|
|
今日文章《技能优化算法：一种基于人类的新型元启发式技术》由Computers, Materials & Continua（CMC）编辑部选送，敬请阅读。
文章链接：https://www.techscience.com/cmc/v74n1/49794
随着科学技术的进步，对优化技术的需求日益明显，以解决优化的应用和挑战，实现优化设计。优化的目标是找到多解问题的最佳解。元启发式算法是求解优化问题的有力工具之一，本文提出了一种新的元启发式算法——技能优化算法(Skill Optimization algorithm, SOA)来解决优化问题。
设计SOA的根本灵感是人类努力获取和提高技能。本文通过在一组23个不同单峰、高维多峰和固定维多峰类型的标准基准函数上测试该算法，分析了SOA在优化应用中的效率。
本文要点
01 设计元启发式算法
设计元启发式算法的主要思想是受到自然界、野生动物、动物、鸟类、昆虫、水生动物的行为、物理概念和定律、生物科学、游戏规则、人类行为和任何类型的具有进化性质的过程的启发。元启发式算法在各个科学领域有着广泛的应用，包括:能量载体、特征选择问题、参数估计、电气工程、保护、能量管理。
02 技能优化算法
SOA的各个阶段被数学建模为两个阶段，包括:1.探索，从专家那里获得技能；2.开发，基于实践和个人努力的技能改进。优化结果表明，SOA通过平衡探索和利用，能够为优化问题提供良好的性能和合适的解决方案。
03 实现方法
实现SOA的步骤分为探索和利用两个阶段进行数学建模，分别基于技能学习和个人实践。采用了23组单峰和多峰标准测试函数来评估SOA获得最优解的能力。此外，将SOA在优化中的性能与10种元启发式算法进行比较，以评估所提方法获得结果的质量。仿真结果的分析和比较表明，所提出的SOA具有优越的性能，取得了更有竞争力的结果。
04 未来与展望
对固定维多峰函数的优化结果表明，SOA具有较好的平衡探索与利用指标的能力。为了分析SOA所取得结果的质量，将其与10种著名的元启发式算法进行了性能比较。仿真结果验证了基于探索和利用准则的SOA性能优于上述算法。换句话说，与考虑的竞争算法相比，SOA可以为优化问题提供更有效的解决方案。
图文导读
Figure 1: Search history curves, trajectory curves, and convergence curves for optimization of different objective functions using SOA
Figure 2: Flowchart of skill optimization algorithm (SOA)
CMC期刊简介
主编
Ankit Agrawal 、Timon Rabczuk、Guoren Wang
CMC-Computers, Materials & Continua期刊是一本经过同行评审的开源性期刊，期刊发表计算机网络、人工智能、大数据管理、软件工程、多媒体、网络安全、物联网、材料基因组、集成材料科学、数据分析、建模以及现代功能和多功能材料的设计和制造工程等计算机学科和材料学学科领域的原创研究论文。新型高性能计算方法、大数据分析以及推动材料技术发展的人工智能尤其受欢迎。目前CMC期刊被收录在一些世界主要引文数据库里，如SCI, Scopus, EI Compendex, Google Scholar等等。
官方邮箱：cmc@techscience.com
投稿链接：https://ijs.tspsubmission.com/login
更多详情：https://www.techscience.com/journal/cmc
版权声明：本文由Tech Science Press 南京办公室负责编译。中文内容仅供参考，一切内容以英文原版为准。 |
本帖子中包含更多资源
您需要 登录 才可以下载或查看，没有账号？立即注册
×
|
窥视卡
雷达卡
发表于 2023-4-1 07:12
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
显身卡