새로운 바이오

Scientific Reports 13권, 기사 번호: 8775(2023) 이 기사 인용

2297 액세스

측정항목 세부정보

본 논문에서는 자연에서 바다코끼리의 행동을 모방하는 WaOA(Walrus Optimization Algorithm)라는 새로운 생체 ​​영감 메타휴리스틱 알고리즘을 소개합니다. WaOA 디자인에 사용된 근본적인 영감은 포식자에게 먹이를 주고, 이동하고, 탈출하고, 싸우는 과정입니다. WaOA 구현 단계는 탐색, 마이그레이션 및 활용의 세 단계로 수학적으로 모델링됩니다. 단일모달, 고차원 다중모달, 고정 차원 다중모달, CEC 2015 테스트 모음 및 CEC 2017 테스트 모음으로 구성된 68개의 표준 벤치마크 기능을 사용하여 최적화 애플리케이션에서 WaOA 성능을 평가합니다. 유니모달 함수의 최적화 결과는 WaOA의 활용 능력을 나타내고, 멀티모달 함수의 최적화 결과는 WaOA의 탐색 능력을 나타내며, CEC 2015 및 CEC 2017 테스트 스위트의 최적화 결과는 탐색 및 탐색 중 탐색과 활용의 균형을 맞추는 데 있어 WaOA의 높은 능력을 나타냅니다. 검색 과정. WaOA의 성능은 잘 알려진 10가지 메타휴리스틱 알고리즘의 결과와 비교됩니다. 시뮬레이션 결과는 탐색과 활용의 균형을 맞추는 뛰어난 능력과 대부분의 벤치마크 기능에 대해 우수한 결과를 제공하는 능력으로 인해 WaOA가 다른 유사한 알고리즘과 비교하여 현저하게 경쟁력 있고 우수한 성능을 보여주었다는 것을 보여줍니다. 또한 CEC 2011 테스트 모음에서 나온 4가지 설계 엔지니어링 문제와 22가지 실제 최적화 문제를 해결하는 데 WaOA를 사용하면 실제 응용 프로그램에서 WaOA의 명백한 효과가 입증됩니다. WaOA의 MATLAB 코드는 https://uk.mathworks.com/matlabcentral/profile/authors/13903104에서 사용할 수 있습니다.

최근 과학, 공학, 산업, 기술 분야에서 많은 최적화 문제를 최적화 기술을 사용하여 해결해야 합니다. 수학적 관점에서 보면 결정 변수, 제약 조건, 목적 함수는 최적화 문제 모델링의 세 가지 주요 부분입니다. 최적화의 목적은 문제의 결정 변수를 정량화하여 제약 조건을 존중하면서 목적 함수의 최소값(최소화 문제) 또는 최대값(최대화 문제)을 달성하도록 하는 것입니다1. 최적화 문제를 해결하는 데 적용되는 기술은 결정론적 접근 방식과 확률론적 접근 방식에 속합니다. 최적화 문제를 해결하는 데 적합한 기술을 선택하려면 사용자는 문제 해결 기술 비교에 대한 완전한 정보가 필요합니다. 대조적으로, 사용자가 이용할 수 있는 정보보다 더 많은 정보가 필요한 경우가 많습니다. 문제 해결 공간에서 주로 무작위 검색을 기반으로 하는 확률론적 접근 방식은 많은 결정론적 알고리즘보다 블랙박스 문제를 더 간단하게 처리할 수 있습니다. 이러한 접근 방식은 함수 평가가 노이즈로 인해 손상되는 문제에도 적합합니다. 각각의 결정론적 접근법과 확률론적 접근법은 다양한 장점을 갖고 있으며 일반적으로 어떤 것도 우수하다고 간주될 수 없습니다. 결정론적 접근법과 확률론적 접근법에 대한 더 많은 정보와 상세한 비교는 Krasov의 책2에서 제공됩니다.

가장 널리 사용되는 확률론적 접근 방식 중 하나인 메타휴리스틱 알고리즘은 확률론적 연산자, 시행착오 개념, 확률론적 검색을 사용하여 목적 함수의 파생 정보를 요구하지 않고 최적화 문제에 대한 적절한 솔루션을 제공할 수 있습니다. 아이디어의 단순성, 쉬운 구현, 문제 유형으로부터의 독립성, 파생 프로세스가 필요 없다는 점은 연구자들 사이에서 메타휴리스틱 알고리즘의 인기와 보급성을 가져온 장점 중 하나입니다3. 메타휴리스틱 알고리즘의 최적화 프로세스는 문제 검색 공간에서 여러 초기 실행 가능한 솔루션을 무작위로 생성하는 것으로 시작됩니다. 그런 다음 반복 기반 프로세스에서 알고리즘 단계의 효율성을 기반으로 이러한 초기 솔루션이 개선됩니다. 마지막으로 알고리즘 구현 과정에서 찾아낸 최적의 솔루션을 문제에 대한 솔루션으로 소개합니다4. 그러나 메타휴리스틱 알고리즘 중 어느 것도 최적의 전역 솔루션을 제공할 수 있다고 보장하지 않습니다. 이러한 불충분함은 이러한 유형의 최적화 접근 방식에서 무작위 검색의 특성으로 인해 발생합니다. 따라서 메타휴리스틱 알고리즘에서 파생된 솔루션을 준최적 솔루션이라고 합니다5.