Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Un optimiseur de serpent amélioré multi-stratégie pour la planification de trajectoires de drones tridimensionnels et les problèmes d'ingénierie

Created by
  • Haebom

Auteur

Genliang Li, Yaxin Cui, Jinyu Su

Contour

Cet article propose un nouvel optimisateur de serpent amélioré multi-stratégies (MISO) pour remédier à la lenteur de la convergence et à la tendance à tomber dans les optima locaux de l'algorithme conventionnel d'optimisation de serpent (SO). MISO surmonte les lacunes de SO grâce à une stratégie de perturbation aléatoire adaptative basée sur une fonction sinusoïdale, une stratégie de vol adaptative de Levy basée sur les coefficients de taille et les leaders, et une stratégie de mise à jour de position combinant leadership d'élite et mouvement brownien. À l'aide de 30 ensembles de tests CEC2017 et CEC2022, nous comparons MISO à 11 autres algorithmes et démontrons ses performances supérieures en termes de qualité et de stabilité des solutions. De plus, nous appliquons MISO à la planification de trajectoire 3D pour les véhicules aériens sans pilote (UAV) et à six problèmes de conception technique afin de vérifier son applicabilité pratique, confirmant ainsi son efficacité.

Takeaways, Limitations

•
Takeaways:
◦
Nous présentons l’algorithme MISO, qui améliore efficacement les lacunes de l’algorithme SO existant.
◦
Améliorez la vitesse de convergence et augmentez la possibilité d’échapper aux optima locaux grâce à diverses stratégies adaptatives.
◦
A démontré d'excellentes performances dans divers domaines tels que les fonctions de test CEC2017 et CEC2022, la planification de trajectoire de drone et les problèmes de conception technique.
◦
Présentation de l’applicabilité pratique de l’algorithme MISO.
•
Limitations:
◦
Manque d'explication détaillée du réglage des paramètres de l'algorithme proposé.
◦
Des recherches supplémentaires sont nécessaires sur les performances de généralisation à travers différents types de problèmes.
◦
Une analyse plus approfondie est nécessaire pour déterminer si les paramètres optimisés pour un problème spécifique peuvent être appliqués à d’autres problèmes.
👍
Made with Slashpage