Algorithme d'optimisation américain Zebra pour les problèmes d'optimisation globale

Rapports scientifiques volume 13, Numéro d'article : 5211 (2023) Citer cet article

2049 Accès

3 citations

2 Altmétrique

Détails des métriques

Un nouvel algorithme méta-heuristique bio-inspiré, à savoir l'algorithme américain d'optimisation des zèbres (AZOA), qui imite le comportement social des zèbres américains à l'état sauvage, est proposé dans cette étude. Les zèbres américains se distinguent des autres mammifères par leur caractère social distinct et fascinant et leur exercice de leadership, qui incite les bébés zèbres à quitter le troupeau avant leur maturité et à rejoindre un troupeau distinct sans liens familiaux. Ce départ du bébé zèbre favorise la diversification en empêchant les accouplements intra-familiaux. De plus, la convergence est assurée par l’exercice de leadership des zèbres américains, qui oriente la vitesse et la direction du groupe. Ce comportement de mode de vie social des zèbres américains est de nature indigène et constitue la principale source d'inspiration pour proposer l'algorithme méta-heuristique AZOA. Pour examiner l'efficacité de l'algorithme AZOA, les fonctions de référence CEC-2005, CEC-2017 et CEC-2019 sont prises en compte et comparées à plusieurs algorithmes méta-heuristiques de pointe. Les résultats expérimentaux et l'analyse statistique révèlent qu'AZOA est capable d'atteindre les solutions optimales pour un maximum de fonctions de référence tout en maintenant un bon équilibre entre exploration et exploitation. De plus, de nombreux problèmes d’ingénierie réels ont été utilisés pour démontrer la robustesse de l’AZOA. Enfin, il est prévu que l'AZOA accomplira de manière dominante les prochaines fonctions de référence avancées de la CEC et d'autres problèmes d'ingénierie complexes.

L'optimisation est le processus d'identification des variables de décision tout en maintenant diverses contraintes pour maximiser ou minimiser la fonction de coût. Les contraintes, la fonction de coût et les variables de conception sont les composants essentiels de tout problème d'optimisation. Les techniques d'optimisation sont largement applicables dans les domaines de l'ingénierie1, de la sélection des fonctionnalités2,3, du réglage des paramètres d'apprentissage automatique4, des réseaux de capteurs sans fil5, du traitement d'images6 et de la bioinformatique7. La plupart des problèmes réels sont hautement non convexes et non linéaires en raison de la présence de multiples variables de conception et de la nature intrinsèque des contraintes. De plus, il n’y a aucune certitude d’obtenir une solution globale optimale8. Les défis liés à ces problèmes réels incitent les scientifiques à concevoir des stratégies novatrices et efficaces pour obtenir de meilleurs résultats. Les approches d'optimisation peuvent être classées en deux types, telles que les approches déterministes basées sur le gradient et les approches non traditionnelles basées sur le stochastique9. Les approches déterministes ont des limites dans la résolution de problèmes avec des espaces de recherche discontinus, des fonctions objectives non convexes, de grande dimension et non différenciables. Cependant, les stratégies stochastiques ne mettent pas en pratique les informations basées sur les gradients ; au lieu de cela, ils sont suffisamment intelligents pour surmonter les limitations en s’appuyant sur des méthodes aléatoires dans l’espace de recherche. Les algorithmes méta-heuristiques sont répandus en raison de leur large applicabilité parmi les différentes techniques des approches stochastiques. Les algorithmes méta-heuristiques ont un fort potentiel pour explorer l’espace des solutions et exploiter la meilleure solution optimale. Par conséquent, plusieurs chercheurs ont tenté non seulement de proposer de nouveaux algorithmes méta-heuristiques, mais également d’améliorer l’efficacité des méthodes existantes, ce qui a abouti à la conception de plusieurs nouvelles méta-heuristiques au cours des dernières décennies. En général, les algorithmes méta-heuristiques peuvent être regroupés en trois types principaux, tels que les algorithmes évolutionnaires (EA), les algorithmes basés sur les phénomènes naturels (NP) et les algorithmes d'intelligence en essaim (SI)10,11. Les algorithmes évolutionnistes (EA) imitent le processus d'évolution de Darwin en utilisant trois mécanismes : la sélection, la reproduction et la mutation. Certaines des EA les plus importantes sont l'évolution différentielle (DE)12, l'algorithme génétique (GA)13, la stratégie évolutive d'adaptation de la matrice de covariance (CMA-ES)14, la stratégie évolutive (ES)15, les variantes DE adaptatives basées sur l'histoire avec une taille de population linéaire. Réduction (L-SHADE)16, Optimiseur basé sur la biogéographie (BBO)17 et Comportement basé sur les performances de l'apprenant (LPB)18. Les algorithmes basés sur NP imitent les lois chimiques et physiques du cosmos. La plupart des algorithmes bien connus basés dans cette catégorie sont le recuit simulé (SA)19, l’optimisation de la force centrale (CFO)20, l’algorithme de recherche gravitationnelle (GSA)21, l’optimiseur du cycle de l’eau (WCO)22 et l’algorithme de trou noir (BHA)23. , algorithme de recherche Lightning (LSA)24, optimisation multi-vers (MVO)25, optimisation des échanges thermiques (TEO)11, optimisation de la solubilité des gaz Henry26, optimiseur d'équilibre (EO)27, algorithme d'optimisation d'Archimède (AOA)28, algorithme de Lichtenberg (LA )29, algorithme de direction d'écoulement (FDA)30 et optimisation de fusion-fission (FuFiO)31. Les algorithmes Swarm Intelligence (SI) suivent le comportement naturel des mammifères, des oiseaux et des insectes. La plupart des algorithmes populaires basés sur le SI sont l'algorithme Particle Swarm Optimizer (PSO)32, Grey Wolf Optimizer (GWO)33, Elephant Herding Optimization (EHO)34, Moth Flame Optimization (MFO)35, Whale Optimization Algorithm (WOA)36, Salp. Algorithme d'essaim (SSA)37, algorithme d'optimisation de sauterelles (GOA)38, optimisation de Harris Hawks (HHO)39, optimiseur d'essaim compétitif improvisé (ICSO)40, algorithme d'essaim de tuniciers (TSA)41, distribution de vol de prélèvement (LFD)10 et Algorithme d’optimisation des vautours américains (AVOA)42, Aquila Optimizer (AO)43, Golden Eagle Optimizer (GEO)44, Orca Predation Algorithm (OPA)45 et Optimisation des lapins artificiels (ARO)46, Artificial Gorilla Troops Optimizer (GTO)47, Optimiseur de gazelle de montagne (MGO)48. Il convient de souligner que les méta-heuristiques existantes49 présentent des avantages et des limites. Par exemple, l’algorithme PSO classique présente la faiblesse d’une convergence prématurée dans un espace de recherche de grande dimension, tandis que l’algorithme génétique présente des difficultés de réglage des paramètres et de calcul approfondi. De même, l’algorithme de recherche gravitationnelle présente l’inconvénient d’un taux de convergence lent et de la présence de nombreux paramètres de contrôle. L’éminent algorithme GWO a du mal à résoudre des problèmes d’ingénierie complexes en raison de sa faible capacité de recherche locale. De plus, l’algorithme TSA récemment proposé présente l’incapacité de résoudre des problèmes multimodaux de grandes dimensions. Il est donc essentiel de remettre en question ces limites en adaptant de nouvelles techniques et méthodologies. De plus, le « No Free Lunch (NFL) Theorem »50 affirme qu’aucun algorithme ne peut être considéré comme le meilleur optimiseur pour tous les problèmes d’optimisation. Les problèmes non résolus nécessitent également une approche limitée pour obtenir des solutions. En conséquence, des méta-heuristiques pionnières doivent être proposées fréquemment par les chercheurs du monde entier. Ainsi, dans cet article, une nouvelle méta-heuristique inspirée du comportement social des zèbres américains, à savoir l’algorithme américain d’optimisation des zèbres (AZOA), est projetée. Les zèbres américains sont des animaux socialement doués qui restent en groupe avec un mâle, plusieurs femelles et une progéniture51. Les principaux comportements des zèbres comprennent l'alimentation, l'accouplement, la préservation de la hiérarchie sociale et le guidage des jeunes52,53. Les zèbres américains se distinguent des autres mammifères par leur caractère « honnêteté » unique et fascinant. Le caractère social « honnêteté » incite les bébés zèbres à quitter le troupeau avant leur maturité et à rejoindre un troupeau distinct sans lien de parenté. Ce départ du bébé zèbre équilibre la diversification en empêchant les accouplements intra-familiaux. De plus, le zèbre mâle adulte du groupe charme la femelle zèbre pour persuader la convergence. Ce concept le plus rare de conformité sociale nous incite à proposer l'algorithme américain d'optimisation Zebra (AZOA). Il est prévu que la simplicité et la robustesse de l’algorithme AZOA propulseront des solutions globales rapides et précises tout en résolvant des fonctions de référence et des problèmes d’ingénierie réels. Les principales contributions de cette étude sont soulignées comme suit :