Алгоритм оптимизации райдера

Алгоритм оптимизации пассажиров (ROA)
Разработано	Извините, Д.
Категория	Метаэвристика [ циклическая ссылка ]
Год разработки	2019
Издатель	IEEE
Язык	Матлаб
Количество цитирований	49

Алгоритм оптимизации райдера (ROA) ^[1]^[5]^[6] разработан на основе нового метода вычислений, а именно вымышленных вычислений, которые подвергаются серии процессов для решения проблем оптимизации с использованием воображаемых фактов и понятий. ROA полагается на группы гонщиков, которые изо всех сил пытаются достичь цели. ROA нанимает группы гонщиков, которые отправляются в путь, чтобы достичь общей цели и стать победителем. В ROA количество групп равно четырем, в которых размещаются равные гонщики.

В ROA адаптированы четыре группы: нападающий, обгоняющий, ведомый и обходящий наездник. Каждая группа реализует ряд стратегий для достижения цели. Цель обходного наездника — достичь цели, минуя путь лидера. Последователь пытается следовать позиции лидера по оси. Кроме того, ведомый использует многонаправленное пространство поиска с учетом ведущего наездника, что полезно для алгоритма, поскольку улучшает скорость сходимости. Обгоняющий меняет свою позицию для достижения цели, учитывая близлежащие местоположения лидера. Преимущество обгонщика состоит в том, что он способствует более быстрому сближению с огромным глобальным соседством. Согласно ROA, глобальная оптимальная конвергенция является функцией обгоняющего, позиция которого зависит от позиции лидера, уровня успеха и индикатора направления. Атакующий адаптирует позицию лидера для достижения цели, используя максимальную скорость. Более того, он отвечает за инициализацию разнонаправленного поиска с использованием быстрого поиска для ускорения скорости поиска.

Несмотря на то, что гонщики подвергаются определенному методу, основными факторами, используемыми для достижения цели, являются правильная езда на транспортном средстве и правильное управление акселератором, рулевым управлением, тормозом и передачей. В каждый момент времени гонщики меняют свою позицию по отношению к цели, регулируя эти факторы, и следуют предписанному методу, используя текущий показатель успеха. Лидер определяется с использованием показателя успеха в текущем экземпляре. Процесс повторяется до тех пор, пока гонщики не перейдут в свободное время, которое является максимальным моментом, предоставленным гонщикам для достижения заданного места. По истечении времени гонщик, занимающий лидирующую позицию, считается победителем.

Алгоритм

РОА ^[1]^[5]^[6] мотивируется гонщиками, которые пытаются достичь ожидаемого места. Шаги, используемые в алгоритме ROA, определены ниже:

Инициализация Rider и других алгоритмических параметров

Первым шагом является инициализация алгоритма, которая выполняется с использованием четырех групп гонщиков, представленных как $V$ , а инициализация его позиций производится произвольным образом. Инициализация группы задается формулой:

S_{l}=\{S_{l}(v,k)\};1\leq v\leq P,1\leq k\leq W

( 1 )

где, $P$ означает количество гонщиков, и $S_{l}(v,k)$ означает позицию $v^{th}$ всадник в $k^{th}$ размер в $l^{th}$ время мгновенное.

Количество гонщиков оценивается по количеству гонщиков каждой группы и выражается как:

{\textstyle P=B+J+O+A+K}

( 2 )

где, $B$ означает обходной наездник, $J$ представлять последователя, $O$ означает обгоняющего, $A$ представлять злоумышленника и $K$ означает наездника на тряпичном быке. Следовательно, связь между вышеупомянутыми атрибутами представляется как:

{\textstyle B+J+O+A+K={\frac {P}{5}}}

( 3 )

Нахождение уровня успеха

После инициализации параметров группы гонщиков оценивается степень успеха с учетом каждого гонщика. Вероятность успеха рассчитывается с учетом расстояния и измеряется между местоположением гонщика и целью и формулируется как:

{\textstyle Successrate={\frac {1}{\|S_{v}-l_{t}\|}}}

( 4 )

где, $S_{v}$ символизируют положение $v^{th}$ всадник и $l_{t}$ указать целевую позицию. Чтобы повысить вероятность успеха, расстояние должно быть сведено к минимуму, и, следовательно, обратное расстояние обеспечивает уровень успеха гонщика.

Определение лидирующего гонщика

Уровень успеха играет важную роль в обнаружении лидера. Предполагается, что гонщик, проживающий рядом с целевой локацией, будет иметь самый высокий уровень успеха.

Оцените обновленную позицию гонщика

Положение гонщика в каждой группе обновляется, чтобы обнаружить гонщика, занимающего лидирующую позицию и, следовательно, победителя. Таким образом, гонщик обновляет позицию, используя характеристики каждого гонщика, определенные в определении. Положение обновления каждого гонщика объяснено ниже:

Ведомый имеет склонность обновлять позицию в зависимости от местоположения ведущего гонщика, чтобы быстро достичь цели, и выражается как:

S_{l+1}^{f}(v,o)=S^{G}(G,o)+[cos(\varphi _{v,o}^{l}*S^{G}(G,o)*\partial _{v}^{l})]

( 5 )

где, $o$ означает селектор координат, $S^{G}$ представляют лидирующую позицию гонщика, $G$ указать индекс лидера, $\varphi _{v,o}^{l}$ означает угол поворота рулевого колеса с учетом $v^{th}$ всадник в $o^{th}$ координировать и $\partial _{v}^{l}$ обозначают расстояние.

Обновленная позиция обгоняющего используется для повышения вероятности успеха за счет определения позиции обгоняющего и представляется как:

S_{l+1}^{o}(v,o)=S_{l}(v,o)+[D_{l}^{*}{\bigl (}v{\bigr )}*S^{G}(G,o)]

( 6 )

где, $D_{l}^{*}{\bigl (}v{\bigr )}$ означает указатель направления.

Злоумышленник имеет намерение конфисковать позицию лидера, следуя процессу обновления лидера, и выражается в следующем:

S_{l+1}^{a}(v,\rho )=S^{G}(G,\rho )+[cos\varphi _{v,\rho }^{l}*S^{G}(G,\rho )]+\partial _{v}^{l}

( 7 )

Здесь показано правило обновления обходных наездников, в котором стандартный обходной наездник выражается как:

S_{l+1}^{b}(v,\rho )=\lambda [S_{l}(\chi ,\rho )*\delta (\rho )+S_{l}(\xi ,\rho )*[1-\delta (\rho )]]

( 8 )

где, $\lambda$ означает случайное число, $\chi$ символизируют случайное число от 1 до $P$ , $\xi$ указать случайное число в диапазоне от 1 до $P$ и $\delta$ представляют случайное число от 0 до 1.

Нахождение показателя успеха

После выполнения процесса обновления вычисляется степень успеха с учетом каждого гонщика.

Обновление параметра Rider

Параметр обновления гонщика важен для поиска эффективного решения. Кроме того, угол поворота рулевого колеса и передачи обновляются с помощью счетчика активности и обновляются с учетом вероятности успеха.

Время отдыха гонщика

Процедура повторяется несколько раз до тех пор, пока $L_{OFF}$ при этом обнаруживается лидер. После завершения гонки лидирующий гонщик считается победителем.

algorithm rider-optimization is
    input: Arbitrary rider position  $S_{l}$ ,
           iteration  $l$ ,
           maximum iteration  $L$ 
    output: Leading rider  $S^{G}$ 

    Initialize solution set
    Initialize other parameter of rider.
    Find rate of success using equation (4)

    while  $l<L_{OFF}$ 
        for  $v=1toP$ 
            Update position of follower using equation (5)
            Update position of overtaker with equation (6)
            Update position of attacker with equation (7)
            Update position of bypass rider with equation (8)
            Rank the riders based on success rate using equation (4)
            Select the rider with  high success rate
            Update rider parameters
            Return  $S^{G}$ 
             $l=l+1$

Приложения

Применение ROA замечено в нескольких областях, включая: проблемы оптимизации инженерного проектирования, ^[7] выявление диабетической ретинопатии, ^[8] Кластеризация документов, ^[9] Обнаружение болезней растений, ^[10] Обнаружение атак, ^[11] Улучшенное суперразрешение видео, ^[12] Кластеризация, ^[13] Реранжирование веб-страниц, ^[14] Планирование задач, ^[15] сжатие медицинских изображений, ^[16] Распределение ресурсов, ^[17] и многопереходная маршрутизация ^[18]

Ссылки

^ Перейти обратно: ^а ^б ^с ^д ^и Бину Д. и Карияппа Б.С. (2019). «RideNN: новый алгоритм оптимизации райдера на основе нейронной сети для диагностики неисправностей аналоговых цепей». Транзакции IEEE по приборам и измерениям . 68 (1): 2–26. Бибкод : 2019ITIM...68....2B . дои : 10.1109/TIM.2018.2836058 . S2CID 54459927 .
^ «Метаэвристика» . Arc.Ask3.Ru .
^ Бину, Д. (24 марта 2019 г.). «Алгоритм оптимизации райдера» . Матворкс .
^ Бину, Д. «GoogleScholar» .
^ Перейти обратно: ^а ^б Бину Д. и Карияппа Б.С. (2020). «Нейронная сеть на основе многопользовательской оптимизации для изоляции неисправностей в аналоговых цепях». Журнал схем, систем и компьютеров . 30 (3). дои : 10.1142/S0218126621500481 . S2CID 219914332 .
^ Перейти обратно: ^а ^б Бину Д. и Карияппа Б.С. (2020). «Сеть Rider Deep LSTM для прогнозирования неисправностей на основе гибридной оценки расстояния в аналоговых цепях». Транзакции IEEE по промышленной электронике . 68 (10): 1. дои : 10.1109/TIE.2020.3028796 . S2CID 226439786 .
^ Ван Г., Юань Ю. и Го В (2019). «Улучшенный алгоритм оптимизации райдера для решения задач инженерной оптимизации» . Доступ IEEE . 7 : 80570–80576. Бибкод : 2019IEEA...780570W . дои : 10.1109/ACCESS.2019.2923468 . S2CID 195775696 .
^ Джадхав А.С., Патил П.Б. и Бирадар С. (2020). «Обнаружение диабетической ретинопатии на основе выбора оптимальных функций с использованием улучшенного алгоритма оптимизации гонщиков с поддержкой глубокого обучения». Эволюционный интеллект : 1–18.
^ Ярлагадда М., Рао К.Г. и Шрикришна А. (2019). «Частый выбор функций на основе набора элементов и алгоритм поиска Rider Moth для кластеризации документов» . Журнал Университета короля Сауда по компьютерным и информационным наукам . 34 (4): 1098–1109. дои : 10.1016/j.jksuci.2019.09.002 .
^ Кристин Р., Кумар Б.С., Прия С. и Картик К. (2020). «Алгоритм поиска наездника-кукушки на основе глубокой нейронной сети для обнаружения болезней растений» . Обзор искусственного интеллекта : 1–26. {{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )
^ Сарма, Словакия (2020). «Оптимизированная глубокая CNN на основе оптимизации Rider для обнаружения атак в IoT». В материалах 4-й Международной конференции по интеллектуальным вычислениям и системам управления (ICICCS) : 163–169.
^ Джагдейл Р.Х. и Шах С.К. (2020). «Модифицированное увеличение V-канала на основе оптимизации Rider для улучшения суперразрешения видео». Международный журнал изображения и графики . 21 . дои : 10.1142/S0219467821500030 . S2CID 225249612 .
^ Полуру Р.К. и Рамасами Л.К. (2020). «Оптимальный выбор головки кластера с использованием модифицированной кластеризации с помощью райдера для IoT» . ИЭПП Коммуникации . 14 (13): 2189–2201. дои : 10.1049/iet-com.2020.0236 . S2CID 219455360 .
^ Санкпал Л.Дж. и Патил Ш.Х. (2020). «Извлечение функций на основе алгоритма Rider-Rank для изменения рейтинга веб-страниц в поисковой системе». Компьютерный журнал . 63 (10): 1479–1489. дои : 10.1093/comjnl/bxaa032 .
^ Аламин А. и Гупта А. (2020). «Оптимизация пассажиров на основе уровня физической подготовки позволяет оптимально планировать задачи в облаке» . Журнал информационной безопасности: глобальная перспектива . 29 (6): 1–17. дои : 10.1080/19393555.2020.1769780 . S2CID 220846722 .
^ Сринивасулу П. и Варадхараджан С. (2020). «Алгоритмический анализ сжатия медицинских изображений с использованием улучшенного алгоритма оптимизации наездника». Инновации в области компьютерных наук и техники . Конспекты лекций по сетям и системам. Том. 103. Спрингер. стр. 267–274. дои : 10.1007/978-981-15-2043-3_32 . ISBN 978-981-15-2042-6 . S2CID 215911629 .
^ Ваткар К.Н. и Бхоле ГП (2020). «Улучшенная оптимизация райдера для оптимального распределения ресурсов контейнера в облаке с гарантией безопасности». Международный журнал всеобъемлющих вычислений и коммуникаций . 16 (3): 235–258. doi : 10.1108/IJPCC-12-2019-0094 . S2CID 220687409 .
^ Августин С. и Анант Дж.П. (2020). «Модифицированный алгоритм оптимизации райдера для многопереходной маршрутизации в WSN». Международный журнал численного моделирования: электронные сети, устройства и поля : 2764.

[:0-1] Перейти обратно: ^а ^б ^с ^д ^и Бину Д. и Карияппа Б.С. (2019). «RideNN: новый алгоритм оптимизации райдера на основе нейронной сети для диагностики неисправностей аналоговых цепей». Транзакции IEEE по приборам и измерениям . 68 (1): 2–26. Бибкод : 2019ITIM...68....2B . дои : 10.1109/TIM.2018.2836058 . S2CID 54459927 .

[2] «Метаэвристика» . Arc.Ask3.Ru .

[3] Бину, Д. (24 марта 2019 г.). «Алгоритм оптимизации райдера» . Матворкс .

[4] Бину, Д. «GoogleScholar» .

[:1-5] Перейти обратно: ^а ^б Бину Д. и Карияппа Б.С. (2020). «Нейронная сеть на основе многопользовательской оптимизации для изоляции неисправностей в аналоговых цепях». Журнал схем, систем и компьютеров . 30 (3). дои : 10.1142/S0218126621500481 . S2CID 219914332 .

[:2-6] Перейти обратно: ^а ^б Бину Д. и Карияппа Б.С. (2020). «Сеть Rider Deep LSTM для прогнозирования неисправностей на основе гибридной оценки расстояния в аналоговых цепях». Транзакции IEEE по промышленной электронике . 68 (10): 1. дои : 10.1109/TIE.2020.3028796 . S2CID 226439786 .

[7] Ван Г., Юань Ю. и Го В (2019). «Улучшенный алгоритм оптимизации райдера для решения задач инженерной оптимизации» . Доступ IEEE . 7 : 80570–80576. Бибкод : 2019IEEA...780570W . дои : 10.1109/ACCESS.2019.2923468 . S2CID 195775696 .

[8] Джадхав А.С., Патил П.Б. и Бирадар С. (2020). «Обнаружение диабетической ретинопатии на основе выбора оптимальных функций с использованием улучшенного алгоритма оптимизации гонщиков с поддержкой глубокого обучения». Эволюционный интеллект : 1–18.

[9] Ярлагадда М., Рао К.Г. и Шрикришна А. (2019). «Частый выбор функций на основе набора элементов и алгоритм поиска Rider Moth для кластеризации документов» . Журнал Университета короля Сауда по компьютерным и информационным наукам . 34 (4): 1098–1109. дои : 10.1016/j.jksuci.2019.09.002 .

[10] Кристин Р., Кумар Б.С., Прия С. и Картик К. (2020). «Алгоритм поиска наездника-кукушки на основе глубокой нейронной сети для обнаружения болезней растений» . Обзор искусственного интеллекта : 1–26. {{cite journal}}: CS1 maint: несколько имен: список авторов ( ссылка )

[11] Сарма, Словакия (2020). «Оптимизированная глубокая CNN на основе оптимизации Rider для обнаружения атак в IoT». В материалах 4-й Международной конференции по интеллектуальным вычислениям и системам управления (ICICCS) : 163–169.

[12] Джагдейл Р.Х. и Шах С.К. (2020). «Модифицированное увеличение V-канала на основе оптимизации Rider для улучшения суперразрешения видео». Международный журнал изображения и графики . 21 . дои : 10.1142/S0219467821500030 . S2CID 225249612 .

[13] Полуру Р.К. и Рамасами Л.К. (2020). «Оптимальный выбор головки кластера с использованием модифицированной кластеризации с помощью райдера для IoT» . ИЭПП Коммуникации . 14 (13): 2189–2201. дои : 10.1049/iet-com.2020.0236 . S2CID 219455360 .

[14] Санкпал Л.Дж. и Патил Ш.Х. (2020). «Извлечение функций на основе алгоритма Rider-Rank для изменения рейтинга веб-страниц в поисковой системе». Компьютерный журнал . 63 (10): 1479–1489. дои : 10.1093/comjnl/bxaa032 .

[15] Аламин А. и Гупта А. (2020). «Оптимизация пассажиров на основе уровня физической подготовки позволяет оптимально планировать задачи в облаке» . Журнал информационной безопасности: глобальная перспектива . 29 (6): 1–17. дои : 10.1080/19393555.2020.1769780 . S2CID 220846722 .

[16] Сринивасулу П. и Варадхараджан С. (2020). «Алгоритмический анализ сжатия медицинских изображений с использованием улучшенного алгоритма оптимизации наездника». Инновации в области компьютерных наук и техники . Конспекты лекций по сетям и системам. Том. 103. Спрингер. стр. 267–274. дои : 10.1007/978-981-15-2043-3_32 . ISBN 978-981-15-2042-6 . S2CID 215911629 .

[17] Ваткар К.Н. и Бхоле ГП (2020). «Улучшенная оптимизация райдера для оптимального распределения ресурсов контейнера в облаке с гарантией безопасности». Международный журнал всеобъемлющих вычислений и коммуникаций . 16 (3): 235–258. doi : 10.1108/IJPCC-12-2019-0094 . S2CID 220687409 .

[18] Августин С. и Анант Дж.П. (2020). «Модифицированный алгоритм оптимизации райдера для многопереходной маршрутизации в WSN». Международный журнал численного моделирования: электронные сети, устройства и поля : 2764.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]