수치적 및 공학적 최적화 문제에 대한 불꽃놀이 알고리즘을 갖춘 하이브리드 탐욕적 정치 최적화 프로그램

Scientific Reports 12권, 기사 번호: 13243(2022) 이 기사 인용

1148 액세스

3 인용

1 알트메트릭

측정항목 세부정보

본 논문에서는 수치적, 공학적 최적화 문제를 해결하기 위해 PO(Political Optimizer)와 FWA(Fireworks Algorithm)를 통합한 새로운 하이브리드 최적화 알고리즘인 GPOFWA를 제안합니다. 원본 PO는 정당 대표, 선거구 당선자 등 하위 그룹 최적 솔루션을 사용하여 검색 에이전트의 이동을 안내합니다. 그러나 이러한 하위그룹 최적해의 수가 제한되어 있어 PO의 글로벌 탐색 역량이 부족합니다. 또한, 최근 PO의 과거 기반 위치 업데이트 전략(RPPUS)은 업데이트된 후보 솔루션에 대한 효과적인 검증이 부족하여 알고리즘의 수렴 속도가 저하됩니다. 제안하는 하이브리드 알고리즘은 FWA의 스파크 폭발 메커니즘을 사용하여 그리디 전략을 기반으로 하위 그룹 최적 솔루션(당 대표 및 선거구 승자)에 대해 각각 폭발 스파크 및 가우스 폭발 스파크 연산을 수행하여 하위 그룹 최적 솔루션을 최적화하고 활용 능력을 향상시킵니다. 알고리즘의. 또한 RPPUS 이후 후보 솔루션을 수정하기 위해 가우시안 폭발 스파크도 사용되어 원래 PO의 단점을 보완합니다. 또한 양방향 고려를 기반으로 한 CMC(Converged Mobile Center)라는 새로운 하위 그룹 최적 솔루션을 설계하여 검색 에이전트의 이동을 유도하고 인구 다양성을 유지합니다. 우리는 잘 알려진 30개의 벤치마크 함수, CEC2019 벤치마크 함수 및 세 가지 엔지니어링 최적화 문제에 대해 제시된 하이브리드 알고리즘을 테스트합니다. 실험 결과는 결과 솔루션의 품질 측면에서 GPOFWA가 많은 최신 방법보다 우수하다는 것을 보여줍니다.

최적화는 의사결정 공간1의 제약 조건을 만족하면서 목적 함수 값을 최소화하거나 최대화하기 위한 의사결정 변수를 결정하는 데 사용되는 수치 프로세스입니다. 최적화 문제는 많은 실제 응용 분야에서 불가피하며 이러한 문제에는 일반적으로 비선형 목적 함수와 여러 지역 최적 및 낮은 실현 가능 영역이 포함된 제약 조건이 포함됩니다2. 이러한 복잡한 특징으로 인해 켤레 기울기, 순차 2차 프로그래밍, 뉴턴 방법 및 준뉴턴 방법과 같은 전통적인 수학적 프로그래밍 방법이 최적의 값을 찾는 것이 어렵습니다3. 메타 휴리스틱 알고리즘(MA)은 다양한 최적화 문제에서 결정론적 알고리즘보다 더 높은 성능과 더 낮은 필요한 컴퓨팅 용량 및 시간으로 인해 최근 수십 년 동안 많은 응용 분야에서 널리 보급되었습니다4,5,6,7,8,9,10,11, 12. 무작위 최적화의 한 분야인 메타 휴리스틱 알고리즘은 사용 가능한 리소스를 사용하여 거의 최적에 가까운 솔루션을 찾을 수 있지만 전역 최적 솔루션을 찾는 것이 항상 보장되는 것은 아닙니다. 대부분의 MA는 인간 지능, 생물학적 집단의 사회적 성격, 자연 현상의 법칙에서 영감을 받았습니다. GA(유전자 알고리즘)13, PSO(입자 떼 최적화)14, DE(미분 진화)15, GWO(회색 늑대 최적화 프로그램)16, HHO(해리스 호크스 최적화 프로그램)17, 박쥐 알고리즘(BA)과 같은 MA의 일부 고전적인 대표자 )18, 고래 최적화 알고리즘(WOA)19, 살프 떼 알고리즘(SSA)20, 사인 코사인 알고리즘(SCA)21, 물 순환 알고리즘(WCA)22 등이 일부 복잡한 최적화 문제를 해결하는 데 성공적으로 사용되었습니다.

그러나 NFL(No Free Lunch) 정리는 특정 알고리즘으로 모든 최적화 문제를 해결하는 것이 불가능하다고 명시합니다. 이는 알고리즘이 주어진 최적화 문제에는 적합하지만 다른 특성을 가진 다른 최적화 문제에는 적합하지 않을 수 있음을 의미합니다. 따라서 다양한 최적화 문제를 다루기 위해서는 MA에 대한 추가 연구가 필요합니다. MA의 연구 방향에는 새로운 알고리즘 제안, 기존 알고리즘 개선, 다양한 알고리즘의 하이브리드화 등이 포함됩니다. 서로 다른 알고리즘을 혼합하는 것은 각각의 장점을 부각시키고 알고리즘의 성능을 향상시킬 수 있다는 점에서 주목을 받고 있습니다. 다양한 하이브리드 알고리즘은 Wang et al.24가 제안한 미분 진화를 통한 입자 떼 최적화 혼성화, Li et al.25가 제안한 미분 진화를 통한 사인-코사인 알고리즘 혼성화, 장 외.26. FWA(Fireworks Algorithm)는 2010년 27년에 실제 불꽃이 터지는 과정을 시뮬레이션하고 대량의 불꽃을 발생시켜 내놓은 새로 개발된 군집지능 최적화 알고리즘이다. 불꽃이 터지면 곳곳에 불꽃이 흩날린다. 불꽃놀이의 폭발 과정은 지역공간에서의 검색 에이전트의 검색 행위로 볼 수 있다. FWA의 주요 아이디어는 불꽃놀이와 스파크를 다양한 종류의 솔루션으로 사용하여 최적화 함수의 실행 가능한 공간을 검색하는 것입니다. 우수한 알고리즘으로서 FWA는 최근 몇 년 동안 다른 많은 알고리즘과의 하이브리드화에 사용되었습니다. Zhu et al.28은 불꽃놀이 알고리즘과 입자 떼 알고리즘을 혼합하여 수치 최적화 문제에서 경쟁적이고 효과적으로 수행되는 DFWPSO를 형성했습니다. Yue et al.29은 Gray Wolf Optimizer와 Firework 알고리즘을 기반으로 FWGWO라는 새로운 하이브리드 알고리즘을 제안하여 전역 최적화에서 우수한 결과를 얻었습니다. Guo et al.30은 불꽃 알고리즘에 미분 진화 연산자를 추가하고 2019년에 미분 진화 연산자(HFWA_DE)를 갖춘 하이브리드 불꽃 알고리즘을 제안했습니다. Zhang et al.31은 불꽃 알고리즘에 생물지리학 기반 최적화의 마이그레이션 연산자를 도입하여 정보를 향상시켰습니다. 인구 간 공유를 통해 하이브리드 생물지리학 기반 최적화 및 글로벌 최적화를 위한 불꽃놀이 알고리즘을 제시했습니다.