Algoritmo americano de otimização zebra para problemas de otimização global

Scientific Reports volume 13, Artigo número: 5211 (2023) Citar este artigo

2049 Acessos

3 citações

2 Altmétrico

Detalhes das métricas

Um novo algoritmo meta-heurístico de inspiração biológica, nomeadamente o algoritmo de otimização de zebra americana (AZOA), que imita o comportamento social das zebras americanas na natureza, é proposto neste estudo. As zebras americanas se distinguem de outros mamíferos por seu caráter social distinto e fascinante e exercício de liderança, que faz com que os bebês zebras deixem o rebanho antes da maturidade e se juntem a um rebanho separado, sem laços familiares. Esta saída do bebê zebra incentiva a diversificação, evitando o acasalamento intrafamiliar. Além disso, a convergência é assegurada pelo exercício de liderança nas zebras americanas, que direciona a velocidade e o rumo do grupo. Este comportamento de estilo de vida social das zebras americanas é de natureza indígena e é a principal inspiração para propor o algoritmo meta-heurístico AZOA. Para examinar a eficiência do algoritmo AZOA, as funções de benchmark CEC-2005, CEC-2017 e CEC-2019 são consideradas e comparadas com vários algoritmos meta-heurísticos de última geração. Os resultados experimentais e a análise estatística revelam que o AZOA é capaz de atingir as soluções ideais para funções máximas de benchmark, mantendo um bom equilíbrio entre exploração e exploração. Além disso, numerosos problemas de engenharia do mundo real foram empregados para demonstrar a robustez do AZOA. Finalmente, prevê-se que o AZOA terá um desempenho dominador nas futuras funções avançadas de benchmark CEC e outros problemas complexos de engenharia.

Otimização é o processo de identificar as variáveis ​​de decisão enquanto mantém várias restrições para maximizar ou minimizar a função de custo. As restrições, a função de custo e as variáveis ​​de projeto são os componentes críticos de qualquer problema de otimização. As técnicas de otimização são amplamente aplicáveis ​​nas áreas de engenharia1, seleção de recursos2,3, ajuste de parâmetros de aprendizado de máquina4, redes de sensores sem fio5, processamento de imagens6 e bioinformática7. A maioria dos problemas da vida real são altamente não convexos e não lineares devido à presença de múltiplas variáveis ​​de projeto e à natureza intrínseca das restrições. Além disso, não há certeza de obtenção de uma solução ótima global8. Os desafios relacionados com estes problemas da vida real inspiram os cientistas a conceber estratégias novas e bem-sucedidas para obter melhores resultados. As abordagens de otimização podem ser categorizadas em dois tipos, como abordagens determinísticas baseadas em gradiente e abordagens não tradicionais baseadas em estocásticas9. As abordagens baseadas em determinismos apresentam limitações na resolução de problemas com espaços de busca descontínuos, funções objetivo não convexas, de alta dimensão e não diferenciáveis. No entanto, as estratégias baseadas no estocástico não praticam informações baseadas em gradientes; em vez disso, eles são inteligentes o suficiente para superar as limitações confiando em métodos aleatórios no espaço de busca. Os algoritmos meta-heurísticos são predominantes por sua ampla aplicabilidade entre as diversas técnicas em abordagens baseadas no estocástico. Os algoritmos meta-heurísticos possuem um alto potencial para explorar o espaço de soluções e explorar a melhor solução ótima. Portanto, vários pesquisadores tentaram não apenas propor novos algoritmos meta-heurísticos, mas também aumentar a eficiência dos métodos existentes, resultando na concepção de várias novas meta-heurísticas durante as últimas décadas. Em geral, os algoritmos meta-heurísticos podem ser agrupados em três tipos principais, como algoritmos evolutivos (EA), algoritmos baseados em fenômenos naturais (NP) e algoritmos de inteligência de enxame (SI)10,11. Algoritmos evolutivos (EAs) imitam o processo de evolução de Darwin usando três mecanismos: seleção, reprodução e mutação. Alguns dos EAs mais proeminentes são Evolução Diferencial (DE)12, Algoritmo Genético (GA)13, Estratégia Evolutiva de Adaptação de Matriz de Covariância (CMA-ES)14, Estratégia Evolutiva (ES)15, Variantes DE Adaptativas Baseadas em História com Tamanho Linear da População Redução (L-SHADE)16, Otimizador Baseado em Biogeografia (BBO)17 e Baseado no Desempenho do Aluno - Comportamento (LPB)18. Os algoritmos baseados em NP emulam as leis químicas e físicas do cosmos. A maioria dos algoritmos conhecidos baseados nesta categoria são Simulated Annealing (SA)19, Central Force Optimization (CFO)20, Gravitational Search Algorithm (GSA)21, Water Cycle Optimizer (WCO)22, Black Hole Algorithm (BHA)23 , Algoritmo de pesquisa relâmpago (LSA)24, Otimização multiverso (MVO)25, Otimização de troca térmica (TEO)11, Otimização de solubilidade de gás Henry26, Otimizador de equilíbrio (EO)27, Algoritmo de otimização de Arquimedes (AOA)28, Algoritmo de Lichtenberg (LA )29, Algoritmo de Direção de Fluxo (FDA)30 e Otimização de Fusão-Fissão (FuFiO)31. Os algoritmos de Swarm Intelligence (SI) seguem o comportamento natural de mamíferos, pássaros e insetos. A maioria dos algoritmos baseados em SI populares são o algoritmo Particle Swarm Optimizer (PSO)32, Gray Wolf Optimizer (GWO)33, Elephant Herding Optimization (EHO)34, Moth Flame Optimization (MFO)35, Whale Optimization Algorithm (WOA)36, Salp Algoritmo Swarm (SSA)37, Algoritmo Grasshopper Optimizer (GOA)38, Otimização Harris Hawks (HHO)39, Um Otimizador de Enxame Competitivo Improvisado (ICSO)40, Algoritmo Tunicate Swarm (TSA)41, Levy Flight Distribution (LFD)10, e Algoritmo de Otimização de Abutres Americanos (AVOA)42, Aquila Optimizer (AO)43, Golden Eagle Optimizer (GEO)44, Algoritmo de Predação Orca (OPA)45 e Otimização de Coelhos Artificiais (ARO)46, Otimizador de Tropas de Gorila Artificial (GTO)47, Otimizador Mountain Gazelle (MGO)48. É enfático afirmar que as meta-heurísticas49 existentes apresentam vantagens e limitações. Por exemplo, o algoritmo PSO clássico tem a fraqueza da convergência prematura no espaço de busca de alta dimensão, enquanto o algoritmo genético tem dificuldades no ajuste de parâmetros e na computação extensa. Da mesma forma, o algoritmo de busca gravitacional tem a desvantagem de uma taxa de convergência lenta e a presença de muitos parâmetros de controle. O eminente algoritmo GWO tem dificuldade em lidar com problemas desafiadores de engenharia devido à sua baixa capacidade de busca local. Além disso, o algoritmo TSA proposto recentemente tem a incapacidade de resolver problemas multimodais com grandes dimensões. Portanto, é essencial desafiar estas limitações através da adaptação de novas técnicas e metodologias. Além disso, o “Teorema do No Free Lunch (NFL)”50 afirma que nenhum algoritmo pode ser considerado o melhor otimizador para todos os problemas de otimização. Os problemas não resolvidos também necessitam de uma abordagem escassa para obter soluções. Como resultado, é necessário que meta-heurísticas pioneiras sejam oferecidas frequentemente por investigadores de todo o mundo. Assim, neste artigo, está sendo projetada uma nova meta-heurística inspirada no comportamento social das Zebras Americanas, nomeadamente o Algoritmo de Otimização da Zebra Americana (AZOA). As zebras americanas são animais socialmente adeptos que permanecem em grupo com um macho, várias fêmeas e descendentes51. Os principais comportamentos das zebras incluem alimentação, acasalamento, preservação da hierarquia social e orientação dos jovens52,53. As zebras americanas se distinguem de outros mamíferos por seu caráter único e fascinante de “honestidade”. O caráter social “honestidade” faz com que os bebês zebras deixem o rebanho antes da maturidade e se juntem a um rebanho separado, sem relação familiar. Esta saída do bebê zebra equilibra a diversificação, evitando o acasalamento intrafamiliar. Além disso, a zebra macho madura do grupo encanta a zebra fêmea para persuadir a convergência. Este conceito mais escasso de conformidade social nos inspira a propor o American Zebra Optimization Algorithm (AZOA). Prevê-se que a facilidade e a robustez do algoritmo AZOA impulsionarão soluções globais rápidas e precisas, ao mesmo tempo que resolvem funções de referência e problemas de engenharia da vida real. As principais contribuições deste estudo são destacadas a seguir: