Un ottimizzatore politico avido e ibrido con algoritmo pirotecnico per problemi di ottimizzazione numerica e ingegneristica

Rapporti scientifici volume 12, numero articolo: 13243 (2022) Citare questo articolo

1148 accessi

3 citazioni

1 Altmetrico

Dettagli sulle metriche

Questo articolo propone un nuovo algoritmo di ottimizzazione ibrido denominato GPOFWA, che integra l'ottimizzatore politico (PO) con l'algoritmo dei fuochi d'artificio (FWA) per risolvere problemi di ottimizzazione numerica e ingegneristica. Il PO originale utilizza soluzioni ottimali di sottogruppi come leader di partito e vincitori di collegi elettorali per guidare il movimento dell'agente di ricerca. Tuttavia, il numero di soluzioni ottimali di tali sottogruppi è limitato, il che porta a capacità di esplorazione globale insufficienti del PO. Inoltre, la recente strategia di aggiornamento della posizione basata sul passato (RPPUS) di PO manca di una verifica efficace delle soluzioni candidate aggiornate, il che riduce la velocità di convergenza dell’algoritmo. L'algoritmo ibrido proposto utilizza il meccanismo di scintilla di esplosione in FWA per eseguire operazioni di scintilla di esplosione e scintilla di esplosione di Gauss sulle soluzioni ottimali del sottogruppo (leader del partito e vincitore del collegio elettorale) rispettivamente basate sulla strategia greedy, che ottimizza la soluzione ottima del sottogruppo e migliora la capacità di sfruttamento dell'algoritmo. Inoltre, le scintille di esplosione gaussiana vengono utilizzate anche per correggere le soluzioni candidate dopo RPPUS, il che compensa le carenze del PO originale. Inoltre, una nuova soluzione ottimale per sottogruppi denominata Converged Mobile Center (CMC) basata su una considerazione bidirezionale è progettata per guidare il movimento degli agenti di ricerca e mantenere la diversità della popolazione. Testiamo l'algoritmo ibrido presentato su 30 funzioni di benchmark ben note, funzioni di benchmark CEC2019 e tre problemi di ottimizzazione ingegneristica. I risultati sperimentali mostrano che GPOFWA è superiore a molti metodi all’avanguardia in termini di qualità della soluzione risultante.

L'ottimizzazione è un processo numerico utilizzato per determinare le variabili decisionali per minimizzare o massimizzare il valore della funzione obiettivo soddisfacendo i vincoli dello spazio decisionale1. I problemi di ottimizzazione sono inevitabili in molte applicazioni del mondo reale e questi problemi di solito contengono funzioni obiettivo e vincoli non lineari con più ottimi locali e regioni poco ammissibili2. Queste caratteristiche complesse rendono difficile per i tradizionali metodi di programmazione matematica come il gradiente coniugato, la programmazione quadratica sequenziale, il metodo di Newton e il metodo quasi-Newton trovare l'ottimo3. Gli algoritmi metaeuristici (MA) sono diventati prevalenti in molte discipline applicate negli ultimi decenni a causa delle prestazioni più elevate e della minore capacità di calcolo e tempo richiesti rispetto agli algoritmi deterministici in vari problemi di ottimizzazione4,5,6,7,8,9,10,11, 12. Essendo un ramo dell'ottimizzazione casuale, gli algoritmi metaeuristici possono trovare una soluzione quasi ottimale utilizzando le risorse disponibili, sebbene non sia sempre garantito di trovare l'ottimo globale. La maggior parte degli MA si ispirano all’intelligenza umana, alla natura sociale dei gruppi biologici e alle leggi dei fenomeni naturali. Alcuni classici rappresentanti degli MA, come l'algoritmo genetico (GA)13, l'ottimizzazione dello sciame di particelle (PSO)14, l'evoluzione differenziale (DE)15, l'ottimizzatore del lupo grigio (GWO)16, l'ottimizzatore degli Harris hawks (HHO)17, l'algoritmo del pipistrello (BA )18, l'algoritmo di ottimizzazione delle balene (WOA)19, l'algoritmo salp swarm (SSA)20, l'algoritmo seno coseno (SCA)21, l'algoritmo del ciclo dell'acqua (WCA)22 e così via, sono stati utilizzati con successo per risolvere alcuni problemi di ottimizzazione complessi.

Tuttavia, il teorema No Free Lunch (NFL) afferma che è impossibile risolvere tutti i problemi di ottimizzazione con uno specifico algoritmo23, il che significa che un algoritmo è adatto per un dato problema di ottimizzazione, ma potrebbe non essere adatto per un altro problema di ottimizzazione con caratteristiche diverse. Pertanto, sono necessarie ulteriori ricerche sulle MA per affrontare diversi problemi di ottimizzazione. Le direzioni di ricerca delle MA includono la proposta di nuovi algoritmi, il miglioramento degli algoritmi esistenti e l'ibridazione di algoritmi diversi. L'ibridazione di diversi algoritmi ha attirato l'attenzione perché può evidenziare i rispettivi vantaggi e far sì che gli algoritmi abbiano prestazioni migliori. Vari algoritmi ibridi hanno ottenuto buoni risultati, come l'ibridazione dell'ottimizzazione dello sciame di particelle con l'evoluzione differenziale proposta da Wang et al.24, l'ibridazione dell'algoritmo seno-coseno con l'evoluzione differenziale proposto da Li et al.25, l'ibridazione dello sciame di particelle con l'ottimizzatore del lupo grigio presentato da Zhang et al.26. L'algoritmo dei fuochi d'artificio (FWA) era un algoritmo di ottimizzazione dell'intelligenza dello sciame di nuova concezione, proposto simulando il processo di esplosione di fuochi d'artificio reali e generando un gran numero di scintille nel 201027. Quando i fuochi d'artificio esplodono, le scintille sono ovunque. Il processo di esplosione dei fuochi d'artificio può essere considerato come il comportamento di ricerca dell'agente di ricerca nello spazio locale. L'idea principale di FWA è quella di utilizzare fuochi d'artificio e scintille come diversi tipi di soluzioni per cercare lo spazio ammissibile della funzione di ottimizzazione. Essendo un algoritmo eccellente, FWA è stato utilizzato negli ultimi anni nell'ibridazione con molti altri algoritmi. Zhu et al.28 hanno ibridato l'algoritmo dei fuochi d'artificio con l'algoritmo dello sciame di particelle per formare DFWPSO, che ha funzionato in modo competitivo ed efficace nei problemi di ottimizzazione numerica. Yue et al.29 hanno proposto un nuovo algoritmo ibrido chiamato FWGWO basato sull'ottimizzatore del lupo grigio e sull'algoritmo dei fuochi d'artificio e hanno ottenuto risultati eccellenti nell'ottimizzazione globale. Guo et al.30 hanno aggiunto l'operatore di evoluzione differenziale all'algoritmo dei fuochi d'artificio e hanno proposto un algoritmo ibrido di fuochi d'artificio con operatore di evoluzione differenziale (HFWA_DE) nel 2019. Zhang et al.31 hanno introdotto l'operatore di migrazione dell'ottimizzazione basata sulla biogeografia nell'algoritmo dei fuochi d'artificio per migliorare le informazioni condivisione tra le popolazioni e presentato un algoritmo ibrido di ottimizzazione basato sulla biogeografia e fuochi d'artificio per l'ottimizzazione globale.