الگوریتم بهینه سازی اسب یا HOA : الگوریتم Horse Optimization ارائه شده در سال 2021

الگوریتم بهینه سازی اسب ، یک الگوریتم فراابتکاری الهام گرفته شده از طبیعت است که در سال 2021 ارائه شده است. در ادامه به بررسی این الگوریتم می پردازیم.

در سال 2021 الگوریتم فراابتکاری اسب با الهام از رفتار اسب ها در سنین مختلف شان ارائه شد، که در مقاله ای با عنوان زیر منتشر شد:

Horse herd optimization algorithm: A nature-inspired algorithm for high-dimensional optimization problems

در سال 2020 نیز یک الگوریتم با الهام از سلسله مراتب اسب ها ارائه شده است که با عنوان زیر می باشد.

Horse Optimization Algorithm (HOA): Representative in Engineering Problem Application on classification of the Smart Grid Stability

ما در اینجا به معرفی هر دو الگوریتم می پردازیم.

مقدمه ای در خصوص الگوریتم گله اسب یا HOA

برخی از الگوریتم های الهام گرفته از زیست در اکتشاف فضای جستجو بهتر و برخی دیگر در بهره برداری از فضای جستجو بهتر هستند.

زیست شناسی عمومی اسب ها

در این بخش نمودارهای زیر نشان دهنده ویژگیهای اصلی اسبها است که در توسعه الگوریتم بهینه سازی اسب (HOA) در نظر گرفته شده است.

منشا اصلی الهام الگوریتم HOA

الهام اصلی الگوریتم بهینه سازی اسب ، سازمان سلسله مراتبی گله های اسب است.

اسب ها برای زندگی در گله ها تکامل یافته اند.

مانند بسیاری از حیوانات که در گروههای بزرگ زندگی می کنند ، ایجاد یک سیستم سلسله مراتبی پایدار یا “رتبه بندی افراد گروه” برای کاهش تنش و افزایش انسجام گروه مهم است [4]. این روال اغلب ، اما نه همیشه ، یک سیستم خطی است.

در سلسله مراتب غیر خطی ممکن است اسب A بر اسب B غالب باشد ، و اسب B بر C قالب باشد درحالی که اسب C ممکن است بر اسب A غالب باشد.

سلطه می تواند به عوامل مختلفی بستگی داشته باشد ، از جمله نیاز فرد به یک منبع خاص در زمان داده شده.

بنابراین می تواند در طول عمر گله یا حیوان منفرد، نحوه سلطه یا سلسله مراتب گروه متغیر باشد.

بعضی از اسب ها ممکن است بر همه منابع مسلط باشند و برخی دیگر نیازمنده همه منابع باشند.

توجه به این نکته مهم است که این نوع سلسله مراتب ، بخشی از رفتار طبیعی اسب ها نیست، بلکه آنها توسط انسان مجبور می شوند که در فضای مشترک و با منابع محدد زندگی کنند [5].

به اصطلاح “اسبهای غالب” اغلب اسبهایی هستند که دارای تواناییهای اجتماعی غیرمعمول هستند. وقتی اسب ها در گله هستند رفتار آنها سلسله مراتبی است. حیوانات دارای رتبه بالاتر در گله ابتدا غذا می خورند و می نوشند. حیواناتی که وضعیت پایین دارند ، آخر غذا می خورند ، و گاها ممکن است غذای کافی دریافت نکنند و اگر غذای کمی در دسترس باشد ، اسب های با درجه بالاتر ممکن است از خوردن غذا در سطح پایین تر جلوگیری کنند [6].

بیان عددی الگوریتم HOA

گله اسب دارای یک اسب نر غالب یا اسب ماده غالب است و ترتیب سلسله مراتبی اسب ها در یک گله دسترسی اولویت دار به منابع را مشخص می کند [7].

سلسله مراتب اسبها در یک گله با در نظر گرفتن مقادیر شایستگی اسبها در آن گله ، در مرحله اولیه الگوریتم محاسبه می شود.

گله ای با k اسب را در نظر بگیرید که P یک تابع است انگاه :

مزایای الگوریتم HOA

فلوچارت الگوریتم HOA

شکل زیر نمودار جریان HOA را نشان می دهد:

شبه کد الگوریتم HOA

شبه کد HOA به صورت زیر در شکل ارائه شده است.

کاربرد HOA

کاربرد HOA در یک مسئله مهندسی ، یعنی طبقه بندی پایداری شبکه هوشمند [11] مورد بررسی قرار گرفته است.

تجزیه و تحلیل پایداری شبکه های هوشمند در ادبیات پیش از این از دیدگاه های مختلف مانند پیشنهاد یک استراتژی کنترل تأخیر انطباقی جدید که پایداری گذرا سیستم و توسعه یک چارچوب کمی اعمال شده در ارزیابی را افزایش می دهد ، مورد بررسی قرار گرفته است.

از پایداری ولتاژ در مورد شبکه های برق هوشمند ، مطالعات نسبتاً کمی وجود دارد که طبقه بندی پایداری شبکه هوشمند را در نظر بگیرند [12]. با این وجود ، پیش بینی پایداری شبکه هوشمند در جایی محقق شد که نویسندگان یک روش کاهش سفارش مدل جدید در زمان واقعی برای پیش بینی پایداری شبکه هوشمند پیشنهاد می کنند [13].

این روش قادر به پیش بینی حد پایداری ، پایداری گذرا و ماشین های ناپایدار است [14]. این روش بر روی سه سیستم آزمایشی آزمایش شده و نتایج نشان می دهد که برای سیستمهای قدرت مقیاس بزرگ عملی است [15]. اشکال این روش این است که باید در شبکه های قدرت که با نفوذ زیاد منابع انرژی تجدیدپذیر (RES) مشخص می شوند ، سازگار شود و بنابراین هنوز موارد عمده ای وجود دارد که نیاز به بررسی بیشتر دارند [16].

روش طبقه بندی شده مبتنی بر HOA برای طبقه بندی پایداری شبکه هوشمند

روش یادگیری ماشین که در طبقه بندی پایداری شبکه هوشمند به کار رفته است ، در شکل زیر نشان داده شده است [17].

این روش شامل سه مرحله اصلی مانند استخراج ویژگی ها با استفاده از Feature Extract براساس الگوریتم آزمون فرض مقیاس پذیر (FRESH) [18] ، انتخاب ویژگی ها با استفاده از نسخه باینری گسسته HOA ، یعنی بهینه سازی اسب دوتایی گسسته است. الگوریتم (DBHOA) [19] و طبقه بندی پایداری شبکه هوشمند با استفاده از رویکردی مبتنی بر جنگل تصادفی (RF) [20].

فهرست منابع:

[1]G. Wang, S. Deb and L. Coelho, “Earthworm optimization algorithm: a bio-inspired metaheuristic algorithm for global optimization problems”, International Journal of Bio-Inspired Computation, vol. 1, no. 1, p. 1, 2015. Available: 10.1504/ij bic.2015.10004283.

[2]A. Brabazon, W. Cui and M. O’Neill, “The raven roosting optimisation algorithm”, Soft Computing, vol. 20, no. 2, pp. 525-545, 2015. Available: 10.1007/s00500-014-1520-5 [Accessed 8 October 2020].

[3]A. Shefaei and B. Mohammadi-Ivatloo, “Wild Goats Algorithm: An Evolutionary Algorithm to Solve the Real-World Optimization Problems”, IEEE Transactions on Industrial Informatics, vol. 14, no. 7, pp. 2951-2961, 2018. Available: 10.1109/tii.2017.2779239 [Accessed 8 October 2020].

[4]M. Jain, S. Maurya, A. Rani and V. Singh, “Owl search algorithm: A novel nature-inspired heuristic paradigm for global optimization”, Journal of Intelligent & Fuzzy Systems, vol. 34, no. 3, pp. 1573-1582, 2018. Available: 10.3233/jifs-169452 [Accessed 8 October 2020].

[5]A. Hafez, H. Zawbaa, E. Emary, H. Mahmoud and A. Hassanien, “An innovative approach for feature selection based on chicken swarm optimization”, 2015 7th International Conference of Soft Computing and Pattern Recognition (SoCPaR), 2015. Available: 10.1109/socpar.2015.7492775 [Accessed 8 October 2020].

[6],, no. 8, pp. 3210-3221, 2016. Available: 10.1007/s11227-016-1631-0 [Accessed 8 October 2020].

[7]K. Lin and Y. Hsieh, “Classification of Medical Datasets Using SVMs with Hybrid Evolutionary Algorithms Based on Endocrine-Based Particle Swarm Optimization and Artificial Bee Colony Algorithms”, Journal of Medical Systems, vol. 39, no. 10, 2015. Available: 10.1007/s10916-015-0306-3.

[8]Z. Wang and J. Wang, “A delay-adaptive control scheme for enhancing smart grid stability and resilience”, International Journal of Electrical Power & Energy Systems, vol. 110, pp. 477-486, 2019. Available: 10.1016/j.ijepes.2019.03.030 [Accessed 8 October 2020].

[9]M. Aldeen, S. Saha and T. Alpcan, “Voltage Stability Margins and Risk Assessment in Smart Power Grids”, IFAC Proceedings Volumes, vol. 47, no. 3, pp. 8188-8195, 2014. Available: 10.3182/20140824-6-za-1003.02102.

[10]A. Shamisa, B. Majidi and J. Patra, “Sliding-Window-Based Real-Time Model Order Reduction for Stability Prediction in Smart Grid”, IEEE Transactions on Power Systems, vol. 34, no. 1, pp. 326-337, 2019. Available: 10.1109/tpwrs.2018.2868850 [Accessed 8 October 2020].

[11]”Advances in Swarm Intelligence”, Lecture Notes in Computer Science, 2014. Available: 10.1007/978-3-319-11857-4 [Accessed 8 October 2020].

[12]”PRICAI 2006: Trends in Artificial Intelligence”, Lecture Notes in Computer Science, 2006. Available: 10.1007/978-3-540-36668-3 [Accessed 8 October 2020].

[13]M. Christ, N. Braun, J. Neuffer and A. Kempa-Liehr, “Time Series FeatuRe Extraction on basis of Scalable Hypothesis tests (tsfresh – A Python package)”, Neurocomputing, vol. 307, pp. 72-77, 2018. Available: 10.1016/j.neucom.2018.03.067 [Accessed 8 October 2020].

[14]N. Macià and E. Bernadó-Mansilla, “Towards UCI+: A mindful repository design”, Information Sciences, vol. 261, pp. 237-262, 2014. Available: 10.1016/j.ins.2013.08.059.

[15]”SPRINGS: Prediction of Protein-Protein Interaction Sites Using Artificial Neural Networks”, Journal of Proteomics & Computational Biology, vol. 1, no. 1, pp. 01-07, 2014. Available: 10.13188/2572-8679.1000001.

[16]”Announcement (Science Direct Article in Press)”, Assessing Writing, vol. 9, no. 1, p. III-IV, 2004. Available: 10.1016/s1075-2935(04)00016-9.

[17]G. Kimura, “A structure editor for abstract document objects”, IEEE Transactions on Software Engineering, vol. -12, no. 3, pp. 417-435, 1986. Available: 10.1109/tse.1986.6312883.

[18]M. Mohd Saudi, A. Abused, B. Taib and Z. Abdullah, “Designing a New Model for Trojan Horse Detection Using Sequential Minimal Optimization”, Lecture Notes in Electrical Engineering, pp. 739-746, 2014. Available: 10.1007/978-3-319-07674-4_69 [Accessed 12 October 2020].

[19]. Schultz, E.E. and Shumway, Russell. (2001). Incident Response: A Strategic Guide toHandling System and Network Security Breaches, 1st edn., United States of America: NewRiders Publishing.

[20]. Henchiri, O. and Japkowicz, N. (2006). A Feature Selection and Evaluation Schemefor Computer Virus Detection. Proceedings of the Sixth International Conference on Data Mining, 2006. ICDM ’06. Hong Kong: IEEE Xplore, pp. 891.