خوارزمية الجيب وجيب التمام (SCA)

خوارزمية الجيب وجيب التمام (SCA)

تُعرف خوارزمية الجيب وجيب التمام (SCA) بخفتها وكفاءتها العالية، فضلاً عن امتلاكها مُحسِّنًا رياضيًا واضحًا. مع ذلك، لا تزال SCA تعاني من بعض المشاكل، مثل التوقف عند الحلول المثلى المحلية، وبطء منحنى التقارب، وعدم القدرة على تحقيق توازن فعال بين نمطي البحث الاستكشافي والاستغلالي. وللتخفيف من هذه القيود وتحسين أداء SCA، تُقدم هذه الدراسة نسخة جديدة منها تُسمى QLESCA،

 والتي تتحكم بذكاء في معايير SCA من خلال خوارزمية Q-learning مُدمجة أثناء التشغيل. يتطور كل عامل في QLESCA بشكل مستقل، وله جدول Q خاص به. يحتوي جدول Q على تسع حالات مختلفة تُحسب بناءً على كثافة السكان والمسافة من قائد المجموعة الصغيرة. وبناءً على ذلك، يُولِّد جدول Q تسعة إجراءات مختلفة للتحكم في معايير QLESCA، وهما r1 و r3. تُتيح هذه المعايير التبديل التكيفي بين نمطي البحث الاستكشافي والاستغلالي، والعكس صحيح. لكل إجراء في جدول Q، 

تُمنح قيمة مكافأة للوكيل ذي الأداء الجيد وقيمة جزاء للوكيل ذي الأداء الضعيف. وللتحقق من أداء الخوارزمية المقترحة، تم تقييم QLESCA باستخدام 23 معيارًا مستمرًا، و20 دالة تحسين معيارية واسعة النطاق، وثلاث مسائل تصميم هندسي. بالإضافة إلى ذلك، قورنت نتائج التحليل مع خوارزميات SCA المختلفة وطرق التحسين الحديثة القائمة على أسراب الكائنات. تُظهر النتائج العددية تفوق QLESCA من حيث قيمة اللياقة المحققة. وتؤكد النتائج الإحصائية تفوق QLESCA بشكل ملحوظ على خوارزميات التحسين الأخرى. علاوة على ذلك، تُظهر نتائج منحنى التقارب أن خوارزمية التحسين QLESCA المقترحة تحقق تقاربًا سريعًا مقارنةً بالخوارزميات الأخرى المستخدمة.

مقدمة: SCA هي خوارزمية تحسين عشوائية قائمة على السكان (ميرجليلي، 2016). استُلهمت الفكرة الأساسية لـ SCA من الخصائص الرياضية لدالتي الجيب وجيب التمام المثلثيتين. بفضل بساطته وسهولة ضبط معاييره مقارنةً بخوارزميات التحسين الأخرى القائمة على الوكلاء المتعددين، أظهر خوارزمية SCA أداءً تنافسيًا بين خوارزميات الاستدلال الميتا-هيروستيكي الأخرى (Gupta, Deep, Mirjalili, et al., 2020). في الواقع، تم تطبيق تحليل التسلسل المتسلسل (SCA)

 بنجاح على العديد من المشكلات الواقعية، مثل تحسين أنظمة الطاقة (غوش وموخرجي، 2017) (مهداد وسريري، 2018)، والتجميع (عبد الفتاح وآخرون، 2017)، وتصنيف سرطان الثدي (ماجهي، 2018)، ومحاذاة التسلسل العالمي الثنائي (عيسى وآخرون، 2018)، والجدولة (داس وآخرون، 2018)، وتصميم الشبكة (الجابالاوي وآخرون، 2018)، وإيجاد التصميم الأمثل لنظام طاقة يقلل التكلفة السنوية وانبعاثات النظام (الجابالاوي وآخرون، 2018)، وتجزئة الصور (هيرنانديز ديل ريو وآخرون، 2020)، وتحسين تنسيق مرحلات التيار الزائد الاتجاهية (سارواجيا وآخرون، 2020)، واختيار الميزات (أبو عليجة ودليمي، 2021).
... على الرغم من قدرة خوارزمية SCA على استكشاف فضاء البحث، إلا أنها تفتقر إلى التوازن الفعال بين الاستكشاف والاستغلال (هويلينغ تشين وآخرون، 2020). إضافةً إلى ذلك، تعاني من بطء معدل التقارب، خاصةً عند التعامل مع مسائل التحسين ذات الأبعاد العالية (غوبتا وديب، 2019ب) (غوبتا، ديب، ميرجليلي، وآخرون، 2020). للتغلب على هذه النقاط الضعيفة، ركز الباحثون على تعديل معلمات خوارزمية الجيب وجيب التمام القائمة على التقابل (SCA) (عبد العزيز وآخرون، 2017) (سويد وآخرون، 2018) (لونغ وآخرون، 2019)،

 وتحسين معادلاتها (هاو تشين وآخرون، 2020) (بلازوق وآخرون، 2020)، أو دمجها مع خوارزميات تحسين أخرى مثل التطور التفاضلي (DE) (نينافاث وجاتوث، 2018)، وخوارزمية ذبابة الفاكهة (فان وآخرون، 2020)، وخوارزمية سرب الجسيمات (عيسى وآخرون، 2018)، وخوارزمية تحسين الحيتان (WOA) (خليل بورازاري وخليل بورازاري، 2018). وقد اقترح عبد العزيز وآخرون (2017) نسخة محسّنة من خوارزمية الجيب وجيب التمام القائمة على التقابل (OBSCA). 

 

تعتبر خوارزمية OBSCA التعلم القائم على التضاد آليةً لتحسين قدرة البحث والاستكشاف. وقد أشارت نتائجها إلى تحقيق نتائج أفضل مقارنةً بخوارزمية SCA القياسية. اقترح (هويلينغ تشين وآخرون، 2020) خوارزمية SCA متعددة الاستراتيجيات تُسمى MSCA. تجمع MSCA بين آليات تحكم متعددة، تشمل مُعامل طفرة كوشي، وآلية البحث المحلي الفوضوي، واستراتيجية التعلم القائم على التضاد، وعوامل تطور تفاضلي أخرى. تُنفَّذ هذه الاستراتيجيات الأربع بالتتابع لتوليد حل بحث جديد. مع ذلك، تتطلب MSCA حساب تقييم اللياقة بعد كل استراتيجية، مما يزيد من تكلفة التقييم. اقترح (نينافاث وجاتوث، 2018) دمج SCA مع التطور التفاضلي (DE). طُبِّق مخططهم الهجين لحل مشكلة تتبع الأجسام. ومع ذلك، فإن دمج SCA مع DE سيزيد من تعقيد الخوارزمية وتقييمات اللياقة المطلوبة لكل مجموعة، أي SCA وDE. اقترح (بيلازوق وآخرون، 2020) خوارزمية SCA مُحسَّنة تستخدم معادلات مختلفة للتحكم في حركة عوامل SCA. لسوء الحظ، تبدأ هذه الخوارزمية المحسّنة بوضع البحث الاستكشافي، ومع مرور الوقت، تتحول إلى البحث الاستغلالي. لذلك، إذا