分散型ハエの最適化

分散型ハエ最適化( DFO ) は、餌場の上を飛び回るハエの群れ行動にヒントを得た、基本的な群知能アルゴリズムです。 ^{[ 1 ]} DFO は、適合度関数によって計算される数値尺度に関して候補解を反復的に改善することで機能するシンプルな最適化ツールです。集団の各メンバー (ハエまたはエージェント) は候補解を保持しており、その適合性は適合度値によって評価できます。最適化問題は、多くの場合、最小化問題または最大化問題として定式化されます。

DFO ^{[ 2 ]}は、調整可能なパラメータとコンポーネントが最小限の簡略化された群知能アルゴリズムを分析することを目的として導入されました。DFO に関する最初の研究では、このアルゴリズムは、誤差、効率、多様性の尺度を使用して、他のいくつかの既存の群知能技術と比較されました。時刻tにおけるエージェントの位置ベクトルのみを使用して時刻t  + 1の位置ベクトルを生成するというアルゴリズムの単純さにもかかわらず、競争力のあるパフォーマンスを示すことが示されています。DFO は、その誕生以来、医療画像処理や画像解析、データマイニングや機械学習 など、さまざまなアプリケーションで使用されています。

DFOは、他の既存の連続型集団ベース最適化アルゴリズム（例えば、粒子群最適化や差分進化）と多くの類似点を持っています。その点において、個体の群集行動は、群の形成と、その崩壊または弱体化という、密接に関連した2つのメカニズムから構成されています。DFOは、集団のメンバー（群集するハエ）間の情報交換を促進することによって機能します。各ハエは、${\displaystyle \mathbf {x} }$d次元探索空間における位置を表す。${\displaystyle \mathbf {x} =(x_{1},x_{2},\ldots ,x_{d})}$、各ハエの適応度は適応度関数によって計算される。${\displaystyle f(\mathbf {x} )}$これは、ハエのd寸法を考慮に入れたものです。${\displaystyle f(\mathbf {x} )=f(x_{1},x_{2},\ldots ,x_{d})}$。

以下の擬似コードは、アルゴリズムの1回の反復処理を表しています。

i = 1 からN までのハエ$\displaystyle \mathbf {x_{i}} .{\text{fitness}}=f(\mathbf {x} _{i})}$end for i $\displaystyle \mathbf {x} _{s}}$= arg min${\textstyle [f(\mathbf {x} _{i})],\;i\in \{1,\ldots ,N\}}$i = 1 : N および${\displaystyle i\neq s}$d = 1 : D 次元 の場合${\displaystyle U(0,1)<\Delta }$${\displaystyle x_{id}^{t+1}=U(x_{\min ,d},x_{\max ,d})}$それ以外${\displaystyle x_{id}^{t+1}=x_{i_{nd}}^{t}+U(0,1)(x_{sd}^{t}-x_{id}^{t})}$end if end for d end for i 

上記のアルゴリズムでは、${\displaystyle x_{id}^{t+1}}$ハエを表す${\displaystyle i}$寸法において${\displaystyle d}$そして時間${\displaystyle t+1}$;${\displaystyle x_{i_{nd}}^{t}}$プレゼント${\displaystyle x_{i}}$リングトポロジーにおける の最も良い隣接フライ(フライのインデックスを使用して左または右)、次元${\displaystyle d}$そして時間${\displaystyle t}$; そして${\displaystyle x_{sd}^{t}}$は群れの中で最も優れたハエです。この更新式を使用すると、群れの個体数更新は各ハエの最も優れた隣人（焦点として使用される）に依存します。${\displaystyle \mu }$、現在のハエと群れの中で最も優れたハエとの差は、移動の広がりを表し、${\displaystyle \sigma }$)

人口規模以外${\displaystyle N}$調整可能なパラメータは、外乱閾値のみです。${\displaystyle \Delta }$これは、各ハエベクトルにおける次元ごとの再起動を制御する。このメカニズムは、群れの多様性を制御するために提案されたものである。

その他の注目すべきミニマリスト群アルゴリズムとしては、粒子群最適化に基づくベアボーン粒子群（BB-PSO）^{[ 3 ]}と、ベアボーン粒子群最適化器と差分進化のハイブリッドであり、パラメータ数を削減することを目的としたベアボーン差分進化（BBDE） ^{[ 4 ]がある。Alhakbaniは博士論文[ 5 ]}で、特徴選択やパラメータ調整におけるいくつかのDFOアプリケーションを含む、アルゴリズムの多くの側面について論じている。

DFOの最近の応用例を以下に示します。

• 不均衡なデータを分類するためのサポートベクターマシンカーネルの最適化^{[ 6 ]}
• 計算美学における対称的複雑性の定量化^{[ 7 ]}
• 計算的自己生成と計算的創造性の分析^{[ 8 ]}
• 医療画像における石灰化の識別^{[ 9 ]}
• ゲームの空間開発のための非同一な有機構造の構築^{[ 10 ]}
• ディープニューロエボリューション：集中治療室における誤報検出のためのディープニューラルネットワークのトレーニング^{[ 11 ]}
• 2Dメディアルネスマップからのアニメーションキーポイントの識別^{[ 12 ]}