Un optimiseur politique hybride et gourmand avec un algorithme de feux d'artifice pour les problèmes d'optimisation numérique et technique

Rapports scientifiques volume 12, Numéro d'article : 13243 (2022) Citer cet article

1148 Accès

3 citations

1 Altmétrique

Détails des métriques

Cet article propose un nouvel algorithme d'optimisation hybride nommé GPOFWA, qui intègre un optimiseur politique (PO) avec un algorithme de feux d'artifice (FWA) pour résoudre des problèmes d'optimisation numérique et technique. Le PO original utilise des solutions optimales de sous-groupes telles que les chefs de parti et les vainqueurs de circonscription pour guider le mouvement de l'agent de recherche. Cependant, le nombre de solutions optimales de ces sous-groupes est limité, ce qui conduit à des capacités d’exploration globale insuffisantes de PO. De plus, la récente stratégie de mise à jour des positions basées sur le passé (RPPUS) de PO manque de vérification efficace des solutions candidates mises à jour, ce qui réduit la vitesse de convergence de l'algorithme. L'algorithme hybride proposé utilise le mécanisme d'explosion d'étincelles dans FWA pour effectuer des opérations d'étincelle d'explosion et d'étincelle d'explosion de Gauss sur les solutions optimales du sous-groupe (chef du parti et vainqueur de la circonscription), respectivement sur la base de la stratégie gloutonne, qui optimise la solution optimale du sous-groupe et améliore la capacité d'exploitation. de l’algorithme. De plus, des étincelles d’explosion gaussiennes sont également utilisées pour corriger les solutions candidates après RPPUS, ce qui compense les lacunes du PO original. En outre, une nouvelle solution optimale de sous-groupe appelée Centre mobile convergé (CMC), basée sur une considération bidirectionnelle, est conçue pour guider le mouvement des agents de recherche et maintenir la diversité de la population. Nous testons l'algorithme hybride présenté sur 30 fonctions de référence bien connues, des fonctions de référence CEC2019 et trois problèmes d'optimisation technique. Les résultats expérimentaux montrent que GPOFWA est supérieur à de nombreuses méthodes de pointe en termes de qualité de la solution résultante.

L'optimisation est un processus numérique utilisé pour déterminer les variables de décision permettant de minimiser ou de maximiser la valeur de la fonction objectif tout en satisfaisant les contraintes de l'espace de décision1. Les problèmes d'optimisation sont inévitables dans de nombreuses applications du monde réel, et ces problèmes contiennent généralement des fonctions objectives et des contraintes non linéaires avec plusieurs régions optimales locales et peu réalisables2. Ces caractéristiques complexes font qu'il est difficile pour les méthodes de programmation mathématique traditionnelles telles que le gradient conjugué, la programmation quadratique séquentielle, la méthode de Newton et la méthode quasi-Newton de trouver l'optimum3. Les algorithmes méta-heuristiques (MA) sont devenus répandus dans de nombreuses disciplines appliquées au cours des dernières décennies en raison de performances plus élevées et d'une capacité et d'un temps de calcul requis inférieurs à ceux des algorithmes déterministes dans divers problèmes d'optimisation4,5,6,7,8,9,10,11, 12. En tant que branche de l'optimisation aléatoire, les algorithmes méta-heuristiques peuvent trouver une solution quasi optimale en utilisant les ressources disponibles, même s'il n'est pas toujours garanti de trouver l'optimum global. La plupart des MA s'inspirent de l'intelligence humaine, de la nature sociale des groupes biologiques et des lois des phénomènes naturels. Certains représentants classiques des MA, tels que l'algorithme génétique (GA)13, l'optimisation des essaims de particules (PSO)14, l'évolution différentielle (DE)15, l'optimiseur de loup gris (GWO)16, l'optimiseur de Harris Hawks (HHO)17, l'algorithme de chauve-souris (BA )18, l’algorithme d’optimisation des baleines (WOA)19, l’algorithme d’essaim de salpes (SSA)20, l’algorithme sinus-cosinus (SCA)21, l’algorithme du cycle de l’eau (WCA)22, etc., ont été utilisés avec succès pour résoudre certains problèmes d’optimisation complexes.

Cependant, le théorème No Free Lunch (NFL) stipule qu’il est impossible de résoudre tous les problèmes d’optimisation par un algorithme spécifique23, ce qui signifie qu’un algorithme est adapté à un problème d’optimisation donné, mais peut ne pas convenir à un autre problème d’optimisation présentant des caractéristiques différentes. Par conséquent, des recherches supplémentaires sur les MA sont nécessaires pour traiter différents problèmes d’optimisation. Les axes de recherche des MA incluent la proposition de nouveaux algorithmes, l’amélioration des algorithmes existants et l’hybridation de différents algorithmes. L’hybridation de différents algorithmes a attiré l’attention car elle peut mettre en évidence leurs avantages respectifs et améliorer les performances des algorithmes. Divers algorithmes hybrides ont obtenu de bons résultats, tels que l'hybridation de l'optimisation des essaims de particules avec l'évolution différentielle proposée par Wang et al.24, l'hybridation de l'algorithme sinus-cosinus avec l'évolution différentielle proposée par Li et al.25, l'hybridation de l'essaim de particules avec l'optimiseur de loup gris présenté par Zhang et al.26. L'algorithme de feux d'artifice (FWA) était un nouvel algorithme d'optimisation de l'intelligence en essaim, qui a été proposé en simulant le processus d'explosion d'un véritable feu d'artifice et en générant un grand nombre d'étincelles en 201027. Lorsque le feu d'artifice explose, les étincelles sont partout. Le processus d'explosion des feux d'artifice peut être considéré comme le comportement de recherche de l'agent de recherche dans l'espace local. L'idée principale de FWA est d'utiliser des feux d'artifice et des étincelles comme différents types de solutions pour rechercher l'espace réalisable de la fonction d'optimisation. En tant qu’excellent algorithme, FWA a été utilisé en hybridation avec de nombreux autres algorithmes ces dernières années. Zhu et al.28 ont hybridé l'algorithme de feu d'artifice avec l'algorithme d'essaim de particules pour former DFWPSO, qui a fonctionné de manière compétitive et efficace dans les problèmes d'optimisation numérique. Yue et al.29 ont proposé un nouvel algorithme hybride appelé FWGWO basé sur l'optimiseur de loup gris et l'algorithme de feu d'artifice et ont obtenu d'excellents résultats en optimisation globale. Guo et al.30 ont ajouté l'opérateur d'évolution différentielle à l'algorithme de feu d'artifice et ont proposé un algorithme de feu d'artifice hybride avec opérateur d'évolution différentielle (HFWA_DE) en 2019. Zhang et al.31 ont introduit l'opérateur de migration de l'optimisation basée sur la biogéographie dans l'algorithme de feu d'artifice pour améliorer les informations. partage entre les populations et a présenté un algorithme hybride d'optimisation et de feux d'artifice basé sur la biogéographie pour une optimisation globale.