カラス検索アルゴリズム (CSA) は、カラスの行動にヒントを得た群れ知能最適化アルゴリズムです。他の自然にインスピレーションを得たメタヒューリスティックと同様に、CSA はカラスが隠れて食べ物を取り出す行動をシミュレートします。このアルゴリズムは、構造が単純で、制御パラメータが少なく、実装が容易であるという特徴を持っています。ただし、ほとんどの最適化アルゴリズムと同様、CSA にも、収束が遅く、局所的な最適解に陥りやすいなど、いくつかの欠点があります。それにもかかわらず、CSA は依然として、特定の問題に対して優れた最適化機能を発揮できる有望なアルゴリズムです。
Crow Search Algorithm (CSA) は、さまざまなものからの応答を収集し、それらを全体として計算して、問題に対する最適な解決策を見つける機能を特徴としています。このアプローチの利点は、特定の問題に対する最適な解決策を見つけられることです。したがって、CSA を採用する理由は、効果的な問題解決を提供できるためです。
簡単に言えば、分散型で自己組織化された集団行動の概念は、特定の問題を解決するために使用されます。
カラスは最も賢い鳥とみなされており、自己認識と道具を作る能力を実証しています。ミラーテストでは、カラスはお互いの顔を認識し、ライバルが近づいてくると互いに警告し合うことができます。さらに、カラスは道具を使って複雑なコミュニケーションをとり、数か月後に食事の場所を思い出すことができます。
このヒューリスティックの目的は、カラスに別のカラスに基づいて隠れた餌の場所を見つけさせることです。カラスの位置はプロセス全体を通じて常に更新されます。さらに、カラスは食べ物を盗まれたときに位置を変える必要があります。
アルゴリズム設定には、カラスが多数存在する d 次元環境があります。各反復におけるカラスの数 (グループ サイズ) とその位置を指定するベクトル。どのカラスにも隠れ場所となる記憶があります。反復するたびに、カラスの隠れ場所の場所が明らかになります。
次の反復では、カラスは別のカラスによって指定された隠れ場所に移動するつもりです。この反復では、最初のカラスは 2 番目のカラスを隠れ場所まで追いかけることを選択します。この場合、考えられる結果は 2 つあります。
2 番目のカラスは、1 番目のカラスが背後にいたことを知りませんでした。その結果、最初のカラスは、二番目のカラスが隠れている場所に近づきます。この場合、最初のカラスの新しい位置は、0 ～ 1 の間で均一に分布する乱数と反復時の飛行長を利用して取得されます。
2 番目のカラスは、1 番目のカラスが後を追っていることを知っており、コレクションが盗まれないようにするために、探索空間内で位置を変えて最初のカラスを欺きます。
カラス検索アルゴリズム (CSA) では、知覚確率パラメーターが主に強化と多様化を担当します。 Crow アルゴリズムは、知覚される確率値を減らすことによって、現在の最適な答えが存在する局所領域を検索することを優先します。
知覚される確率値が増加すると、アルゴリズムが既存の結果のある領域を検索する可能性が減少し、Crow Search Algorithm (CSA) は検索空間をランダムに探索する傾向が高くなります。したがって、高認識確率パラメータ値を使用すると、アルゴリズム結果の多様性を高めることができます。
以上がカラス探索アルゴリズムの原理と最適解ロジックの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。