Slime Mould Algoritması
Slime Mould Algorithm · Ayrıca şöyle bilinir: SMA
Slime Mould Algoritması (SMA), Li ve arkadaşları tarafından 2020'de tanıtılan doğadan ilham alan bir meta-sezgisel optimizasyon tekniğidir. Yiyecek kaynaklarını bulmak için yayılan ve daralan sümüksü küflerin davranışlarını taklit eder. SMA, bu organizmaların adaptif yiyecek arama ve uzamsal dağılım örüntülerini simüle ederek karmaşık optimizasyon problemlerini ele alır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Gradyan bilgisinin mevcut olmadığı sürekli ve ayrık optimizasyon problemlerine SMA uygulayın. Birden fazla yerel optimuma sahip çok modlu manzaralarda üstündür. Klasik optimizasyon yöntemlerinin başarısız olduğu veya hesaplama açısından sakıncalı olduğu durumlarda mühendislik tasarımı, parametre ayarlama ve özellik seçimi için uygundur.
Güçlü yönler & sınırlılıklar
- Adaptif ağırlık mekanizması aracılığıyla keşif ve sömürü arasında mükemmel denge
- Az sayıda ayarlanacak hiperparametre ile basit uygulama
- Etkili küresel arama yeteneği ile erken iterasyonlarda hızlı yakınsama gösterir
- Kısıtlı ve kısıtlanmamış optimizasyon problemlerine uygulanabilir
- Arama uzayının artması nedeniyle çok yüksek boyutlu problemlerde performans düşebilir
- Yakınsama hızı, problem manzarası özelliklerine bağlı olarak önemli ölçüde değişir
- Karmaşık mühendislik uygulamaları için problem özgü ayarlama gerektirebilir
SSS
SMA'daki ağırlık mekanizması, PSO gibi diğer meta-sezgisel yöntemlerden nasıl farklıdır?
PSO hız vektörleri kullanırken, SMA iterasyonlar ilerledikçe sömürüyü teşvik eden zamanla azalan bir ağırlık kullanır. Bu adaptif strateji, bilişsel ve sosyal bileşenler için ayrı parametreler gerektirmeden keşif ve sömürüyü doğal olarak dengeler.
SMA kısıtlı optimizasyon problemlerini çözmek için uygun mudur?
Evet, SMA ceza fonksiyonu yöntemleri veya kısıtlama işleme teknikleri aracılığıyla kısıtlamaları işleyebilir. Geçersiz çözümler daha düşük uygunluk değerleri alır ve aramayı geçerli bölgeye yönlendirir.
Popülasyon boyutunu problemim için nasıl ayarlamalıyım?
Problem boyutuna orantılı bir popülasyon boyutuyla başlayın, tipik olarak 20-50 birey. Daha büyük popülasyonlar küresel aramayı iyileştirir ancak hesaplama maliyetini artırır. Dengeyi bulmak için kendi özel probleminizde ampirik testler kullanın.
SMA'nın tipik yakınsama davranışı nasıldır?
SMA, güçlü keşif nedeniyle tipik olarak erken iterasyonlarda hızlı bir iyileşme gösterir, ardından ağırlık mekanizması giderek artan bir şekilde çözümleri bulunan en iyi konuma doğru yönlendirdiği için iyileştirme yapılır.
Kaynaklar
- Li, S., Chen, H., Wang, M., Heidari, A. A., & Chakraborty, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323. DOI: 10.1016/j.future.2020.03.055 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Slime Mould Algorithm. ScholarGate. https://scholargate.app/tr/optimization/slime-mould-algorithm
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Aquila OptimizatörüOptimizasyon↔ karşılaştır
- Aritmetik Optimizasyon AlgoritmasıOptimizasyon↔ karşılaştır
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Harris Hawks OptimizasyonuOptimizasyon↔ karşılaştır
- Parçacık Sürü Optimizasyonu (PSO)Optimizasyon↔ karşılaştır