Алгоритм оптимизации райдера - Rider optimization algorithm

Алгоритм оптимизации райдера (ROA)
Разработан	Бину Д
Категория	Метаэвристика[циркулярная ссылка ]
Год развития	2019
Издатель	IEEE
Язык	Matlab
Количество цитирований	49

В алгоритм оптимизации райдера (ROA)^[1]^[5]^[6] разработан на основе нового вычислительного метода, а именно вымышленных вычислений, которые подвергаются ряду процессов для решения проблем оптимизации с использованием воображаемых фактов и понятий. ROA полагается на группы гонщиков, которые пытаются достичь цели. В ROA работают группы гонщиков, которые совершают поездку, чтобы достичь общей цели, чтобы стать победителем. В ROA количество групп - четыре, в которых размещаются равные гонщики.

В ROA адаптированы четыре группы: атакующий, обгоняющий, сопровождающий и байпасный гонщик. Каждая группа проходит ряд стратегий для достижения цели. Цель обходного всадника - достичь цели, минуя путь лидера. Последователь пытается следовать за позицией лидера по оси. Кроме того, последователь использует разнонаправленное пространство поиска с учетом ведущего гонщика, что полезно для алгоритма, поскольку оно улучшает скорость сходимости. Обгоняющий проходит свою собственную позицию для достижения цели с учетом близлежащего местоположения лидера. Преимущество обгонщика заключается в том, что он способствует более быстрой конвергенции с огромным глобальным соседством. Согласно ROA, глобальная оптимальная конвергенция является функцией обгоняющего, чья позиция зависит от позиции лидера, вероятности успеха и индикатора направления. Атакующий адаптирует позицию лидера для достижения цели, используя максимальную скорость. Более того, он отвечает за инициализацию разнонаправленного поиска с использованием быстрого поиска для увеличения скорости поиска.

Несмотря на то, что гонщик проходит специальный метод, основными факторами, используемыми для достижения цели, являются правильная езда на транспортном средстве и правильное управление акселератором, рулевым управлением, тормозом и передачей. Каждый раз гонщики изменяют свое положение по направлению к цели, регулируя эти факторы, и следуют предписанному методу, используя текущую вероятность успеха. Лидер определяется с использованием показателя успеха в текущем экземпляре. Процесс повторяется до тех пор, пока гонщики не перестанут работать, что является максимальным моментом, предоставляемым гонщикам для достижения намеченного места. По окончании времени гонщик, занявший лидирующую позицию, объявляется победителем.

Алгоритм

РОА^[1]^[5]^[6] мотивируется всадниками, которые пытаются достичь ожидаемого места. Шаги, используемые в алгоритме ROA, определены ниже:

Инициализация Райдера и других алгоритмических параметров

Первым шагом является инициализация алгоритма, которая выполняется с использованием четырех групп гонщиков, представленных как ${ displaystyle V}$ , а инициализация его позиций выполняется произвольным образом. Инициализация группы задается следующим образом:

{ Displaystyle S_ {l} = {S_ {l} (v, k) }; 1 leq v leq P, 1 leq k leq W}

(1)

куда, ${ displaystyle P}$ означает количество всадников, и ${ Displaystyle S_ {l} (v, k)}$ означает позицию ${ displaystyle v ^ {th}}$ всадник в ${ displaystyle k ^ {th}}$ размер в ${ displaystyle l ^ {th}}$ момент времени.

Количество всадников оценивается по количеству всадников в каждой группе и выражается как,

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

(2)

куда, ${ displaystyle B}$ означает байпасного всадника, ${ displaystyle J}$ представлять последователя, ${ displaystyle O}$ означает обгоняющий, ${ displaystyle A}$ представляют злоумышленника, и ${ displaystyle K}$ означает всадника на тряпичном быке. Следовательно, отношение между вышеупомянутыми атрибутами представлено как,

{ textstyle B + J + O + A + K = { frac {P} {5}}}

(3)

Обретение скорости успеха

После инициализации параметров группы гонщиков, оценивается степень успеха для каждого гонщика. Показатель успеха рассчитывается исходя из расстояния и измеряется между местоположением всадника и целью и формулируется как

{ textstyle Successrate = { frac {1} { | S_ {v} -l_ {t} |}}}

(4)

куда, ${ displaystyle S_ {v}}$ символизировать положение ${ displaystyle v ^ {th}}$ всадник и ${ displaystyle l_ {t}}$ указать целевую позицию. Чтобы повысить уровень успеха, расстояние должно быть минимизировано, и, следовательно, обратная величина расстояния обеспечивает уровень успеха всадника.

Определение ведущего гонщика

Скорость успеха используется как важная часть в обнаружении лидера. Предполагается, что всадник, который находится рядом с целью, будет иметь самый высокий уровень успеха.

Оцените обновленную позицию гонщика

Положение гонщика в каждой группе обновляется, чтобы выявить гонщика, занимающего лидирующую позицию и, следовательно, победителя. Таким образом, гонщик обновляет положение, используя характеристики каждого гонщика, определенные в определении. Положение обновления каждого гонщика объясняется ниже:

Последователь имеет склонность обновлять положение в зависимости от местоположения ведущего всадника для быстрого достижения цели и выражается как,

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

(5)

куда, ${ displaystyle o}$ обозначает селектор координат, ${ Displaystyle S ^ {G}}$ представляют позицию ведущего гонщика, ${ displaystyle G}$ указать индекс лидера, ${ displaystyle varphi _ {v, o} ^ {l}}$ означает угол поворота с учетом ${ displaystyle v ^ {th}}$ всадник в ${ displaystyle o ^ {th}}$ координировать и ${ displaystyle partial _ {v} ^ {l}}$ представляют расстояние.

Обновленная позиция обгоняющего используется для повышения вероятности успеха путем определения позиции обгоняющего и представлена как,

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

(6)

куда, ${ Displaystyle D_ {l} ^ {*} { bigl (} v { bigr)}}$ обозначает указатель направления.

Атакующий имеет склонность к конфискации позиции лидера, следуя процессу обновления лидера, и выражается как:

{ Displaystyle S_ {l + 1} ^ {a} (v, rho) = S ^ {G} (G, rho) + [соз varphi _ {v, rho} ^ {l} * S ^ {G} (G, rho)] + partial _ {v} ^ {l}}

(7)

Здесь показано правило обновления байпасных всадников, в котором стандартный байпасный всадник выражается как,

{ Displaystyle S_ {l + 1} ^ {b} (v, rho) = lambda [S_ {l} ( chi, rho) * delta ( rho) + S_ {l} ( xi, rho) * [1- delta ( rho)]]}

(8)

куда, ${ displaystyle lambda}$ означает случайное число, ${ displaystyle chi}$ символизируют случайное число от 1 до ${ displaystyle P}$ , ${ Displaystyle xi}$ указать случайное число в диапазоне от 1 до ${ displaystyle P}$ и ${ displaystyle delta}$ представляют собой случайное число от 0 до 1.

Определение уровня успеха

После выполнения процесса обновления вычисляется вероятность успеха для каждого гонщика.

Обновление параметра Rider

Параметр обновления райдера важен для поиска эффективного решения. Кроме того, угол поворота рулевого колеса, шестерни обновляются с помощью счетчика активности и обновляются с успехом.

Время отдыха всадника

Процедура повторяется многократно до ${ displaystyle L_ {OFF}}$ при этом обнаруживается лидер. После завершения гонки гонщик, ведущий гонку, считается победителем.

Псевдокод ROA изображен в таблице 1.

**Таблица 1**. **Алгоритм ROA**
Вход:	${ displaystyle S_ {l}}$ : Произвольное положение всадника, ${ displaystyle l}$ : итерация, ${ displaystyle L}$ : максимальная итерация
Выход:	Ведущий всадник ${ Displaystyle S ^ {G}}$
Начинать
	Инициализировать набор решений
	Инициализировать другой параметр райдера.
	Определите степень успеха, используя уравнение (4)
Пока ${ displaystyle l$
За ${ displaystyle v = 1toP}$
	Обновите положение последователя, используя уравнение (5)
	Обновить положение обгоняющего с помощью уравнения (6)
	Обновите позицию атакующего с помощью уравнения (7)
	Обновите положение байпаса с помощью уравнения (8)
	Ранжируйте гонщиков на основе степени успешности, используя уравнение (4)
	Выберите гонщика с высокой вероятностью успеха
	Обновить параметры райдера
	Возвращаться ${ Displaystyle S ^ {G}}$
	${ displaystyle l = l + 1}$
Конец для
Конец пока
Конец

Приложения

Применение ROA замечено в нескольких областях, которые включают: Проблемы оптимизации проектирования.^[7], Выявление диабетической ретинопатии^[8], Кластеризация документов^[9], Обнаружение болезней растений^[10], Обнаружение атак^[11], Улучшенное супер разрешение видео^[12], Кластеризация^[13], Изменение рейтинга веб-страниц^[14], Планирование задач^[15], Сжатие медицинских изображений^[16], Распределение ресурсов^[17], и многоскачковая маршрутизация^[18]. На рисунке 1 показано применение ROA.

Применения ROA

Рекомендации

^ ^а ^б ^c ^d ^е Бину Д. и Карияппа Б.С. (2019). «RideNN: нейронная сеть на основе нового алгоритма оптимизации райдера для диагностики неисправностей аналоговых схем». IEEE Transactions по КИПиА. 68 (1): 2–26. Дои:10.1109 / TIM.2018.2836058. S2CID 54459927.
^ «Метаэвристический». Википедия.
^ Бину, Д. «Алгоритм оптимизации райдера». MathWorks.
^ Бину, Д. "Google ученый".
^ ^а ^б Бину Д. и Карияппа Б.С. (2020). «Нейронная сеть на основе оптимизации с несколькими пассажирами для изоляции неисправностей в аналоговых схемах». Журнал схем, систем и компьютеров. Дои:10.1142 / S0218126621500481.
^ ^а ^б Бину Д. и Карияппа Б.С. (2020). «Сеть Rider Deep LSTM для гибридного прогнозирования неисправностей на основе оценки расстояния в аналоговых цепях». IEEE Transactions по промышленной электронике: 1. Дои:10.1109 / TIE.2020.3028796.
^ Ван Г., Юань Ю. и Го В. (2019). «Улучшенный алгоритм оптимизации райдера для решения инженерных задач оптимизации». Доступ IEEE. 7: 80570–80576. Дои:10.1109 / ACCESS.2019.2923468. S2CID 195775696.
^ Джадхав А.С., Патил ПБ. и Biradar S (2020). «Обнаружение диабетической ретинопатии на основе выбора оптимальных характеристик с использованием улучшенного алгоритма оптимизации райдеров, поддерживаемого глубоким обучением». Эволюционный интеллект: 1–18.
^ Ярлагадда М., Рао К.Г. и Шрикришна А. (2019). «Частый выбор функций на основе наборов элементов и алгоритм поиска Rider Moth для кластеризации документов». Журнал Университета Короля Сауда - Компьютерные и информационные науки. Дои:10.1016 / j.jksuci.2019.09.002.
^ Кристин Р., Кумар Б.С., Прия К. и Картик К. (2020). «Алгоритм поиска всадника-кукушки на основе глубокой нейронной сети для обнаружения болезней растений». Обзор искусственного интеллекта: 1–26.CS1 maint: несколько имен: список авторов (связь)
^ Сарма, С.К. (2020). «Оптимизация на основе Rider Optimized Deep-CNN для обнаружения атак в IoT». В материалах 4-й Международной конференции по интеллектуальным вычислениям и системам управления (ICICCS): 163–169.
^ Джагдейл Р.Х. и Шах СК (2020). «Модифицированное увеличение V-канала на основе оптимизации Rider для улучшенного суперразрешения видео». Международный журнал изображения и графики. Дои:10.1142 / S0219467821500030.
^ Полуру РК и Рамасами Л.К. (2020). «Оптимальный выбор головки кластера с использованием модифицированной кластеризации с поддержкой райдера для IoT». IET Communications. 14 (13): 2189–2201.
^ Санкпал Л.Дж. и Патил С.Х. (2020). «Извлечение функций на основе алгоритмов Rider-Rank для повторного ранжирования веб-страниц в поисковой системе». Компьютерный журнал. 63 (10): 1479–1489. Дои:10.1093 / comjnl / bxaa032.
^ Аламин А. и Гупта А. (2020). «Оптимизация райдера на основе фитнеса для оптимального планирования задач в облаке». Журнал информационной безопасности: глобальная перспектива: 1–17.
^ Шринивасулу П. и Варадхараджан С. (2020). «Алгоритмический анализ сжатия медицинских изображений с использованием улучшенного алгоритма оптимизации райдера». In Proceedings of Innovations in Computer Science and Engineering. Конспект лекций по сетям и системам. Springer. 103: 267–274. Дои:10.1007/978-981-15-2043-3_32. ISBN 978-981-15-2042-6.
^ Вхаткар К.Н. и Боле Г.П. (2020). «Улучшенная оптимизация райдера для оптимального распределения ресурсов контейнера в облаке с гарантией безопасности». Международный журнал Pervasive Computing and Communications. 16 (3): 235–258. Дои:10.1108 / IJPCC-12-2019-0094.
^ Августин С. и Анант Дж. П. (2020). «Модифицированный алгоритм оптимизации райдера для многозвенной маршрутизации в WSN». Международный журнал численного моделирования: электронные сети, устройства и поля: 2764.

[:0-1] а ^б ^c ^d ^е Бину Д. и Карияппа Б.С. (2019). «RideNN: нейронная сеть на основе нового алгоритма оптимизации райдера для диагностики неисправностей аналоговых схем». IEEE Transactions по КИПиА. 68 (1): 2–26. Дои:10.1109 / TIM.2018.2836058. S2CID 54459927.

[2] «Метаэвристический». Википедия.

[3] Бину, Д. «Алгоритм оптимизации райдера». MathWorks.

[4] Бину, Д. "Google ученый".

[:1-5] а ^б Бину Д. и Карияппа Б.С. (2020). «Нейронная сеть на основе оптимизации с несколькими пассажирами для изоляции неисправностей в аналоговых схемах». Журнал схем, систем и компьютеров. Дои:10.1142 / S0218126621500481.

[:2-6] а ^б Бину Д. и Карияппа Б.С. (2020). «Сеть Rider Deep LSTM для гибридного прогнозирования неисправностей на основе оценки расстояния в аналоговых цепях». IEEE Transactions по промышленной электронике: 1. Дои:10.1109 / TIE.2020.3028796.

[7] Ван Г., Юань Ю. и Го В. (2019). «Улучшенный алгоритм оптимизации райдера для решения инженерных задач оптимизации». Доступ IEEE. 7: 80570–80576. Дои:10.1109 / ACCESS.2019.2923468. S2CID 195775696.

[8] Джадхав А.С., Патил ПБ. и Biradar S (2020). «Обнаружение диабетической ретинопатии на основе выбора оптимальных характеристик с использованием улучшенного алгоритма оптимизации райдеров, поддерживаемого глубоким обучением». Эволюционный интеллект: 1–18.

[9] Ярлагадда М., Рао К.Г. и Шрикришна А. (2019). «Частый выбор функций на основе наборов элементов и алгоритм поиска Rider Moth для кластеризации документов». Журнал Университета Короля Сауда - Компьютерные и информационные науки. Дои:10.1016 / j.jksuci.2019.09.002.

[10] Кристин Р., Кумар Б.С., Прия К. и Картик К. (2020). «Алгоритм поиска всадника-кукушки на основе глубокой нейронной сети для обнаружения болезней растений». Обзор искусственного интеллекта: 1–26.CS1 maint: несколько имен: список авторов (связь)

[11] Сарма, С.К. (2020). «Оптимизация на основе Rider Optimized Deep-CNN для обнаружения атак в IoT». В материалах 4-й Международной конференции по интеллектуальным вычислениям и системам управления (ICICCS): 163–169.

[12] Джагдейл Р.Х. и Шах СК (2020). «Модифицированное увеличение V-канала на основе оптимизации Rider для улучшенного суперразрешения видео». Международный журнал изображения и графики. Дои:10.1142 / S0219467821500030.

[13] Полуру РК и Рамасами Л.К. (2020). «Оптимальный выбор головки кластера с использованием модифицированной кластеризации с поддержкой райдера для IoT». IET Communications. 14 (13): 2189–2201.

[14] Санкпал Л.Дж. и Патил С.Х. (2020). «Извлечение функций на основе алгоритмов Rider-Rank для повторного ранжирования веб-страниц в поисковой системе». Компьютерный журнал. 63 (10): 1479–1489. Дои:10.1093 / comjnl / bxaa032.

[15] Аламин А. и Гупта А. (2020). «Оптимизация райдера на основе фитнеса для оптимального планирования задач в облаке». Журнал информационной безопасности: глобальная перспектива: 1–17.

[16] Шринивасулу П. и Варадхараджан С. (2020). «Алгоритмический анализ сжатия медицинских изображений с использованием улучшенного алгоритма оптимизации райдера». In Proceedings of Innovations in Computer Science and Engineering. Конспект лекций по сетям и системам. Springer. 103: 267–274. Дои:10.1007/978-981-15-2043-3_32. ISBN 978-981-15-2042-6.

[17] Вхаткар К.Н. и Боле Г.П. (2020). «Улучшенная оптимизация райдера для оптимального распределения ресурсов контейнера в облаке с гарантией безопасности». Международный журнал Pervasive Computing and Communications. 16 (3): 235–258. Дои:10.1108 / IJPCC-12-2019-0094.

[18] Августин С. и Анант Дж. П. (2020). «Модифицированный алгоритм оптимизации райдера для многозвенной маршрутизации в WSN». Международный журнал численного моделирования: электронные сети, устройства и поля: 2764.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

Разработан	Бину Д^[1]
Категория	Метаэвристика^[2]^{[циркулярная ссылка ]}
Год развития	2019^[1]
Издатель	IEEE^[1]
Язык	Matlab^[3]
Количество цитирований	49^[4]