Алгоритм оптимизации райдера
Разработано | Бину Д [1] |
---|---|
Категория | Метаэвристика [2] [ циклическая ссылка ] |
Год разработки | 2019 [1] |
Издатель | IEEE [1] |
Язык | Матлаб [3] |
Количество цитирований | 49 [4] |
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
[ редактировать ]РОА [1] [5] [6] мотивируется гонщиками, которые пытаются достичь ожидаемого места. Шаги, используемые в алгоритме ROA, определены ниже:
Инициализация Rider и других алгоритмических параметров
[ редактировать ]Первым шагом является инициализация алгоритма, которая выполняется с использованием четырех групп гонщиков, представленных как , а инициализация его позиций производится произвольным образом. Инициализация группы задается формулой:
( 1 ) |
где, означает количество гонщиков, и означает позицию всадник в размер в время мгновенное.
Количество гонщиков оценивается по количеству гонщиков каждой группы и выражается как:
( 2 ) |
где, означает обходной наездник, представлять последователя, означает обгоняющего, представлять злоумышленника и означает наездника на тряпичном быке. Следовательно, связь между вышеупомянутыми атрибутами представляется как:
( 3 ) |
Нахождение уровня успеха
[ редактировать ]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:
( 4 ) |
где, символизируют положение всадник и указать целевую позицию. Чтобы повысить вероятность успеха, расстояние должно быть сведено к минимуму, и, следовательно, обратное расстояние обеспечивает уровень успеха гонщика.
Определение лидирующего гонщика
[ редактировать ]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
[ редактировать ]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:
( 5 ) |
где, означает селектор координат, представляют лидирующую позицию гонщика, указать индекс лидера, означает угол поворота рулевого колеса с учетом всадник в координировать и обозначают расстояние.
Обновленная позиция обгоняющего используется для повышения вероятности успеха за счет определения позиции обгоняющего и представляется как:
( 6 ) |
где, означает указатель направления.
Злоумышленник имеет намерение конфисковать позицию лидера, следуя процессу обновления лидера, и выражается в следующем:
( 7 ) |
Здесь показано правило обновления обходных наездников, в котором стандартный обходной наездник выражается как:
( 8 ) |
где, означает случайное число, символизируют случайное число от 1 до , указать случайное число в диапазоне от 1 до и представляют случайное число от 0 до 1.
Нахождение показателя успеха
[ редактировать ]После выполнения процесса обновления вычисляется степень успеха с учетом каждого гонщика.
Обновление параметра Rider
[ редактировать ]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
[ редактировать ]Процедура повторяется несколько раз до тех пор, пока при этом обнаруживается лидер. После завершения гонки лидирующий гонщик считается победителем.
алгоритм оптимизации райдера Вводится : произвольное положение райдера. , итерация , максимальная итерация результат : Ведущий гонщик Инициализировать набор решений Инициализируйте другой параметр райдера. Найдите уровень успеха, используя уравнение ( 4 ) пока для 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
Приложения
[ редактировать ]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
[ редактировать ]- ^ 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.