라이더 최적화 알고리즘

라이더 최적화 알고리즘(ROA)

개발자	비누D[1]
카테고리	메타휴리스틱스[2][circular reference]
개발년도	2019년[1]
출판인	IEEE[1]
언어	매트랩[3]
인용건수	49[4]

Rider Optimization Algorithm(ROA;^[1][5][6] 라이더 최적화 알고리즘)은 새로운 컴퓨팅 방법, 즉 가상 사실과 개념을 사용하여 최적화 문제를 해결하기 위한 일련의 프로세스를 거치는 가상 컴퓨팅에 기초해 고안되었습니다.ROA는 목표물에 도달하기 위해 고군분투하는 기수 그룹에 의존한다.ROA는 승자가 되기 위해 공통의 목표에 도달하기 위해 여행을 떠나는 라이더 그룹을 고용합니다.ROA에서 그룹 수는 4개이며, 여기에 동등한 라이더가 배치됩니다.

ROA에서 채택된 4개의 그룹은 공격자, 오버테이커, 팔로워 및 바이패스 라이더입니다.각 그룹은 목표 달성을 위한 일련의 전략을 거친다.바이패스 라이더의 목표는 리더의 경로를 우회하여 목표물에 도달하는 것입니다.팔로워는 축에서 리더의 위치를 따르려고 합니다.또, 선두 라이더를 고려한 다방향 서치 공간을 채용해, 컨버전스 레이트를 향상시켜 알고리즘에 유용하다.오버테이커는 리더의 인근 위치를 고려하여 목표 달성을 위한 자체 포지션을 취합니다.오버테이커의 장점은 거대한 글로벌 인접지역과의 보다 빠른 컨버전스를 촉진한다는 것입니다.ROA에 따르면 글로벌 최적 컨버전스는 오버테이커의 기능으로 리더의 위치, 성공률 및 방향지표에 따라 위치가 달라집니다.공격자는 최고 속도를 이용하여 리더의 위치를 조정하여 목적지에 도달합니다.또한 빠른 검색을 사용하여 다방향 검색을 초기화하여 검색 속도를 가속화합니다.

탑승자는 특정한 방법을 사용하지만, 목표물에 도달하기 위해 사용되는 주요 요소는 차량의 올바른 주행과 가속, 조향, 브레이크 및 기어의 적절한 관리이다.각 경우에 라이더는 이러한 요인을 조정함으로써 목표물에 대한 위치를 변경하고 현재의 성공률을 이용하여 소정의 방법에 따른다.리더는 현재 인스턴스의 성공률을 사용하여 정의됩니다.이 과정은 운전자가 의도된 위치에 도달하기 위해 제공되는 최대 순간인 오프 타임이 될 때까지 반복된다.오프타임에 도달한 후 선두 위치에 있는 기수를 우승자라고 합니다.

알고리즘.

ROA는^[1][5][6] 예상 위치에 도달하기 위해 경쟁하는 라이더들로부터 동기를 부여받습니다.ROA 알고리즘에 채용되는 순서는 다음과 같습니다.

Rider 및 기타 알고리즘 파라미터 초기화

첫 번째 단계는 V$(\displaystyle$ V$)$로 표현되는 4개 그룹의 라이더를 사용하여 알고리즘을 초기화하고 위치 초기화를 임의 방식으로 수행하는 것입니다.그룹의 초기화는 다음과 같습니다.

$\displaystyle S_{l}=\{S_{l}(v,k)\}; 1\leq v\leq P, 1\leq k\leq W}$

(1)

$여기$서$$P(\$displaystyle$ P$)$는 라이더 수를 $나타내고{\displaystyle {}_{}}$, ${\displaystyle S_{}}$ l$v, k)$은 k ${\displaystyle t^{}}$$$${\displaystyle h^{}}$$(\$$displaystyle$ v$^{$th$$$$$$}) $크기$의 ${\displaystyle {라이더}^{}}$ ${\displaystyle {\mathrm{위치}}^{}}$를 ${\displaystyle {\mathrm{나타냅니다}}^{}}$(\$displaystyle$k$^{$$th}).$

선수 수는 각 그룹의 선수 수로 평가되며 다음과 같이 표현된다.

${\textstyle P=B+J+O+A+K}$

(2)

$여기$서 B$(\displaystyle$ B$)$는 바이패스 라이더,$$J(\$displaystyle$ J$)$는 팔로어,$O{\displaystyle }$(\$displaystyle$ O$)$는 오버테이커, A$(\displaystyle$ A$)$는 공격자, $(\displaystyle$ K$)$는 래그 불 라이더를 나타냅니다.따라서 상기 속성 간의 관계는 다음과 같이 표현된다.

${\textstyle B+J+O+A+K=black {P}{5}}$

(3)

성공률 찾기

라이더 그룹 파라미터 초기화 후 각 라이더를 고려한 성공률을 평가한다.성공률은 거리로 계산되며 탑승자 위치와 표적 사이에서 측정되며 다음과 같이 공식화된다.

${\textstyle Successrate=blac {1}{\S_{v}-l_{t}\}}$

(4)

${\displaystyle {여기}_{}}$서 S$$v \ $displaystyle S_{v}$는 ${\displaystyle v^{}}$ ${\displaystyle t^{}}$h \ $displaystyle$ v$^{th}$의 위치를 $나타내고{\displaystyle {}^{}}$ $l{\displaystyle {}_{}}$ t$$\ $displaystyle l_{t}$는 ${\displaystyle {목표}_{}}$ 위치를 나타냅니다.성공률을 높이려면 거리를 최소화해야 하며, 따라서 거리 역수는 탑승자의 성공률을 제공한다.

선두 주자의 결정

성공률은 리더를 발굴하는 데 중요한 부분으로 사용됩니다.가까운 목표 지점에 거주하는 라이더는 가장 높은 성공률을 기록하게 되어 있습니다.

탑승자의 업데이트 위치 평가

각 그룹의 라이더의 위치가 갱신되어 선두에 있는 라이더를 발견해, 승자가 됩니다.따라서 라이더는 정의에 정의된 각 라이더의 특징을 사용하여 위치를 업데이트합니다.각 라이더의 업데이트 위치는 아래에 설명되어 있습니다.

팔로어는 목표물을 신속하게 달성하기 위해 선두 탑승자의 위치를 기반으로 위치를 업데이트하려는 경향이 있으며 다음과 같이 표현됩니다.

${\displaystyle S_{l+1}^{f}(v,o)=S^{G}(G,o)+[cos(\varphi _{v,o}^{l}*S^{G}(G,o)*\partial _{v}^{l}}}$

(5)

$여기$서$$o({$displaystyle$o}는$$ 좌표 선택기, $({$ S$^{G})$는 선행 탑승자 위치를, G$({displaystyle$ G$})$는 선도자 지표를, $({$$displaystyle$$\v,o$$}^{l})$는 ${\displaystyle {\mathrm{탑승자}}^{}}$를 $고려$한 조향 각도를 나타냅니다(${\displaystyle t^{}}$ ${\displaystyle h^{}}$$).$${\displaystyle {}^{}}${\$displaystyle$ o$^{th}}$ 좌표$$$,$ $\S {\displaystyle {\mathrm{}}_{}^{}}$ ${\displaystyle v_{}^{}}$ ${\displaystyle {}_{}^{}}$\ $displaystyle$\ $display style$ _ ${v}^{l}$은 거리를 나타냅니다.

오버테이커의 업데이트 위치는 오버테이커의 위치를 발견함으로써 성공률을 높이기 위해 활용되며 다음과 같이 표현된다.

${\displaystyle S_{l+1}^{o}(v,o)=S_{l}(v,o)+[D_{l}^{*}{\bigl(}v{\bigr)}*S^{G}(G,o)}$

(6)

${\displaystyle {여기}_{}^{}}$서 D l ${\displaystyle {}_{}^{}}$ ( ${\displaystyle v}$) {{$displaystyle D_{$l}^{*}{\$bigl$(}$v{\bigr}}}$은 방향지시기를 나타냅니다.

공격자는 리더의 업데이트 과정을 따라 리더의 위치를 몰수하려는 경향이 있으며 다음과 같이 표현됩니다.

${\displaystyle S_{l+1}^{a}(v,\rho)=S^{G}(G,\rho)+[cos\varphi_{v,\rho}*S^{G}(G,\rho)]+\cos\varphi_{l}^{l}{l}}}}{l}}}}{l}}{rho}{l}}}}}}}}}$

(7)

여기서 표준 바이패스 라이더를 다음과 같이 표현한 바이패스 라이더의 갱신 규칙을 제시한다.

${\displaystyle S_{l+1}^{b}(v,\rho)=\displayda [S_{l}(\chi,\rho)*+S_{l}(\xi,\rho)*[1-\display (\rho)]]$

(8)

$여기$서 ${\$ { $displaystyle$$\$ $lambda }$는 난수, ${\$ { $displaystyle$\ $chi$$$$$}는 1~P$사이$의 난수, ${\$ { $displaystyle$$$\$delta$$$$}$는 $0$과 1 사이의 난수를 나타냅니다.

성공률 찾기

갱신 처리를 실행한 후 각 라이더를 고려한 성공률을 산출한다.

Rider 파라미터 갱신

효과적인 솔루션을 발견하기 위해서는 라이더 업데이트 매개 변수가 중요합니다.또한 조타각, 기어는 액티비티 카운터에 의해 갱신되고 성공률에 따라 갱신된다.

탑승자 비번

이 절차를 $반복$하여 $(\$가 발견됩니다.레이스가 끝나면 선두가 승자로 간주됩니다.

알고리즘 라이더 최적화 입력: 임의 라이더 $위치{\displaystyle {}_{}}$ ${\displaystyle S_{}}$ l$\$ $반복{\displaystyle }$ l$\displaystyle$ l$,$ 최대 $반복{\displaystyle }$ L$\displaystyle$ L$}$ 출력$$: 선두 $라이더{\displaystyle {}^{}}$ ${\displaystyle S^{}}$ G$(\$ S$^{G})$ 솔루션$$ 세트 초기화 기타 라이더 파라미터 초기화반면 나는<(4), 나는 O형 FF{\displaystyle l<. 성공은 방정식을 이용하여 속도를 찾아라.추종자를 사용하여 방정식의 L_{OFF}}v에)P마다 1t{\displaystyle v=1toP}Update위치(5)방정식과 overtaker의 Update위치(6)을 공격한 방정식과 Update요강(7)Update위치.등식이 있는 바이패스 라이더(8) 등식을 사용하여 라이더 순위를 매긴다(4) 높은 성공률을 가진 라이더를 선택한다. 라이더 매개 변수 업데이트 $S{\displaystyle {}^{}}$ $(\$ S$^{G})$ $l$${\displaystyle }$ ${\displaystyle =l}$ + $(\displaystyle$ l$=l+1})$

적용들

ROA의 애플리케이션은 필요하는 여러 영역에서:공학 설계 최적화 Problems,[7]당뇨 detection,[8]문서 clustering,[9]여섯. 식물 병 retinopathy detection,[10]는 경우에는 공격 Detection,[11]의 강화된 비디오 슈퍼 Resolution,[12]Clustering,[13]Webpages Re-ranking,[14]작업 scheduling,[15]의료 이미지 Compression, 주목을 받고 있다고.16]자원 allocation,[17]e-khool LMS[18].및 멀티홉^[19] 라우팅

레퍼런스