분산 파리 최적화

분산 파리 최적화(DFO)는 맨 뼈 군집 지능 알고리즘으로, 식량원 위를 맴도는 파리의 떼거미 행동에서 영감을 얻었다.^[1]DFO는 피트니스 함수에 의해 계산된 수치 측정과 관련하여 후보 솔루션을 개선하려고 반복적으로 노력하는 단순한 최적화 도구다.모집단의 각 구성원, 즉 파리나 대리인은 적합성을 자신의 건강 가치로 평가할 수 있는 후보 솔루션을 보유하고 있다.최적화 문제는 종종 최소화 또는 최대화 문제로 공식화된다.

DFO는 가장 적은 튜닝 가능한 파라미터와 구성요소로 단순화된 군집 지능 알고리즘을 분석할 목적으로 도입되었다.DFO에 대한 첫 번째 연구에서, 이 알고리즘은 오류, 효율성 및 다양성 측정을 사용하여 기존의 몇몇 다른 군집 지능 기법과 비교되었다.시간 t + 1에 대한 위치 벡터를 생성하기 위해 시간 t에 에이전트 위치 벡터만 사용하는 알고리즘의 단순함에도 불구하고 경쟁적인 성능을 보이는 것으로 나타났다.DFO는 창사 이래 의료 영상화, 영상 분석은 물론 데이터 마이닝, 머신러닝 등 다양한 어플리케이션에서 활용되고 있다.

알고리즘.

DFO는 기존의 연속적인 모집단 기반 최적기(예: 입자 군집 최적화 및 미분 진화)와 많은 유사성을 가지고 있다.그 점에서, 개인의 떼지어 다니는 행동은 두 개의 긴밀하게 연결된 메커니즘으로 구성되는데, 하나는 떼의 형성이고, 다른 하나는 떼가 부서지거나 약해지는 것이다.DFO는 인구 구성원들 사이의 정보 교환을 용이하게 한다.Each fly ${\displaystyle \mathbf {x} }$ represents a position in a d-dimensional search space: ${\displaystyle \mathbf {x} =(x_{1},x_{2},\ldots ,x_{d})}$, and the fitness of each fly is calculated by the fitness function ${\displaystyle f(\mathbf {x} )}$, which takes into ac파리의 d 치수: $f{\displaystyle }$ (${\displaystyle }$x${\displaystyle }$)${\displaystyle }$= ${\displaystyle f}$( x ${\displaystyle {1\mathrm{}}_{}}$,${\displaystyle {}_{}{}_{}}$ ${\displaystyle {2\mathrm{}}_{}}$ , … ,${\displaystyle {}_{}}$x${\displaystyle d_{}}$)${\displaystyle$ f$(\mathbf {x} )=f(x_{1},x_{2},\ldots ,x_{d$

아래의 유사코드는 알고리즘의 한 반복을 나타낸다.

for i = 1 : N flies     ${\displaystyle \mathbf {x_{i}} .{\text{fitness}}=f(\mathbf {x} _{i})}$ end for i   ${\displaystyle \mathbf {x} _{s}}$ = arg min ${\textstyle [f(\mathbf {x} _{i})],\;i\in \{1,\ldots ,N\}}$ for i = 1 : N and ${\displaystyle i\ne s}$d에{\displaystyle i\neq s})1:D치수 만약 U(0,1)<>Δ{\displaystyle U(0,1)&lt을 말한다.\Delta}x나는 친절 t+1컵 U({\displaystyle x_{이드}(x_{\min ,d},x_{\max ,d})}일 경우 다른)나는 친절 t+1=)나의 dt+U(0,1)()sd(−하지 친절){\displaysty.$l x_{id}^{t+1}=x_{i_{nd_}^{t}+U(0,1)(x_{sd}^{t}-x_{id}^{t}})$에 대해 d 엔드가 끝나는 경우 종료됨$$

In the algorithm above, ${\displaystyle x_{id}^{t+1}}$ represents fly ${\displaystyle i}$ at dimension ${\displaystyle d}$ and time ${\displaystyle t+1}$; ${\displaystyle x_{i_{nd}}^{t}}$ presents ${\displaystyle x_{i}}$'s best neighbouring fly in ring topology(왼쪽 또는 오른쪽, 파리 지수 사용) 치수 $d{\displaystyle }$ ${\displaystyle d}$ 및 시간$$ $t{\displaystyle }$ ${\displaystyle t$ 및 x ${\displaystyle s_{}^{}}$ d ${\displaystyle {}_{}^{}}$ ${\$t}}}}}는 이 무리 중에서 가장 잘 나는 파리다$$.이 업데이트 방정식을 사용하여, 무리의 모집단 업데이트는 각 파리의 가장 좋은 이웃(초점 $\mu {\displaystyle }$ ${\displaystyle \mu$ $\}$ 로 사용되며, 현재 파리와 무리의 최고 차이는 이동의 $확산$인 { ${\displaystyle \sigma }$을(으)에 따라 달라진다.$$

모집단 크기 $N{\displaystyle }$ ${\displaystyle N}$을$($를) 제외한 유일한 조정 가능한 파라미터는 교란 임계값 $\Delta {\displaystyle \mathrm{}}$ ${\displaystyle \Delta }$인데$,$ 이 파라미터는 각 플라이 벡터에서 치수별 재시동을 제어한다.이 메커니즘은 그 무리들의 다양성을 통제하기 위해 제안되었다.

또 다른 주목할 만한 미니멀리스트 군집 알고리즘은 입자 군집 최적화에 기반한 ^[3]베어본스 입자 군집(BB-PSO)과 맨 뼈 입자 군집 최적화기와 미분 진화(BBDE)로, 매개변수 감소를 목표로 한다.그녀의 박사 논문에서^[5] Alhakbani는 매개변수 조정뿐만 아니라 형상 선택에서 몇 개의 DFO 애플리케이션을 포함한 알고리즘의 많은 측면을 다룬다.

적용들

DFO의 최근 적용 사례 중 일부는 다음과 같다.

• 지원 벡터 머신 커널을 최적화하여 불균형 데이터 분류
• 계산 미학에서^[7] 대칭적 복잡성 수량화
• 컴퓨터 자동화와 컴퓨터 창의성^[8] 분석
• 의료 영상에서^[9] 석회화 식별
• 게임 공간 개발을 위한 비식별 유기물 구조 구축
• Deep Neuroep Neuroevolution:중환자실의 허위경보감지를 위한 심층신경망 교육
• 2D 중간 맵에서 애니메이션 핵심 포인트 식별

참조