Um otimizador político híbrido ganancioso com algoritmo de fogos de artifício para problemas de otimização numérica e de engenharia

Scientific Reports volume 12, Artigo número: 13243 (2022) Citar este artigo

1148 acessos

3 citações

1 Altmétrico

Detalhes das métricas

Este artigo propõe um novo algoritmo de otimização híbrido denominado GPOFWA, que integra otimizador político (PO) com algoritmo de fogos de artifício (FWA) para resolver problemas de otimização numérica e de engenharia. O PO original utiliza soluções ótimas de subgrupos, como líderes partidários e vencedores de distritos eleitorais, para orientar o movimento do agente de busca. No entanto, o número de tais soluções ótimas de subgrupo é limitado, o que leva a capacidades de exploração global insuficientes de PO. Além disso, a recente estratégia de atualização de posição baseada no passado (RPPUS) do PO carece de verificação eficaz das soluções candidatas atualizadas, o que reduz a velocidade de convergência do algoritmo. O algoritmo híbrido proposto usa o mecanismo de explosão de faísca em FWA para realizar operações de faísca de explosão e faísca de explosão de Gauss nas soluções ótimas do subgrupo (líder do partido e vencedor do eleitorado), respectivamente, com base na estratégia gananciosa, que otimiza a solução ótima do subgrupo e aumenta a capacidade de exploração do algoritmo. Além disso, faíscas de explosão gaussianas também são usadas para corrigir as soluções candidatas após RPPUS, o que compensa as deficiências do PO original. Além disso, uma nova solução ótima de subgrupo denominada Centro Móvel Convergente (CMC), baseada na consideração bidirecional, foi projetada para orientar o movimento dos agentes de busca e manter a diversidade populacional. Testamos o algoritmo híbrido apresentado em 30 funções de benchmark bem conhecidas, funções de benchmark CEC2019 e três problemas de otimização de engenharia. Os resultados experimentais mostram que o GPOFWA é superior a muitos métodos de última geração em termos da qualidade da solução resultante.

A otimização é um processo numérico usado para determinar as variáveis ​​de decisão para minimizar ou maximizar o valor da função objetivo enquanto satisfaz as restrições do espaço de decisão1. Problemas de otimização são inevitáveis ​​em muitas aplicações do mundo real, e esses problemas geralmente contêm funções objetivo não lineares e restrições com múltiplos ótimos locais e regiões de baixa viabilidade2. Essas características complexas tornam difícil para os métodos tradicionais de programação matemática, como gradiente conjugado, programação quadrática sequencial, método de Newton e método quase-Newton, encontrar o ótimo3. Algoritmos meta-heurísticos (MAs) tornaram-se predominantes em muitas disciplinas aplicadas nas últimas décadas devido ao maior desempenho e menor capacidade e tempo de computação necessários do que algoritmos determinísticos em vários problemas de otimização . 12. Como um ramo da otimização aleatória, os algoritmos meta-heurísticos podem encontrar uma solução quase ótima usando os recursos disponíveis, embora nem sempre seja garantido encontrar o ótimo global. A maioria dos MAs é inspirada na inteligência humana, na natureza social dos grupos biológicos e nas leis dos fenômenos naturais. Alguns representantes clássicos de MAs, como algoritmo genético (GA)13, otimização de enxame de partículas (PSO)14, evolução diferencial (DE)15, otimizador de lobo cinzento (GWO)16, otimizador de Harris Hawks (HHO)17, algoritmo de morcego (BA )18, algoritmo de otimização de baleia (WOA)19, algoritmo de enxame de salp (SSA)20, algoritmo de seno cosseno (SCA)21, algoritmo de ciclo de água (WCA)22 e assim por diante, foram usados ​​com sucesso para resolver alguns problemas complexos de otimização.

Contudo, o teorema do No Free Lunch (NFL) afirma que é impossível resolver todos os problemas de otimização por um algoritmo específico23, o que significa que um algoritmo é adequado para um determinado problema de otimização, mas pode não ser adequado para outro problema de otimização com características diferentes. Portanto, mais pesquisas sobre MAs são necessárias para lidar com diferentes problemas de otimização. As direções de pesquisa dos MAs incluem propor novos algoritmos, melhorar algoritmos existentes e hibridizar diferentes algoritmos. A hibridização de diferentes algoritmos tem chamado a atenção porque pode destacar suas respectivas vantagens e fazer com que os algoritmos tenham melhor desempenho. Vários algoritmos híbridos alcançaram bons resultados, como a hibridização da otimização de enxame de partículas com evolução diferencial proposta por Wang et al.24, a hibridização do algoritmo seno-cosseno com evolução diferencial proposta por Li et al.25, a hibridização do enxame de partículas com o otimizador de lobo cinzento apresentado por Zhang et al.26. O algoritmo Fireworks (FWA) foi um algoritmo de otimização de inteligência de enxame recentemente desenvolvido, que foi apresentado simulando o processo de explosão real de fogos de artifício e gerando um grande número de faíscas em 201027. Quando os fogos de artifício explodem, as faíscas estão por toda parte. O processo de explosão dos fogos de artifício pode ser considerado como o comportamento de busca do agente de busca no espaço local. A ideia principal do FWA é usar fogos de artifício e faíscas como diferentes tipos de soluções para buscar o espaço viável da função de otimização. Por ser um excelente algoritmo, o FWA tem sido usado em hibridização com muitos outros algoritmos nos últimos anos. Zhu et al.28 hibridizaram o algoritmo de fogos de artifício com o algoritmo de enxame de partículas para formar o DFWPSO, que teve desempenho competitivo e eficaz em problemas de otimização numérica. Yue et al.29 propuseram um novo algoritmo híbrido denominado FWGWO baseado no otimizador de lobo cinzento e algoritmo de fogos de artifício e obteve excelentes resultados em otimização global. Guo et al.30 adicionaram o operador de evolução diferencial ao algoritmo de fogos de artifício e propuseram um algoritmo híbrido de fogos de artifício com operador de evolução diferencial (HFWA_DE) em 2019. Zhang et al.31 introduziram o operador de migração de otimização baseada em biogeografia no algoritmo de fogos de artifício para aprimorar as informações compartilhamento entre populações e apresentou uma otimização híbrida baseada em biogeografia e algoritmo de fogos de artifício para otimização global.