Un nuovo ottimizzatore della concezione umana per risolvere problemi di ottimizzazione

Scientific Reports volume 12, numero articolo: 21631 (2022) Citare questo articolo

2053 accessi

16 Altmetrico

Dettagli sulle metriche

Le tecniche computazionali sono ampiamente utilizzate per risolvere problemi di ottimizzazione complessi in diversi campi come ingegneria, finanza, biologia e così via. In questo articolo, lo Human Conception Optimizer (HCO) viene proposto come un nuovo algoritmo metaeuristico per risolvere eventuali problemi di ottimizzazione. L'idea di questo algoritmo si basa su alcuni principi biologici del processo di concepimento umano, come la natura selettiva del gel cervicale nel sistema riproduttivo femminile per consentire l'ingresso nella cervice solo di spermatozoi sani, la natura guida del gel di muco per aiutare lo sperma a rintracciare un percorso genitale verso l'ovulo nelle tube di Falloppio, la natura asimmetrica del movimento flagellare che consente agli spermatozoi di muoversi nel sistema riproduttivo, il processo di iperattivazione degli spermatozoi per renderli in grado di fecondare un ovulo. Pertanto, le strategie perseguite dagli spermatozoi nella ricerca dell'ovulo nelle tube di Falloppio sono modellate matematicamente. Il miglior spermatozoo che raggiungerà la posizione dell'ovulo sarà la soluzione dell'algoritmo. Le prestazioni dell'algoritmo HCO proposto vengono esaminate con una serie di funzioni di test di riferimento di base denominate IEEE CEC-2005 e IEEE CEC-2020. Viene inoltre eseguito uno studio comparativo tra l'algoritmo HCO e altri algoritmi disponibili. La significatività dei risultati viene verificata con metodi di test statistici. Per convalidare l'algoritmo HCO proposto, vengono esaminati due problemi di ottimizzazione ingegneristica del mondo reale. A questo scopo, viene considerato un complesso sistema di distribuzione bus IEEE 8 basato su 14 relè di sovracorrente. Con l'algoritmo proposto, si osserva un miglioramento dal 50% al 60% nei tempi di funzionamento totali dei relè rispetto ad alcuni risultati esistenti per lo stesso sistema. Viene esaminato un altro problema ingegneristico relativo alla progettazione di un controller PID (proporzionale integrale derivato) ottimale per un ventilatore meccanico (MV) con tubo paziente azionato da un ventilatore. Un miglioramento significativo in termini di tempo di risposta e tempo di assestamento è stato osservato nel sistema MV confrontandolo con i risultati esistenti.

Il metodo di ottimizzazione è un metodo di calcolo numerico per trovare la soluzione ottimale di un problema in tempo reale in un campo diversificato come ingegneria, gestione, finanza e così via1,2,3,4,5,6. I metodi di ottimizzazione analitica sono processi complessi e dispendiosi in termini di tempo per ottenere una soluzione ottimale di un problema di ottimizzazione complesso. Ancora una volta, i metodi di ottimizzazione euristica sono tecniche dipendenti dal problema7. Hanno bisogno delle particolarità di un problema di ottimizzazione. Sono troppo avidi per restare intrappolati in una soluzione locale. I metodi metaeuristici sono indipendenti dal problema. Possono fornire una soluzione accettabile senza garantire l'ottimalità8. Un concetto semplice può essere implementato facilmente per creare un algoritmo metaeuristico per risolvere rapidamente un problema complesso. Tali algoritmi possono essere applicati a qualsiasi problema di ottimizzazione senza alterare la struttura dell'algoritmo. Rispetto agli algoritmi di ottimizzazione basati sull'analisi, un algoritmo metaeuristico è esente da azioni di derivazione per trovare la soluzione ottimale. Pertanto, un problema in tempo reale può essere risolto da qualsiasi algoritmo metaeuristico in cui necessita solo delle informazioni di input e output del sistema9. Pertanto, i ricercatori stanno dando priorità allo sviluppo di algoritmi metaeuristici utilizzando concetti naturali come il concetto di evoluzione, il comportamento delle creature naturali e la procedura di caccia seguita dagli animali, e così via9,10,11.

Negli algoritmi metaeuristici, iniziano con l'esplorazione di nuove soluzioni e la loro trasmissione per sfruttare la soluzione migliore per un dato problema11. Nella fase di sfruttamento dell'algoritmo metaeuristico, viene prodotta una nuova soluzione basata sulla migliore soluzione disponibile nella popolazione. Pertanto, gli algoritmi metaeuristici utilizzano un processo di esplorazione e sfruttamento per evitare problemi di intrappolamento locale e convergere verso la soluzione ottimale. Inoltre, trovando un giusto equilibrio nelle fasi di esplorazione e sfruttamento di tale algoritmo, il problema dell'ottimalità locale dei metodi tradizionali può essere evitato12,13.