مُحسِّن Aquila المُحسَّن لتحسين الأداء العالمي وتجميع البيانات

مُحسِّن أكويلا (AO) هو خوارزمية ميتا هيستورية عالية الكفاءة، مقترحة حديثًا، تعتمد على سلوك الصيد والبحث لدى طائر أكويلا. ومع ذلك، يواجه هذا المُحسِّن بعض التحديات عند التعامل مع مشاكل التحسين عالية الأبعاد نظرًا لقدراته الاستكشافية المحدودة وميله إلى التقارب المبكر إلى القيم المثلى المحلية، مما قد يُقلل من أدائه في السيناريوهات المعقدة. تُقدم هذه الورقة نسخة مُعدّلة من مُحسِّن أكويلا المُقترح سابقًا، وهو مُحسِّن أكويلا للتعلم القائم على التعارض المحلي (LOBLAO)، والذي يهدف إلى حل هذه المشكلات وتحسين أداء المهام المتعلقة بالتحسين الشامل وتجميع البيانات على وجه الخصوص. يتضمن مُحسِّن أكويلا المُقترح تطورين رئيسيين: استراتيجية التعلم القائم على التعارض (OBL)، التي تُعزز تنوع الحلول وتُوازن بين الاستكشاف والاستغلال، واستراتيجية البحث عن الطفرات (MSS)، التي تُخفف من خطر القيم المثلى المحلية وتضمن استكشافًا دقيقًا لمساحة البحث. تُظهر التجارب الشاملة على دوال اختبار المعايير ومشكلات تجميع البيانات فعالية LOBLAO. تكشف النتائج أن LOBLAO يتفوق على AO الأصلي والعديد من خوارزميات التحسين المتطورة، مما يُظهر أداءً متفوقًا في معالجة مجموعات البيانات عالية الأبعاد. وعلى وجه الخصوص، حقق LOBLAO أفضل متوسط ??تصنيف بلغ 1.625 في مسائل التجميع المتعددة، مما يؤكد متانته وتعدد استخداماته. تُبرز هذه النتائج الإمكانات الكبيرة لـ LOBLAO في حل مسائل التحسين المتنوعة والصعبة، مما يجعله أداة قيّمة للباحثين والممارسين.