Алгоритм оптимизации райдера

Алгоритм оптимизации пассажиров (ROA)
Разработано	Бину 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 за позицией 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:

Ведущий 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 уровня 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.

 алгоритм  оптимизации райдера Вводится      :  произвольное положение райдера.  $S_{l}$ ,           итерация  $l$ ,           максимальная итерация  $L$     результат  : Ведущий гонщик  $S^{G}$     Инициализировать набор решений    Инициализируйте другой параметр райдера.    Найдите уровень успеха, используя уравнение (  4  )     пока   $l<L_{OFF}$         для   $v=1toP$             Обновите положение ведомого, используя уравнение (  5  )            Обновить положение обгоняющего с помощью уравнения (  6  )            Обновить положение атакующего с помощью уравнения (  7  )            Обновить положение обходного наездника с помощью уравнения (  8  )            Ранжируйте гонщиков по показателю успеха, используя уравнение (  4  ).            Выберите гонщика с высоким уровнем успеха            Обновить параметры гонщика            Возвращаться  $S^{G}$              $l=l+1$

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 в аналоговых схемах на основе оценки гибридного расстояния». 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 в аналоговых схемах на основе оценки гибридного расстояния». 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]