Cüce Mongoose Optimizasyonu
Dwarf Mongoose Optimization · Ayrıca şöyle bilinir: DMO
Cüce Mongoose Optimizasyonu (CMO) algoritması, Agushaka ve arkadaşları tarafından 2022'de tanıtılan, cüce mongoose kolonilerinin davranışsal modellerine dayanan, doğadan esinlenilmiş bir meta sezgiseldir. Cüce mongoozlar, nöbetçi davranışı (gözetim ve keşif), yavru bakımı (mentorluk) ve işbirlikçi avlanma gibi karmaşık grup dinamikleri sergiler. Algoritma bu sosyal davranışları, keşif ve sömürüyü etkili bir şekilde dengeleyen optimizasyon mekanizmalarına dönüştürür.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
CMO'yu mühendislik tasarımı, makine öğrenimi hiperparametre ayarı ve karmaşık çok amaçlı optimizasyon dahil olmak üzere sürekli optimizasyon problemlerine uygulayın. Pahalı uygunluk değerlendirmeleri ve çoklu yerel optimumlara sahip problemler için etkilidir. Özellikle problem alanı yüksek derecede çok modlu olduğunda ve sağlam küresel arama esas olduğunda uygundur.
Güçlü yönler & sınırlılıklar
- Biyolojik gruplaşmadan kaynaklanan karmaşık çok fazlı davranış, etkili keşif-sömürü dengesi yaratır.
- Diğer yeni meta sezgisellerle karşılaştırıldığında çok modlu kıyaslama fonksiyonlarında güçlü performans.
- Grup dinamiklerinin davranışsal adaptasyonu yoluyla kısıtlamaları doğal olarak ele alır.
- Tutarlı performansla orta ve yüksek boyutlu problemlere ölçeklenebilir.
- Çoklu davranışsal fazlar nedeniyle daha basit meta sezgisellere göre daha karmaşık uygulama.
- Keşif oranları ve yavru bakımı sıklığı ile ilgili ek hiperparametrelerin ayarlanması gerekir.
- Çok fazlı davranış modellemesi nedeniyle iterasyon başına hesaplama maliyeti daha yüksektir.
SSS
Keşifçi mongoozlar algoritmada hangi rolü oynar?
Keşifçiler, daha yüksek özerkliğe ve keşif eğilimine sahip olacak şekilde belirlenmiştir. Daha bağımsız kararlar alırlar ve arama uzayının daha geniş bölgelerini keşfederek, tek bir bölge etrafında erken yakınsama eğilimini azaltırlar.
Yavru bakımı davranışı çözüm kalitesini nasıl iyileştirir?
Yavru bakan mongoozlar, artan pertürbasyonlar ve daha sık yerel iyileştirmeler yoluyla umut vadeden çözümlerin komşuluklarında aramalarını yoğunlaştırır. Bu odaklanmış sömürü, umut vadeden bölgeler keşfedildikten sonra algoritmanın çözüm kalitesini iyileştirmesini sağlar.
CMO'da kullanılan tipik keşifçi oranı nedir?
Yaygın keşifçi oranları popülasyonun %10-30'u arasında değişmekle birlikte, %20 makul bir başlangıç noktasıdır. Daha yüksek keşifçi oranları keşfi iyileştirir ancak yakınsamayı yavaşlatabilir. Daha düşük oranlar yakınsamayı hızlandırır ancak küresel optimumları kaçırma riski taşır.
CMO ayrık problemlere uyarlanabilir mi?
Evet, CMO, sürekli çözümlere ayrıklaştırma eşlemeleri uygulanarak ayrık optimizasyon için uyarlanabilir. Keşif, takip etme ve yavru bakımı davranışsal çerçevesi, uygun değişken eşlemesi ile ayrık problem uzaylarına iyi bir şekilde aktarılabilir.
Kaynaklar
- Agushaka, J. O., Ezugwu, A. E., & Abualigah, L. (2022). Dwarf mongoose optimization algorithm. Computer Methods in Applied Mechanics and Engineering, 391, 114570. DOI: 10.1016/j.cma.2022.114570 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Dwarf Mongoose Optimization. ScholarGate. https://scholargate.app/tr/optimization/dwarf-mongoose-optimization
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aquila OptimizatörüOptimizasyon↔ karşılaştır
- Grey Wolf OptimizerOptimizasyon↔ karşılaştır
- Harris Hawks OptimizasyonuOptimizasyon↔ karşılaştır
- Slime Mould AlgoritmasıOptimizasyon↔ karşılaştır