تحسين خوارزمية التحسين المستوحاة من السخان المائي باستخدام الاضطراب التكيفي وتوازن الضغط الديناميكي لتجميع البيانات

في حين أن تقنيات التحسين الاستدلالي معروفة بكفاءتها في التجميع والتحسين العددي واسع النطاق، إلا أن الخوارزميات في هذه الفئة تعاني من مشكلات مثل ركود التعزيز وضعف التحسين في المراحل المتأخرة. في هذه الورقة، نقترح خوارزمية التحسين المُحسّنة المستوحاة من السخان (IGIOA)، وهي نسخة مُحسّنة من خوارزمية التحسين المُستوحاة من السخان (GIOA)، والتي تدمج مكونين رئيسيين: مُشغل الاضطراب التكيفي (ATO) ومُشغل توازن الضغط الديناميكي (DPEO). يسمح مُشغل ATO لـ IGIOA بتعطيل الركود بشكل دوري واستكشاف مناطق مختلفة باستخدام الاضطراب، بينما يضمن DPEO التحسين في التكرارات اللاحقة من خلال تعديل ضغط التقارب بشكل تكيفي. لقد طبقنا خوارزمية IGIOA على 23 دالة مرجعية ذات منحنيات أحادية ومتعددة الأنماط، بالإضافة إلى ثماني مسائل تتعلق بتحليل المجموعات في UCI. من بين جميع الطرق المختبرة، استطاعت IGIOA تحقيق أعلى دقة في التقارب مع تحقيق معدل تقارب مستقر. وقد أمكن التخفيف من التقارب المبكر والاستغلال منخفض المستوى بفضل التحسينات القائمة على الاضطرابات والضغط. وتؤكد نتائج الاختبارات أن تكييف IGIOA لاستراتيجيات خط الأساس يُساعد في التعامل مع توزيعات البيانات المعقدة بفعالية أكبر. ومع ذلك، فقد أُدخلت معاملات فائقة إضافية تُزيد من التعقيد، إلى جانب زيادة تكلفة الحوسبة. وتشمل هذه المعاملات الضبط التلقائي للمعلمات، والتباينات الجماعية أو المتوازية، والتهجين مع استراتيجيات بحث محلية مخصصة لتوسيع نطاق IGIOA للتحسين العام مع تخصيصه أيضًا لتجميع المهام والتطبيقات المُركزة.