Алгоритмы, вдохновленные общественными явлениями
Введение
Проблема поиска оптимального решения в области науки и техники становится все более сложной и сложной в связи со взрывом размерностей и взаимозависимостью переменных величин. За последние несколько десятилетий было предложено множество новых концепций, методов и вычислительных приложений, вдохновленных природой, которые использовались для решения широкого круга задач оптимизации в различных областях. Многие из вдохновленных природой алгоритмов генерируют высококачественные решения для реальных задач оптимизации. Тем не менее, большинство этих методов вдохновлены либо биологическими явлениями, либо социальным поведением в основном животных и насекомых. Существует мало работ, основанных на социальных явлениях человека, используемых для формирования алгоритмов оптимизации.
Цель данного реферата - дать адекватный обзор наиболее преобладающих и успешных групп оптимизационных подходов, основанных на социальных явлениях человека.
Алгоритмы, вдохновленные общественными явлениями.
Область вдохновленных природой вычислений становится все более распространенной в последние годы. Вдохновленные природой алгоритмы достигли огромного успеха в применении к реальным задачам оптимизации. Большинство этих алгоритмов вдохновляются эволюционными принципами Дарвина [1], социальным и когнитивным поведением животных [2] и физическими явлениями [3]. Эти источники вдохновения способны решать задачи оптимизации практически во всех областях, включая беспроводные сенсорные сети, компьютерные сети, системы управления, обработку изображений, интеллектуальный анализ данных, параллельную обработку, робототехнику и биомедицинскую инженерию и т.д. Можно видеть, что большинство естественных алгоритмов в области оптимизации вдохновлены либо биологическими явлениями, либо социальным поведением в основном животных и насекомых. Существует лишь несколько исследований, основанных на социальных явлениях в человеческих обществах для формирования алгоритмов оптимизации. В данной статье представлен обзор наиболее распространенных и успешных групп современных социальных феноменов человека, вдохновленных теориями логики. Вычислительная мощь алгоритмов, вдохновленных социальными явлениями, заключается в сочетании богатства и сложности социального поведения с взаимодействием индивидов в популяции. Человеческие взаимодействия не могут быть объяснены только с помощью биологической информации, и они, скорее всего, имеют тенденцию демонстрировать высокий уровень разнообразия. Даже если за социальными взаимодействиями не стоит оптимизирующий принцип, они также приводят к прочным социальным структурам, которые могут даже демонстрировать высокий уровень стабильности. Человеческое общество-это сложная группа, которая более эффективна, чем другие категории животных. Следовательно, если один алгоритм имитирует человеческое общество, эффективность и действенность могут быть более надежными, чем другие интеллектуальные механизмы Роя, которые вдохновлены другими группами животных. Эти характеристики позволяют социальным явлениям стать ценным источником вдохновения для алгоритмов [4]. Есть некоторые человеческие социальные явления, формирующие идею алгоритмов оптимизации, такие как лидерство и влияние от известных коллег, обучение и обучение, формирование альянса, социальное маркирование людей и социальные эмоции. Эти источники вдохновения стали основной идеей для появления алгоритмов оптимизации в области вычислений, вдохновленных человеческим обществом.
Алгоритмы, основанные на лидерстве.
Люди-это социальные животные, и совместная жизнь в больших группах, естественно, означает, что люди должны использовать различные роли и выполнять различные группы. Чтобы придать обществу структуру и помочь ему расти и развиваться, люди делились на лидеров и последователей. Лидеры играют жизненно важную роль и влияют на остальную часть общества, а общество с отсутствием лидерства приведет к хаосу. Поэтому лидерство стало источником вдохновения для алгоритмов оптимизации.
Алгоритм цивилизации общества (SCA) [5] основан на социальных явлениях, включая миграцию, лидерство и сотрудничество лидеров, делящихся своими знаниями, которые являются их позицией в пространстве поиска, с остальными индивидами
Зарегистрируйся, чтобы продолжить изучение работы
. В этом алгоритме кандидаты решений, распределенные в кластеры, напоминающие общества, исследуют пространство поиска на начальном этапе. Лучшие решения в каждом обществе смещают поиск в их сторону, поэтому лидеры влияют на своих коллег, чтобы следовать им. Некоторые лидеры могут мигрировать в другие регионы, и поэтому их коллеги в прежних обществах путешествуют вместе с ними. Совокупность всех обществ рассматривается как цивилизация, в которой все индивиды могут взаимодействовать посредством своих лидеров. Основные этапы алгоритма представлены на фиг. 1. В отличие от эволюционных алгоритмов, где только наиболее успешные индивиды могут производить детей, SCA уточняет эффективность всех индивидов в каждом обществе, либо через внутриобщественный, либо межобщественный информационный обмен [5]. Алгоритм также придерживается параметрически уникальных решений по всей цивилизации, что в конце концов соответствует набору элит, близких к оптимальным индивидуумам. Процесс поддержания уникальных личностей требует дополнительных вычислений, но он предоставляет пространство для существования и развития разнообразных решений. В этом алгоритме авторы приняли лидер-центрический оператор, который приводит к поиску вокруг лидера, чтобы переместить человека к местоположению лидеров.
С помощью экспериментальных результатов авторы отметили, что SCA демонстрирует очень быструю сходимость во всех примерах. Эта особенность особенно привлекательна, поскольку она будет означать достижение сопоставимых решений с меньшим количеством оценок функций. SCA применяется для оптимизации экономической диспетчеризации с несколькими минимумами, хорошо известной проблемой в работе электроэнергетических систем, и результаты являются многообещающими, поскольку эффективность сопоставима с эффективностью математического программирования, с меньшими вычислительными усилиями.
Культурные алгоритмы.
Уникальным аспектом, характеризующим все человеческие общества, является концепция культуры, основанная на обучении у опытных индивидов и руководстве со стороны лучших индивидов остальными. Основываясь на том, как культуры собирают информацию для решения проблем, Рейнольдс [6] предложил подход, называемый культурными алгоритмами (CA). Такими алгоритмами являются
средство моделирования социальной эволюции и обучения. Ключевая идея CA состоит в том, чтобы разделить процесс обучения и извлечения информации на три этапа. Во-первых, крупнозернистая фаза настраивается с расчетом схватить общую идею проблемы, чтобы определить области для исследования. Затем идет мелкозернистая фаза и, наконец, фаза вступает в действие, когда процесс поиска застаивается. Это абстракция того, как культуры учатся справляться со своими проблемами методами космической веры. Модель культурных алгоритмов является выражением модели мышления Ренфрю [7], включающей пространство убеждений, содержащее индивидуальные и групповые карты, и популяционное пространство, основанное на признаках. Карты рассматриваются как подмножества пространства верований. В модели ЦА каждый индивид показан в терминах набора черт или моделей поведения и карты своего опыта. Черты могут быть изменены и обменены между людьми, в то время как отдельные карты могут быть объединены и изменены, чтобы сформировать “групповую карту”. На любом заданном временном шаге модели в популяционном пространстве существует множество индивидов, и эффективность каждого индивида оценивается, а также каждый индивид создает обобщенную карту своего опыта в течение этого периода времени. Затем карта индивида объединяется с существующей в настоящее время группой карт в пространстве убеждений, если выполняются условия для объединения операторов. Когда карты объединяются, действия людей, связанных с ними, объединяются. Если совокупная производительность карты меньше допустимого уровня, то эта карта отбрасывается. Текущее состояние пространства верований может быть использовано для изменения деятельности индивидов в популяции. Затем популяция используется для производства новой популяции путем отбора родительских особей для следующего поколения. Эти родители используются для развития новой популяции путем применения различных операторов модификации.
Обучение на основе алгоритмов.
Преподавание и обучение являются двумя наиболее популярными видами деятельности человеческого общества, а также источником вдохновения для алгоритмов.
РАО и др
50% реферата недоступно для прочтения
Закажи написание реферата по выбранной теме всего за пару кликов. Персональная работа в кратчайшее
время!
Задать вопрос
на новый заказ в Автор24. Это бесплатно.
