Optimización de moscas dispersivas

La optimización de moscas dispersivas ( DFO ) es un algoritmo de inteligencia de enjambre básico inspirado en el comportamiento de enjambre de las moscas que revolotean sobre fuentes de alimento. ^{[ 1 ]} DFO es un optimizador simple que funciona intentando iterativamente mejorar una solución candidata con respecto a una medida numérica calculada por una función de aptitud . Cada miembro de la población, una mosca o un agente, posee una solución candidata cuya idoneidad puede evaluarse mediante su valor de aptitud. Los problemas de optimización a menudo se formulan como problemas de minimización o maximización.

DFO ^{[ 2 ]} se introdujo con la intención de analizar un algoritmo de inteligencia de enjambre simplificado con la menor cantidad de parámetros y componentes ajustables. En el primer trabajo sobre DFO, este algoritmo se comparó con algunas otras técnicas de inteligencia de enjambre existentes utilizando medidas de error , eficiencia y diversidad. Se demuestra que, a pesar de la simplicidad del algoritmo, que solo utiliza los vectores de posición de los agentes en el tiempo t para generar los vectores de posición para el tiempo t  +  1, exhibe un rendimiento competitivo. Desde su creación, DFO se ha utilizado en una variedad de aplicaciones, incluyendo imágenes médicas y análisis de imágenes, así como minería de datos y aprendizaje automático .

DFO guarda muchas similitudes con otros optimizadores continuos basados ​​en poblaciones (por ejemplo, la optimización por enjambre de partículas y la evolución diferencial ). En este sentido, el comportamiento de enjambre de los individuos consta de dos mecanismos estrechamente conectados: la formación del enjambre y su ruptura o debilitamiento. DFO funciona facilitando el intercambio de información entre los miembros de la población (las moscas del enjambre). Cada mosca${\displaystyle \mathbf {x} }$representa una posición en un espacio de búsqueda de d dimensiones:${\displaystyle \mathbf {x} =(x_{1},x_{2},\ldots ,x_{d})}$y la aptitud de cada mosca se calcula mediante la función de aptitud.${\displaystyle f(\mathbf {x} )}$, que tiene en cuenta las dimensiones d de las moscas:${\displaystyle f(\mathbf {x} )=f(x_{1},x_{2},\ldots ,x_{d})}$.

El pseudocódigo que aparece a continuación representa una iteración del algoritmo:

para i = 1 : N moscas ${\displaystyle \mathbf {x_{i}} .{\text{aptitud}}=f(\mathbf {x} _{i})}$fin para mí ${\displaystyle \mathbf {x} _{s}}$= arg min${\textstyle [f(\mathbf {x} _{i})],\;i\in \{1,\ldots ,N\}}$para i = 1 : N y${\displaystyle i\neq s}$para d = 1 : D dimensiones si${\displaystyle U(0,1)<\Delta}$${\displaystyle x_{id}^{t+1}=U(x_{\min ,d},x_{\max ,d})}$demás${\displaystyle x_{id}^{t+1}=x_{i_{nd}}^{t}+U(0,1)(x_{sd}^{t}-x_{id}^{t})}$fin si fin para d fin para i 

En el algoritmo anterior,${\displaystyle x_{id}^{t+1}}$representa mosca${\displaystyle i}$en dimensión${\displaystyle d}$y tiempo${\displaystyle t+1}$;${\displaystyle x_{i_{nd}}^{t}}$presenta${\displaystyle x_{i}}$La mejor mosca vecina en topología de anillo (izquierda o derecha, usando índices de moscas), en dimensión${\displaystyle d}$y tiempo${\displaystyle t}$; y${\displaystyle x_{sd}^{t}}$es la mejor mosca del enjambre. Usando esta ecuación de actualización, la actualización de la población del enjambre depende del mejor vecino de cada mosca (que se usa como foco).${\displaystyle \mu }$y la diferencia entre la mosca actual y la mejor en enjambre representa la propagación del movimiento,${\displaystyle \sigma }$).

Aparte del tamaño de la población${\displaystyle N}$El único parámetro ajustable es el umbral de perturbación.${\displaystyle \Delta }$, que controla el reinicio dimensional en cada vector de vuelo. Este mecanismo se propone para controlar la diversidad del enjambre.

Otro algoritmo minimalista de enjambre destacable es el algoritmo de enjambre de partículas básico (BB-PSO) ^{[ 3 ]} , que se basa en la optimización de enjambre de partículas, junto con la evolución diferencial básica (BBDE) ^{[ 4 ]} , que es un híbrido del optimizador de enjambre de partículas básico y la evolución diferencial, con el objetivo de reducir el número de parámetros. Alhakbani, en su tesis doctoral ^{[ 5 ],} abarca muchos aspectos de los algoritmos, incluyendo varias aplicaciones de DFO en la selección de características y el ajuste de parámetros.

A continuación se enumeran algunas de las aplicaciones recientes de DFO:

• Optimización del núcleo de la máquina de vectores de soporte para clasificar datos desequilibrados ^{[ 6 ]}
• Cuantificación de la complejidad simétrica en la estética computacional ^{[ 7 ]}
• Análisis de la autopoiesis computacional y la creatividad computacional ^{[ 8 ]}
• Identificación de calcificaciones en imágenes médicas ^{[ 9 ]}
• Construcción de estructuras orgánicas no idénticas para el desarrollo del espacio del juego ^{[ 10 ]}
• Neuroevolución profunda : Entrenamiento de redes neuronales profundas para la detección de falsas alarmas en unidades de cuidados intensivos ^{[ 11 ]}
• Identificación de puntos clave de animación a partir de mapas de medialidad 2D ^{[ 12 ]}