banner
홈페이지 / 블로그 / 바이오 활용의 최근 발전
블로그

바이오 활용의 최근 발전

Aug 09, 2023Aug 09, 2023

Scientific Reports 12권, 기사 번호: 19157(2022) 이 기사 인용

4008 액세스

11 인용

2 알트메트릭

측정항목 세부정보

엔지니어링 최적화 문제의 복잡성이 증가하고 있습니다. 전통적인 그래디언트 기반 최적화 알고리즘은 능력이 제한된 복잡한 문제를 해결하는 수학적 수단입니다. 메타휴리스틱은 단순성과 결과의 견고성 때문에 최적화 문제를 해결하기 위한 정확한 방법보다 더 널리 사용됩니다. 최근에는 인구 기반의 생체 영감 알고리즘이 광범위한 최적화 문제를 해결하는 데 유리한 성능을 발휘하는 것으로 입증되었습니다. 해파리 검색 최적화 프로그램(JSO)은 바다에서 해파리의 먹이 찾기 행동을 기반으로 하는 생체 영감을 받은 메타휴리스틱 알고리즘 중 하나입니다. 문헌에 따르면 JSO는 광범위한 벤치마크 기능과 실제 애플리케이션에서 잘 알려진 많은 메타 휴리스틱보다 성능이 뛰어납니다. JSO는 다른 인공 지능 관련 기술과 함께 사용할 수도 있습니다. 다양한 최적화 문제를 해결하는 JSO의 성공은 JSO와 관련된 최신 연구 결과에 대한 현재의 포괄적인 논의에 동기를 부여합니다. 본 논문에서는 JSO의 영감, 변형, 적용 등 JSO와 관련된 다양한 문제를 검토하고 JSO에 관한 최신 개발 및 연구 결과를 제공할 것입니다. 체계적인 검토는 원래 JSO를 개선하고 변형을 제시하기 위해 수정된 버전의 개발과 JSO의 하이브리드화에 기여하며 연구원이 추가 지능형 에이전트 권장 사항을 통해 우수한 메타휴리스틱 최적화 알고리즘을 개발하는 데 도움이 될 것입니다.

최적화는 합리적인 계산 비용으로 출력을 최대화/최소화하기 위한 최상의 입력을 찾는 데 사용되는 프로세스입니다1, 2. 엔지니어링 최적화 문제의 복잡성이 증가하고 있습니다. 기존의 그래디언트 기반 최적화 알고리즘은 기존의 수학적 방법을 사용하여 복잡한 최적화 문제를 해결하는 능력이 제한되어 있습니다3,4,5. 분명히 일부 전통적인 방법을 사용하여 최적화 문제를 해결할 수 있지만 최적의 결과를 얻지 못할 수도 있습니다. 더욱이 전통적인 방법은 허용되는 시간 내에 모든 어려운 비선형 문제를 해결할 수 없습니다6, 7. 메타휴리스틱은 단순성과 생성되는 결과의 견고성 때문에 최적화 문제를 해결하기 위한 정확한 방법보다 더 널리 사용됩니다8,9,10. 인구 기반 생체 영감 알고리즘은 최근 광범위한 최적화 문제를 해결하는 데 탁월한 성능을 발휘하는 것으로 입증되었습니다.

최근 개발된 독창적인 알고리즘으로는 법의학 기반 조사 알고리즘(FBI)8, 점균류 알고리즘(SMA)11, 그룹 교육 최적화 알고리즘(GTOA)12, 동적 그룹 최적화(DGO)13, 아프리카 독수리 최적화 알고리즘(AVOA) 등이 있습니다. 14, Rao-3 알고리즘15, 고릴라 부대 최적화 프로그램(GTO)16, 냄새 에이전트 최적화(SAO)17, 참새 검색 알고리즘(SSA)18, 인공 생태계 최적화 프로그램(AEO)19, 찌르레기 소리 최적화 프로그램(SMO) 도 20, 드워프몽구스 최적화 알고리즘(DMOA)21, 전쟁 전략 최적화 알고리즘(WSOA)22, 동적 나비 최적화 알고리즘(DBOA)23, 인공 벌새 최적화 기법(AHOT)24, 개미사자 최적화 알고리즘(ALOA) 25.

새로 향상된 알고리즘에는 FMHHO(분수 차수 수정된 해리스 호크스 최적화 프로그램)26, 수정된 쥐가오리 채집 최적화 알고리즘(MMRFOA)27, 향상된 점액 곰팡이 알고리즘28, 하이브리드 해양 포식자 알고리즘(HMPA)29, 분할 단계 입자 떼 최적화가 포함됩니다. (PSPSO)30, 개선된 침팬지 최적화 알고리즘(ICHOA)31, 고성능 뻐꾸기 검색 알고리즘(HPCSA)32, 종합 학습 해양 포식자 알고리즘(CLMPA)33, 향상된 참새 검색 알고리즘(ESSA)34, 하이브리드 알고리즘 이는 3 학습 전략 PSO(TLS-PSO)35, 향상된 셔플 셰퍼드 최적화 알고리즘(ESSOA)36, 교육 학습 기반 최적화를 갖춘 하이브리드 살프 떼 알고리즘(HSSATLBO)37 및 향상된 십자가형 하이브리드로 알려져 있습니다. 최적화 및 산술 최적화 알고리즘(CSOAOA)38. 독창적이고 향상된 메타휴리스틱 최적화 알고리즘은 모두 엔지니어링, 비즈니스, 운송, 에너지, 심지어 사회 과학을 포함한 광범위한 분야에서 사용됩니다.

0 is a distribution coefficient that is related to the length of the ocean current (\(\overrightarrow{\text{trend}}\)). Based on the results of a sensitivity analysis in numerical experiments39, \(\beta\) =3. Thus, the new location of each jellyfish is given by Eqs. (3) and (4)39./p> 0 is a motion coefficient, which is related to the length of the motion around each jellyfish’s location. The results of a sensitivity analysis in a numerical experiment39 yield \(\gamma\) = 0.1./p>\left(\text{1-c}\left(t\right)\right)\) initially exceeds the probability that \(rand\left(\text{0,1}\right)<\left(\text{1-c}\left(t\right)\right)\). Therefore, type A motion is preferred to type B. As time goes by, \(\left(\text{1-c}\left(t\right)\right)\) approaches one, and the probability that \(rand\left(\text{0,1}\right)<\left(\text{1-c}\left(t\right)\right)\) ultimately exceeds the probability that \(rand\left(\text{0,1}\right)>\left(\text{1-c}\left(t\right)\right)\). So, type B motion is favored./p>}f( \, {\text{x}}_{i}\right)\right)\). When an archive of size N has been filled, the newly added old good solution randomly replaces one previously added. Notably, the storage of positions in A is assumed to occur in all three phases of JSO. Positions in A is used only in the following ocean current phase (Eq. (4)) to compute the average coordinates of the jellyfish population./p> 0, \(\beta\) = 3)./p>