia aloituskaupunkia toiseksi lähimpiä kaupunkeja voidaan kutsua toiseksi paras ratkaisu (beta wolf). Samalla tavalla aloituskaupunkia kolmanneksi lähin kaupunki voidaan kutsua kolmanneksi parhaaksi ratkaisuksi (delta wolf) ja kaikkia muita älykaupunkia lähimpiä kaupunkeja voidaan kutsua parhaaksi ratkaisuksi kaikkien ehdokasratkaisujen joukossa (omega wolf ).
Sopivin ratkaisu on optimaalinen ratkaisu TSP-ratkaisulle, ja sitä kutsutaan parhaiten sopivaksi ratkaisuksi, ja paras sovitusratkaisu validoidaan kaikkien harmaan suden optimoinnin tuottamien parhaiden ratkaisujen välillä.
Näin ollen harmaa susi -optimointialgoritmi on vastuussa löytämään optimaalisen ratkaisun myyjälle tarjoamalla lyhimmän matkan lähtökaupungista seuraavaan kaupunkiin ja varmistamalla, että myyjä vierailee jokaisessa kaupungissa vain kerran.
Harmaan suden optimoinnin plussat ja miinukset
Harmaan suden optimoinnin plussat
Kun harmaan susien optimointitekniikat yrittävät jäljitellä harmaan susien metsästysominaisuuksia, optimointialgoritmi pilkkoo monimutkaiset ongelmat eri osajoukkoihin ja yrittää tuottaa parhaan mahdollisen optimaalisen ratkaisun. Gray wolf -optimointialgoritmin iterointiprosessi on nopeampi verrattuna muihin optimointialgoritmeihin, koska ne ovat erilaisia ratkaisuja, joita verrataan optimaalisen ratkaisun suhteen ja luokitellaan sen mukaan. Tämä harmaan suden optimoinnin sijoitustekniikka nopeuttaa mallien lähentymistä.
Harmaan suden optimoinnin haitat
Harmaa susi -optimointi yrittää löytää optimaalisen ratkaisun vain silloin, kun paras mahdollinen ratkaisu jää optimaalisen ratkaisun alueelle. Tämä saa harmaan suden optimointitekniikan tuottamaan pienemmän tarkkuuden ja joskus lähentymään huonoon ratkaisuun. Tietyissä tapauksissa paras mahdollinen ratkaisu voi olla ehdokasratkaisuryhmän harkitseman alueen ulkopuolella. Lisäksi harmaan suden optimointitekniikka kuuluu heurististen optimointitekniikoiden alle ja tuotettu optimaalinen ratkaisu on vain lähellä alkuperäistä optimaalista ratkaisua, eikä se ole paras optimaalinen ratkaisu ongelmaan.
Yhteenveto
Erilaisten optimointitekniikoiden joukosta harmaa susitekniikka yrittää löytää optimaalisen ratkaisun yksilöllisesti noudattamalla harmaan susien metsästyksen yleisiä periaatteita. Harmaan suden optimointi on parempi valinta korkeampiulotteisille tiedoille ja tiettyihin ongelmiin, kuten matkustavan myyjän ongelmaan. Kokonaisalgoritmi tuottaa lähimmän optimaalisen ratkaisun verrattuna parhaaseen optimaaliseen ratkaisuun, joka voidaan validoida ja jota voidaan tarvittaessa optimoida edelleen, koska harmaa susi -tekniikan optimointi voidaan tehdä pienemmällä määrällä parametreja.
