Дисперсионная оптимизация мух

Поведение роя при оптимизации дисперсионных мух

Дисперсионная оптимизация мух ( DFO ) — это простой алгоритм роевого интеллекта , основанный на роевом поведении мух, парящих над источниками пищи. ^[1] DFO — это простой оптимизатор , который итеративно пытается улучшить возможное решение с учетом числового показателя, рассчитываемого с помощью функции приспособленности . Каждый член популяции, муха или агент, имеет решение-кандидат, пригодность которого можно оценить по значению его пригодности. Задачи оптимизации часто формулируются как задачи минимизации или максимизации.

ДФО ^[2] был представлен с целью анализа упрощенного алгоритма роевого интеллекта с наименьшим количеством настраиваемых параметров и компонентов. В первой работе над DFO этот алгоритм сравнивался с несколькими другими существующими методами роевого интеллекта с использованием показателей ошибок , эффективности и разнообразия. Показано, что, несмотря на простоту алгоритма, который использует векторы положения агентов только в момент времени t для генерации векторов положения для времени t + 1, он демонстрирует конкурентоспособную производительность. С момента своего создания DFO использовался в различных приложениях, включая медицинскую визуализацию и анализ изображений, а также интеллектуальный анализ данных и машинное обучение.

Алгоритм

DFO имеет много общего с другими существующими непрерывными оптимизаторами на основе совокупности (например, оптимизация роя частиц и дифференциальная эволюция ). При этом роевое поведение особей состоит из двух тесно связанных механизмов: один — образование роя, другой — его разрушение или ослабление. DFO работает, облегчая обмен информацией между членами населения (роящимися мухами). Каждая муха $\mathbf {x}$ представляет позицию в d -мерном пространстве поиска: $\mathbf {x} =(x_{1},x_{2},\ldots ,x_{d})$ , а приспособленность каждой мухи рассчитывается с помощью функции приспособленности $f(\mathbf {x} )$ , учитывающий размеры d мух : $f(\mathbf {x} )=f(x_{1},x_{2},\ldots ,x_{d})$ .

Псевдокод ниже представляет одну итерацию алгоритма:

for i = 1 : N flies
     $\mathbf {x_{i}} .{\text{fitness}}=f(\mathbf {x} _{i})$ 
end for i  
 $\mathbf {x} _{s}$  = arg min  ${\textstyle [f(\mathbf {x} _{i})],\;i\in \{1,\ldots ,N\}}$ 
for i = 1 : N and  $i\neq s$ 
    for d = 1 : D dimensions
        if  $U(0,1)<\Delta$ 
             $x_{id}^{t+1}=U(x_{\min ,d},x_{\max ,d})$ 
        else
             $x_{id}^{t+1}=x_{i_{nd}}^{t}+U(0,1)(x_{sd}^{t}-x_{id}^{t})$ 
        end if 
    end for d
end for i

В приведенном выше алгоритме $x_{id}^{t+1}$ представляет собой летать $i$ в измерении $d$ и время $t+1$ ; $x_{i_{nd}}^{t}$ представляет $x_{i}$ лучшая соседняя муха в кольцевой топологии (слева или справа, с использованием индексов мух), в измерении $d$ и время $t$ ; и $x_{sd}^{t}$ лучшая муха стаи. Используя это уравнение обновления, обновление популяции роя зависит от лучшего соседа каждой мухи (который используется в качестве фокуса). $\mu$ , а разница между текущей мухой и лучшей в стае представляет собой распространение движения, $\sigma$ ).

Помимо численности населения $N$ , единственным настраиваемым параметром является порог возмущения $\Delta$ , который управляет перезапуском по размерности в каждом векторе полета. Предлагается этот механизм для контроля разнообразия роя.

Другой известный минималистский роевой алгоритм — это рои частиц Barebones (BB-PSO), ^[3] который основан на оптимизации роя частиц, а также на дифференциальной эволюции (BBDE) ^[4] который представляет собой гибрид простого оптимизатора роя частиц и дифференциальной эволюции, направленный на уменьшение количества параметров. Алхакбани в своей докторской диссертации ^[5] охватывает многие аспекты алгоритмов, включая несколько приложений DFO при выборе функций, а также настройке параметров.

Приложения

Некоторые из недавних применений DFO перечислены ниже:

Оптимизация ядра машины опорных векторов для классификации несбалансированных данных ^[6]
Количественная оценка симметричной сложности в вычислительной эстетике ^[7]
Анализ вычислительного аутопоэзиса и вычислительной креативности ^[8]
Выявление кальцинатов на медицинских изображениях ^[9]
Создание неидентичных органических структур для развития космического пространства игры. ^[10]
Глубокая нейроэволюция : обучение глубоких нейронных сетей обнаружению ложных тревог в отделениях интенсивной терапии ^[11]
Выявление ключевых точек анимации по 2D-картам медиальности ^[12]

Ссылки

^ Даунс, Дж. А. (январь 1969 г.). «Рой и брачный полет двукрылых». Ежегодный обзор энтомологии . 14 (1): 271–298. дои : 10.1146/annurev.en.14.010169.001415 .
^ аль-Рифайе, Мохаммад Маджид (2014). «Дисперсионная оптимизация мух» . Материалы Федеральной конференции по информатике и информационным системам 2014 года . Том. 2. С. 529–538. дои : 10.15439/2014f142 . ISBN 978-83-60810-58-3 . S2CID 3032155 .
^ Кеннеди, Дж. (2003). «Рой частиц голых костей». Материалы симпозиума IEEE Swarm Intelligence 2003 г. SIS'03 (Кат. № 03EX706) . стр. 80–87. дои : 10.1109/SIS.2003.1202251 . ISBN 978-0-7803-7914-5 . S2CID 37185749 .
^ Омран, Махамед Г.Х.; Энгельбрехт, Андрис П.; Салман, Айед (июль 2009 г.). «Главная дифференциальная эволюция» (PDF) . Европейский журнал операционных исследований . 196 (1): 128–139. дои : 10.1016/j.ejor.2008.02.035 . hdl : 2263/8794 .
^ Алхакбани, Хая (2018). Обработка дисбаланса классов с использованием методов роевого интеллекта, гибридных данных и решений алгоритмического уровня . Лондон, Великобритания: [Докторская диссертация] Голдсмитс, Лондонский университет.
^ Алхакбани, штат Ха; аль-Рифайе, ММ (2017). «Оптимизация SVM для классификации несбалансированных данных с использованием дисперсионной оптимизации мух». Материалы Федеральной конференции по информатике и информационным системам 2017 года . Том. 11. С. 399–402. дои : 10.15439/2017F91 . ISBN 978-83-946253-7-5 . S2CID 22345522 .
^ аль-Рифайе, Мохаммад Маджид; Урсин, Анна; Циммер, Роберт; Джавахери Джавид, Мохаммед Али (2017). «О симметрии, эстетике и количественной оценке симметричной сложности». Вычислительный интеллект в музыке, звуке, искусстве и дизайне . Конспекты лекций по информатике. Том. 10198. стр. 17–32. дои : 10.1007/978-3-319-55750-2_2 . ISBN 978-3-319-55749-6 .
^ аль-Рифайе, Мохаммад Маджид; Фол Леймари, Фредерик; Лэтэм, Уильям; Бишоп, Марк (2017). «Ройовой аутопоэзис и вычислительное творчество» (PDF) . Наука о связях . 29 (4): 276–294. Бибкод : 2017ConSc..29..276A . дои : 10.1080/09540091.2016.1274960 . S2CID 5591506 .
^ аль-Рифайе, Мохаммад Маджид; Абер, Ахмед (2016). «Дисперсионная оптимизация мух и медицинская визуализация». Последние достижения в области вычислительной оптимизации (PDF) . Исследования в области вычислительного интеллекта. Том. 610. стр. 183–203. дои : 10.1007/978-3-319-21133-6_11 . ISBN 978-3-319-21132-9 .
^ Кинг, Майкл; аль-Рифай, Мохаммад Маджид (2017). «Создание простых неидентичных органических структур с помощью дисперсионной оптимизации мух и поиска пути». AISB 2017: Игры и искусственный интеллект : 336–340.
^ Хуман, OMJ; аль-Рифайе, ММ; Николау, Массачусетс (2018). «Глубокая нейроэволюция: обучение глубоких нейронных сетей обнаружению ложных тревог в отделениях интенсивной терапии» . 26-я Европейская конференция по обработке сигналов (EUSIPCO), 2018 г. (PDF) . стр. 1157–1161. дои : 10.23919/EUSIPCO.2018.8552944 . ISBN 978-9-0827-9701-5 . S2CID 52825619 .
^ Апараджея, Прашант; Леймари, Фредерик Фол; аль-Рифай, Мохаммад Маджид (2019). «Роевая идентификация ключевых точек анимации на основе 2D-карт медиальности» (PDF) . Вычислительный интеллект в музыке, звуке, искусстве и дизайне . Конспекты лекций по информатике. Том. 11453. Международное издательство Springer. стр. 69–83. дои : 10.1007/978-3-030-16667-0_5 . ISBN 978-3-030-16666-3 . S2CID 106406853 .

[1] Даунс, Дж. А. (январь 1969 г.). «Рой и брачный полет двукрылых». Ежегодный обзор энтомологии . 14 (1): 271–298. дои : 10.1146/annurev.en.14.010169.001415 .

[2] аль-Рифайе, Мохаммад Маджид (2014). «Дисперсионная оптимизация мух» . Материалы Федеральной конференции по информатике и информационным системам 2014 года . Том. 2. С. 529–538. дои : 10.15439/2014f142 . ISBN 978-83-60810-58-3 . S2CID 3032155 .

[3] Кеннеди, Дж. (2003). «Рой частиц голых костей». Материалы симпозиума IEEE Swarm Intelligence 2003 г. SIS'03 (Кат. № 03EX706) . стр. 80–87. дои : 10.1109/SIS.2003.1202251 . ISBN 978-0-7803-7914-5 . S2CID 37185749 .

[4] Омран, Махамед Г.Х.; Энгельбрехт, Андрис П.; Салман, Айед (июль 2009 г.). «Главная дифференциальная эволюция» (PDF) . Европейский журнал операционных исследований . 196 (1): 128–139. дои : 10.1016/j.ejor.2008.02.035 . hdl : 2263/8794 .

[5] Алхакбани, Хая (2018). Обработка дисбаланса классов с использованием методов роевого интеллекта, гибридных данных и решений алгоритмического уровня . Лондон, Великобритания: [Докторская диссертация] Голдсмитс, Лондонский университет.

[6] Алхакбани, штат Ха; аль-Рифайе, ММ (2017). «Оптимизация SVM для классификации несбалансированных данных с использованием дисперсионной оптимизации мух». Материалы Федеральной конференции по информатике и информационным системам 2017 года . Том. 11. С. 399–402. дои : 10.15439/2017F91 . ISBN 978-83-946253-7-5 . S2CID 22345522 .

[7] аль-Рифайе, Мохаммад Маджид; Урсин, Анна; Циммер, Роберт; Джавахери Джавид, Мохаммед Али (2017). «О симметрии, эстетике и количественной оценке симметричной сложности». Вычислительный интеллект в музыке, звуке, искусстве и дизайне . Конспекты лекций по информатике. Том. 10198. стр. 17–32. дои : 10.1007/978-3-319-55750-2_2 . ISBN 978-3-319-55749-6 .

[8] аль-Рифайе, Мохаммад Маджид; Фол Леймари, Фредерик; Лэтэм, Уильям; Бишоп, Марк (2017). «Ройовой аутопоэзис и вычислительное творчество» (PDF) . Наука о связях . 29 (4): 276–294. Бибкод : 2017ConSc..29..276A . дои : 10.1080/09540091.2016.1274960 . S2CID 5591506 .

[9] аль-Рифайе, Мохаммад Маджид; Абер, Ахмед (2016). «Дисперсионная оптимизация мух и медицинская визуализация». Последние достижения в области вычислительной оптимизации (PDF) . Исследования в области вычислительного интеллекта. Том. 610. стр. 183–203. дои : 10.1007/978-3-319-21133-6_11 . ISBN 978-3-319-21132-9 .

[10] Кинг, Майкл; аль-Рифай, Мохаммад Маджид (2017). «Создание простых неидентичных органических структур с помощью дисперсионной оптимизации мух и поиска пути». AISB 2017: Игры и искусственный интеллект : 336–340.

[11] Хуман, OMJ; аль-Рифайе, ММ; Николау, Массачусетс (2018). «Глубокая нейроэволюция: обучение глубоких нейронных сетей обнаружению ложных тревог в отделениях интенсивной терапии» . 26-я Европейская конференция по обработке сигналов (EUSIPCO), 2018 г. (PDF) . стр. 1157–1161. дои : 10.23919/EUSIPCO.2018.8552944 . ISBN 978-9-0827-9701-5 . S2CID 52825619 .

[12] Апараджея, Прашант; Леймари, Фредерик Фол; аль-Рифай, Мохаммад Маджид (2019). «Роевая идентификация ключевых точек анимации на основе 2D-карт медиальности» (PDF) . Вычислительный интеллект в музыке, звуке, искусстве и дизайне . Конспекты лекций по информатике. Том. 11453. Международное издательство Springer. стр. 69–83. дои : 10.1007/978-3-030-16667-0_5 . ISBN 978-3-030-16666-3 . S2CID 106406853 .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]