El algoritmo de optimización del piloto (ROA) [1] [5] [6] está diseñado en base a un método de computación novedoso, a saber, computación ficticia que se somete a una serie de procesos para resolver los problemas de las optimizaciones utilizando hechos y nociones imaginarios. ROA depende de los grupos de ciclistas que luchan por alcanzar el objetivo. ROA emplea grupos de ciclistas que viajan para alcanzar un objetivo común y convertirse en ganadores. En ROA, el recuento de grupos es cuatro en los que se colocan corredores iguales.
Desarrollado por | Binu D [1] |
---|---|
Categoría | Metaheurística [2] [ referencia circular ] |
Año de desarrollo | 2019 [1] |
Editor | IEEE [1] |
Idioma | Matlab [3] |
Recuento de citas | 49 [4] |
Los cuatro grupos adaptados en ROA son atacante, adelantador, seguidor y corredor de bypass. Cada grupo se somete a una serie de estrategias para alcanzar el objetivo. El objetivo de bypass rider es alcanzar el objetivo evitando el camino del líder. El seguidor intenta seguir la posición del líder en el eje. Además, el seguidor emplea un espacio de búsqueda multidireccional considerando al piloto líder, lo cual es útil para el algoritmo ya que mejora la tasa de convergencia. El adelantador se somete a su propia posición para alcanzar el objetivo considerando las ubicaciones cercanas del líder. El beneficio del adelantamiento es que facilita una convergencia más rápida con un enorme vecindario global. Según el ROA, la convergencia óptima global es función del adelantador, cuya posición se basa en la posición del líder, la tasa de éxito y el indicador direccional. El atacante adapta la posición de líder para lograr el destino utilizando su máxima velocidad. Además, es responsable de inicializar la búsqueda multidireccional utilizando la búsqueda rápida para acelerar la velocidad de búsqueda.
A pesar de que los ciclistas se someten a un método específico, los principales factores empleados para alcanzar el objetivo son la conducción correcta de los vehículos y la gestión adecuada del acelerador, la dirección, el freno y la marcha. En cada instancia de tiempo, los ciclistas alteran su posición hacia el objetivo regulando estos factores y siguen el método prescrito utilizando la tasa de éxito actual. El líder se define utilizando la tasa de éxito en la instancia actual. El proceso se repite hasta que los ciclistas entran en el tiempo de inactividad que es el instante máximo que se proporciona a los ciclistas para alcanzar la ubicación deseada. Después de alcanzar el tiempo final, el ciclista en la posición de liderazgo se denomina ganador.
Algoritmo
El ROA [1] [5] [6] está motivado por los ciclistas, que compiten por llegar a la ubicación prevista. Los pasos empleados en el algoritmo ROA se definen a continuación:
Inicialización de Rider y otros parámetros algorítmicos
El paso más importante es la inicialización del algoritmo que se realiza utilizando cuatro grupos de ciclistas representados como , y las inicializaciones de sus posiciones se realizan de manera arbitraria. La inicialización del grupo viene dada por,
( 1 )
dónde, significa recuento de jinetes, y significa la posición de jinete en tamaño en instante de tiempo.
El recuento de ciclistas se evalúa con el recuento de ciclistas de cada grupo y se expresa como,
( 2 )
dónde, significa jinete de bypass, representar seguidor, significa adelantador, representar al atacante, y significa jinete de toro de trapo. Por lo tanto, la relación entre los atributos antes mencionados se representa como,
( 3 )
Encontrar la tasa de éxito
Después de la inicialización de los parámetros del grupo de ciclistas, se evalúa la tasa de éxito considerando cada ciclista. La tasa de éxito se calcula con la distancia y se mide entre la ubicación del ciclista y el objetivo y se formula como,
( 4 )
dónde, simbolizar la posición de jinete y indicar la posición de destino. Para elevar la tasa de éxito, la distancia debe minimizarse y, por lo tanto, la distancia recíproca ofrece la tasa de éxito del ciclista.
Determinación del piloto líder
La tasa de éxito se emplea como parte importante en el descubrimiento de un líder. Se supone que el ciclista que reside en una ubicación cercana al objetivo tiene la tasa de éxito más alta.
Evaluar la posición de actualización del ciclista
La posición del corredor en cada grupo se actualiza para descubrir al corredor en la posición de liderazgo y, por lo tanto, es el ganador. Por lo tanto, el ciclista actualiza la posición utilizando las características de cada ciclista definidas en la definición. La posición de actualización de cada ciclista se explica a continuación:
El seguidor tiene una inclinación a actualizar la posición según la ubicación del piloto líder para alcanzar el objetivo de manera rápida y se expresa como,
( 5 )
dónde, significa selector de coordenadas, representar la posición líder del ciclista, indicar el índice del líder, significa ángulo de dirección considerando jinete en coordinar y representar la distancia.
La posición de actualización del adelantador se utiliza para elevar la tasa de éxito al descubrir la posición del adelantador y se representa como,
( 6 )
dónde, significa indicador de dirección.
El atacante tiene una inclinación a confiscar la posición del líder siguiendo el proceso de actualización del líder y se expresa como,
( 7 )
Aquí, la regla de actualización de los usuarios de bypass se muestra en la que el usuario de bypass estándar se expresa como,
( 8 )
dónde, significa número aleatorio, simboliza un número aleatorio entre 1 y , indicar un número aleatorio entre 1 y y representan un número aleatorio entre 0 y 1.
Encontrar la tasa de éxito
Después de ejecutar el proceso de actualización, se calcula la tasa de éxito considerando cada ciclista.
Actualización del parámetro Rider
El parámetro de actualización del ciclista es importante para descubrir una solución eficaz. Además, el ángulo de dirección, las marchas se actualizan con el contador de actividad y se actualizan con la tasa de éxito.
Tiempo libre del ciclista
El procedimiento se repite repetidamente hasta donde se descubre el líder. Una vez finalizada la carrera, el corredor líder se considera ganador.
El pseudocódigo de ROA se muestra en la tabla 1.
Aporte: | : Posición de ciclista arbitraria, : iteración, : iteración máxima |
Salida : | Piloto líder |
Empezar | |
Inicializar el conjunto de soluciones | |
Inicializa otro parámetro del ciclista. | |
Encuentre la tasa de éxito usando la ecuación ( 4 ) | |
Tiempo | |
Para | |
Actualizar la posición del seguidor usando la ecuación ( 5 ) | |
Actualizar la posición del adelantador con la ecuación ( 6 ) | |
Actualizar la posición del atacante con la ecuación ( 7 ) | |
Actualizar la posición del ciclista de bypass con la ecuación ( 8 ) | |
Clasifique a los ciclistas según la tasa de éxito utilizando la ecuación ( 4 ) | |
Seleccione el ciclista con una alta tasa de éxito | |
Actualizar los parámetros del ciclista | |
Regreso | |
Fin para | |
Terminar mientras | |
Final |
Aplicaciones
Las aplicaciones de ROA se notan en varios dominios que involucran: problemas de optimización de diseño de ingeniería, [7] detección de retinopatía diabética, [8] agrupamiento de documentos, [9] detección de enfermedades de plantas, [10] detección de ataques, [11] superresolución de video mejorada , [12] Agrupación, [13] Reordenamiento de páginas web, [14] Programación de tareas, [15] Compresión de imágenes médicas, [16] Asignación de recursos, [17] Enrutamiento de múltiples saltos [18] y Software del sistema de gestión de aprendizaje E-khool. [19] [20] La Figura 1 muestra la aplicación de ROA.
Referencias
- ↑ a b c d e Binu D y Kariyappa BS (2019). "RideNN: Un nuevo algoritmo de optimización de piloto basado en red neuronal para el diagnóstico de fallas de circuitos analógicos". Transacciones IEEE sobre instrumentación y medición . 68 (1): 2-26. doi : 10.1109 / TIM.2018.2836058 . S2CID 54459927 .
- ^ "Metaheurística" . Wikipedia .
- ^ Binu, D. "Algoritmo de optimización de ciclistas" . MathWorks .
- ^ Binu, D. "GoogleScholar" .
- ^ a b Binu D y Kariyappa BS (2020). "Red neuronal basada en optimización de múltiples usuarios para aislamiento de fallas en circuitos analógicos". Revista de circuitos, sistemas y computadoras . doi : 10.1142 / S0218126621500481 .
- ^ a b Binu D y Kariyappa BS (2020). "Red Rider Deep LSTM para predicción de fallas basada en puntuación de distancia híbrida en circuitos analógicos". Transacciones IEEE sobre electrónica industrial : 1. doi : 10.1109 / TIE.2020.3028796 .
- ^ Wang G., Yuan Y. y Guo W (2019). "Un algoritmo de optimización de piloto mejorado para resolver problemas de optimización de ingeniería" . Acceso IEEE . 7 : 80570–80576. doi : 10.1109 / ACCESS.2019.2923468 . S2CID 195775696 .
- ^ Jadhav AS., Patil PB. y Biradar S (2020). "Detección de retinopatía diabética basada en la selección de características óptimas mediante el uso de un algoritmo de optimización de ciclistas mejorado habilitado con aprendizaje profundo". Inteligencia evolutiva : 1–18.
- ^ Yarlagadda M., Rao KG. y Srikrishna A (2019). "Selección frecuente de características basadas en conjuntos de elementos y algoritmo de búsqueda de Rider Moth para la agrupación de documentos" . Revista de Ciencias de la Información y Computación de la Universidad Rey Saud . doi : 10.1016 / j.jksuci.2019.09.002 .
- ^ Cristin R., Kumar BS., Priya C y Karthick K (2020). "Algoritmo de búsqueda de jinete-cuco basado en redes neuronales profundas para la detección de enfermedades de las plantas". Revisión de inteligencia artificial : 1–26.CS1 maint: varios nombres: lista de autores ( enlace )
- ^ Sarma, SK (2020). "Optimización de pasajeros basada en Optimized Deep-CNN hacia la detección de ataques en IoT". En Actas de la 4ª Conferencia Internacional sobre Sistemas de Control y Computación Inteligentes (ICICCS) : 163–169.
- ^ Jagdale RH y Shah SK (2020). "Ampliación de canal V basada en optimización de piloto modificada para una superresolución de vídeo mejorada". Revista Internacional de Imagen y Gráfica . doi : 10.1142 / S0219467821500030 .
- ^ Poluru RK y Ramasamy LK (2020). "Selección de cabeza de clúster óptima mediante clústeres asistidos por ciclistas modificados para IoT". Comunicaciones IET . 14 (13): 2189–2201.
- ^ Sankpal LJ y Patil SH (2020). "Extracción de características basadas en algoritmos Rider-Rank para volver a clasificar las páginas web en el motor de búsqueda". The Computer Journal . 63 (10): 1479–1489. doi : 10.1093 / comjnl / bxaa032 .
- ^ Alameen A y Gupta A (2020). "Optimización del ciclista basada en la tasa de condición física habilitada para una programación óptima de tareas en la nube". Revista de seguridad de la información: una perspectiva global : 1–17.
- ^ Sreenivasulu P y Varadharajan S (2020). "Análisis algorítmico de la compresión de imágenes médicas mediante el algoritmo de optimización de piloto mejorado". En Proceedings of Innovations in Computer Science and Engineering . Apuntes de conferencias en redes y sistemas. Saltador. 103 : 267-274. doi : 10.1007 / 978-981-15-2043-3_32 . ISBN 978-981-15-2042-6.
- ^ Vhatkar KN y Bhole GP (2020). "Optimización de pasajeros mejorada para la asignación óptima de recursos de contenedores en la nube con garantía de seguridad". Revista Internacional de Computación y Comunicaciones Pervasivas . 16 (3): 235–258. doi : 10.1108 / IJPCC-12-2019-0094 .
- ^ Augustine S y Ananth JP (2020). "Un algoritmo de optimización de ciclista modificado para el enrutamiento de saltos múltiples en WSN". Revista internacional de modelado numérico: redes, dispositivos y campos electrónicos : 2764.
- ^ Binu, D; Rajakumar, BR (2021). Inteligencia artificial en minería de datos: teorías y aplicaciones, 1ª edición . Prensa académica. ISBN 9780128206010.
- ^ Amol V Dhumane (2020). "Examen de la experiencia del usuario de los sistemas de eLearning utilizando EKhool Learners". Revista de redes y sistemas de comunicación . 3 (4): 26–34.