Algoritmo de otimização zebra americano para problemas de otimização global

Scientific Reports volume 13, Número do artigo: 5211 (2023) Citar este artigo

1366 acessos

1 Citações

2 Altmétrica

Detalhes das métricas

Um novo algoritmo meta-heurístico bio-inspirado, ou seja, o algoritmo de otimização de zebra americano (AZOA), que imita o comportamento social de zebras americanas em estado selvagem, é proposto neste estudo. As zebras americanas se distinguem de outros mamíferos por seu caráter social distinto e fascinante e exercício de liderança, que leva os filhotes de zebra a deixar o rebanho antes da maturidade e se juntar a um rebanho separado, sem laços familiares. Essa partida do bebê zebra incentiva a diversificação, impedindo o acasalamento intrafamiliar. Além disso, a convergência é assegurada pelo exercício de liderança nas zebras americanas, que direcionam a velocidade e a direção do grupo. Esse 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 os vários algoritmos meta-heurísticos de última geração. Os resultados experimentais e a análise estatística revelam que o AZOA é capaz de atingir as soluções ótimas para funções de referência máximas, mantendo um bom equilíbrio entre exploração e explotação. Além disso, vários problemas de engenharia do mundo real foram empregados para demonstrar a robustez do AZOA. Finalmente, espera-se que o AZOA seja eficiente para as futuras funções avançadas de benchmark CEC e outros problemas complexos de engenharia.

Otimização é o processo de identificar as variáveis ​​de decisão, mantendo 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 a esses problemas da vida real inspiram os cientistas a projetar 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 estocásticos9. As abordagens determinísticas 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 em estocástico não praticam informações baseadas em gradiente; em vez disso, eles são inteligentes o suficiente para superar as limitações, contando com métodos aleatórios no espaço de busca. Os algoritmos meta-heurísticos são predominantes por sua ampla aplicabilidade entre as diversas técnicas em abordagens de base estocástica. Os algoritmos meta-heurísticos têm um alto potencial para explorar o espaço de solução 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 meta-heurísticas inovadoras 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 evolucionários (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 Evolucionária (ES)15, Variantes DE Adaptativas Baseadas em Histórico com Tamanho de População Linear Redução (L-SHADE)16, Otimizador baseado em biogeografia (BBO)17 e Desempenho do aluno baseado em 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 , Lightning Search Algorithm (LSA)24, Multi-Verse Optimization (MVO)25, Thermal Exchange Optimization (TEO)11, Henry Gas Solubility Optimization26, Equilibrium Optimizer (EO)27, Archimedes Optimization Algorithm (AOA)28, Lichtenberg Algorithm (LA )29, Algoritmo de Direção de Fluxo (FDA)30 e Otimização de Fusão-Fissão (FuFiO)31. Os algoritmos Swarm Intelligence (SI) seguem o comportamento natural de mamíferos, pássaros e insetos. A maioria dos algoritmos populares baseados em SI 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 Swarm Algorithm (SSA)37, Grasshopper Optimizer Algorithm (GOA)38, Harris Hawks optimization (HHO)39, An Improvised Competitive Swarm Optimizer (ICSO)40, Tunicate Swarm Algorithm (TSA)41, Levy Flight Distribution (LFD)10, e Algoritmo de Otimização de Abutres Americanos (AVOA)42, Otimizador de Aquila (AO)43, Otimizador de Águia Dourada (GEO)44, Algoritmo de Predação de Orca (OPA)45 e Otimização de Coelhos Artificiais (ARO)46, Otimizador de Tropas de Gorila Artificial (GTO)47, Mountain Gazelle Optimizer (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 computação extensiva. 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 de engenharia desafiadores devido à sua baixa capacidade de pesquisa local. Além disso, o algoritmo TSA proposto recentemente tem a incapacidade de abordar problemas multimodais com grandes dimensões. Portanto, é essencial desafiar essas limitações, adaptando novas técnicas e metodologias. Além disso, o "No Free Lunch (NFL) Theorem"50 afirma que nenhum algoritmo pode ser considerado o melhor otimizador para todos os problemas de otimização. Os problemas não resolvidos também precisam de uma abordagem escassa para obter soluções. Como resultado, meta-heurísticas pioneiras são necessárias para serem oferecidas com frequência por investigadores em todo o mundo. Assim, neste artigo, uma nova meta-heurística inspirada no comportamento social das zebras americanas, a saber, o American Zebra Optimization Algorithm (AZOA), está sendo projetada. As zebras americanas são animais socialmente aptos que ficam em grupo com um macho, várias fêmeas e filhotes51. Os principais comportamentos das zebras incluem alimentação, acasalamento, preservação da hierarquia social e orientação dos filhotes52,53. As zebras americanas se distinguem de outros mamíferos por seu caráter único e fascinante de "honestidade". O caráter social "honestidade" leva os filhotes de zebra a deixar o rebanho antes da maturidade e se juntar a um rebanho separado sem parentesco. Essa partida do bebê zebra equilibra a diversificação ao impedir o acasalamento intrafamiliar. Além disso, a zebra macho amadurecida no grupo encanta a zebra fêmea para persuadir a convergência. Este conceito mais escasso de concordância social nos inspira a propor o American Zebra Optimization Algorithm (AZOA). Prevê-se que a facilidade e a robustez do algoritmo AZOA impulsionem soluções globais rápidas e precisas ao resolver funções de referência e problemas de engenharia da vida real. As principais contribuições deste estudo são destacadas a seguir: