Progrès récents dans l’utilisation du bio

Aug 09, 2023

Rapports scientifiques volume 12, Numéro d'article : 19157 (2022) Citer cet article

4008 Accès

11 citations

2 Altmétrique

Détails des métriques

La complexité des problèmes d’optimisation technique augmente. Les algorithmes classiques d’optimisation basés sur le gradient constituent un moyen mathématique de résoudre des problèmes complexes dont la capacité à le faire est limitée. Les métaheuristiques sont devenues plus populaires que les méthodes exactes pour résoudre des problèmes d'optimisation en raison de leur simplicité et de la robustesse des résultats qu'elles produisent. Récemment, il a été démontré que les algorithmes bio-inspirés basés sur la population fonctionnent favorablement dans la résolution d'un large éventail de problèmes d'optimisation. L’optimiseur de recherche de méduses (JSO) est l’un de ces algorithmes métaheuristiques bio-inspirés, basé sur le comportement de recherche de nourriture des méduses dans l’océan. Selon la littérature, JSO surpasse de nombreuses méta-heuristiques bien connues dans un large éventail de fonctions de référence et d'applications du monde réel. JSO peut également être utilisé en conjonction avec d’autres techniques liées à l’intelligence artificielle. Le succès de JSO dans la résolution de divers problèmes d'optimisation motive la présente discussion complète des dernières découvertes liées à JSO. Cet article passe en revue diverses questions associées à JSO, telles que son inspiration, ses variantes et ses applications, et fournira les derniers développements et résultats de recherche concernant JSO. La revue systématique contribue au développement de versions modifiées et à l'hybridation de JSO pour améliorer le JSO original et les variantes actuelles, et aidera les chercheurs à développer des algorithmes d'optimisation métaheuristiques supérieurs avec des recommandations d'agents intelligents complémentaires.

L'optimisation est un processus utilisé pour trouver les meilleures entrées afin de maximiser/minimiser les sorties à un coût de calcul abordable1, 2. La complexité des problèmes d'optimisation technique augmente. Les algorithmes d'optimisation classiques basés sur le gradient ont une capacité limitée à résoudre des problèmes d'optimisation complexes à l'aide de méthodes mathématiques conventionnelles3,4,5. Évidemment, certaines méthodes traditionnelles peuvent être utilisées pour résoudre des problèmes d’optimisation, mais elles peuvent ne pas donner des résultats optimaux. De plus, les méthodes traditionnelles ne peuvent pas résoudre tous les problèmes non linéaires difficiles dans un délai acceptable6,7. Les métaheuristiques sont devenues plus populaires que les méthodes exactes pour résoudre les problèmes d'optimisation en raison de leur simplicité et de la robustesse des résultats qu'elles donnent8,9,10. Il a récemment été démontré que les algorithmes bio-inspirés basés sur la population sont efficaces pour résoudre un large éventail de problèmes d'optimisation.

Les algorithmes originaux récemment développés incluent l'algorithme d'enquête médico-légale (FBI)8, l'algorithme de moisissure visqueuse (SMA)11, l'algorithme d'optimisation de l'enseignement de groupe (GTOA)12, l'optimisation de groupe dynamique (DGO)13, l'algorithme d'optimisation des vautours africains (AVOA). 14, l'algorithme Rao-315, l'optimiseur de troupes de gorilles (GTO)16, l'optimisation des agents odorants (SAO)17, l'algorithme de recherche de moineaux (SSA)18, l'optimiseur d'écosystème artificiel (AEO)19, l'optimiseur de murmuration d'étourneau (SMO) 20, l'algorithme d'optimisation de la mangouste naine (DMOA)21, l'algorithme d'optimisation de la stratégie de guerre (WSOA)22, l'algorithme d'optimisation dynamique du papillon (DBOA)23, la technique d'optimisation du colibri artificiel (AHOT)24 et l'algorithme d'optimisation du fourmilion (ALOA) 25.

Les algorithmes récemment améliorés incluent l'optimiseur de faucons de Harris modifié par ordre fractionnaire (FMHHO)26, l'algorithme modifié d'optimisation de la recherche de nourriture des raies manta (MMRFOA)27, un algorithme amélioré de moisissures visqueuses28, l'algorithme hybride des prédateurs marins (HMPA)29, l'optimisation des essaims de particules à étapes partitionnées. (PSPSO)30, l'algorithme amélioré d'optimisation des chimpanzés (ICHOA)31, l'algorithme de recherche de coucous haute performance (HPCSA)32, l'algorithme d'apprentissage complet des prédateurs marins (CLMPA)33, l'algorithme de recherche amélioré de moineau (ESSA)34, l'algorithme hybride. connu sous le nom de stratégie PSO à trois apprentissages (TLS-PSO)35, l'algorithme amélioré d'optimisation du berger mélangé (ESSOA)36, l'algorithme hybride d'essaim de salpes avec optimisation basée sur l'enseignement-apprentissage (HSSATLBO)37 et un hybride amélioré de croisements l’optimisation et l’algorithme d’optimisation arithmétique (CSOAOA)38. Les algorithmes d’optimisation métaheuristiques originaux et améliorés sont utilisés dans un large éventail de domaines, notamment l’ingénierie, les affaires, les transports, l’énergie et même les sciences sociales.