Prinsip dan logik penyelesaian optimum algoritma carian gagak

Algoritma Carian Gagak (CSA) ialah algoritma pengoptimuman kecerdasan kawanan yang diilhamkan oleh tingkah laku gagak. Sama seperti metaheuristik yang diilhamkan oleh alam semula jadi yang lain, CSA meniru gelagat burung gagak bersembunyi dan mengambil makanan. Algoritma ini mempunyai ciri-ciri struktur mudah, beberapa parameter kawalan, dan pelaksanaan yang mudah. Walau bagaimanapun, seperti kebanyakan algoritma pengoptimuman, CSA juga mempunyai beberapa kelemahan, seperti penumpuan yang perlahan dan mudah untuk dimasukkan ke dalam penyelesaian optimum tempatan. Walaupun begitu, CSA masih merupakan algoritma yang menjanjikan yang boleh menunjukkan keupayaan pengoptimuman yang baik pada masalah tertentu.

Mengapa menggunakan algoritma carian Crow?

Ciri Algoritma Pencarian Gagak (CSA) ialah keupayaannya untuk mengumpul respons daripada perkara yang berbeza dan mengiranya secara keseluruhan untuk mencari penyelesaian terbaik kepada masalah tersebut. Kelebihan pendekatan ini adalah keupayaan untuk mencari penyelesaian terbaik untuk masalah tertentu. Oleh itu, sebab untuk menerima pakai CSA adalah kerana ia dapat memberikan penyelesaian masalah yang berkesan.

Ringkasnya, konsep tingkah laku kolektif terpencar dan tersusun sendiri digunakan untuk menyelesaikan masalah tertentu.

Logik Tingkah Laku Gagak

Gagak dianggap sebagai burung yang paling bijak, mereka telah menunjukkan kesedaran diri dan kebolehan membuat alatan. Dalam ujian cermin, burung gagak boleh mengenali wajah satu sama lain dan memberi amaran kepada satu sama lain untuk menghampiri saingan. Di samping itu, gagak boleh menggunakan alat untuk terlibat dalam komunikasi yang kompleks dan mengingati lokasi makanan beberapa bulan kemudian.

Logik Algoritma Carian Gagak (CSA)

Tujuan heuristik ini adalah untuk membolehkan burung gagak mencari lokasi makanan tersembunyi berdasarkan burung gagak lain. Kedudukan burung gagak sentiasa dikemas kini sepanjang proses. Selain itu, gagak perlu menukar kedudukan mereka apabila makanan dicuri.

Tetapan algoritma mempunyai persekitaran d-dimensi dengan banyak burung gagak di dalamnya. Vektor yang menyatakan bilangan burung gagak (saiz kumpulan) dan kedudukannya pada setiap lelaran. Setiap burung gagak mempunyai ingatan yang menyimpan tempat persembunyiannya. Pada setiap lelaran, lokasi tempat persembunyian burung gagak didedahkan.

Dalam lelaran seterusnya, burung gagak berhasrat untuk pergi ke tempat persembunyiannya, yang ditetapkan oleh burung gagak lain. Dalam lelaran ini, burung gagak pertama memilih untuk mengikut burung gagak kedua ke tempat persembunyiannya. Dalam kes ini, terdapat dua kemungkinan hasil.

Gagak kedua tidak tahu bahawa gagak pertama berada di belakangnya. Akibatnya, burung gagak pertama akan bergerak menghampiri tempat burung gagak kedua bersembunyi. Dalam kes ini, kedudukan baharu burung gagak pertama diperoleh dengan bantuan nombor rawak yang diedarkan secara seragam antara 0 dan 1 dan panjang penerbangan pada masa lelaran.

Gagak kedua tahu bahawa burung gagak pertama mengekorinya, dan untuk melindungi koleksi daripada dicuri, ia akan menipu burung gagak pertama dengan menukar kedudukannya di ruang carian.

Dalam Algoritma Carian Gagak (CSA), parameter kebarangkalian persepsi bertanggungjawab terutamanya untuk pengukuhan dan kepelbagaian. Algoritma Crow lebih suka mencari kawasan setempat di mana jawapan optimum semasa adalah dengan mengurangkan nilai kebarangkalian yang dirasakan.

Apabila nilai kebarangkalian yang dirasakan meningkat, kemungkinan carian algoritma di kawasan dengan hasil sedia ada akan berkurangan dan Algoritma Carian Gagak (CSA) akan lebih cenderung untuk meneroka ruang carian secara rawak. Oleh itu, menggunakan nilai parameter kebarangkalian kesedaran tinggi boleh meningkatkan kepelbagaian hasil algoritma.

Atas ialah kandungan terperinci Prinsip dan logik penyelesaian optimum algoritma carian gagak. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!