文摘

最近开发的启发式优化算法中的一种由Mirjalili蜻蜓。蜻蜓算法表现出了其优化不同的实际问题的能力。它有三个变体。在这个工作中,算法的概述及其变体。此外,杂化版本的算法进行了讨论。此外,应用程序的结果,利用蜻蜓算法在应用科学提供了以下地区:机器学习、图像处理、无线和网络。然后与其他相比metaheuristic算法。此外,该算法是2019年CEC-C06基准测试函数。结果证明,该算法有很大的探索能力和它的收敛速度比其他算法在文献中,算法和遗传算法等。一般来说,在这个调查中,算法的优缺点进行了讨论。 Furthermore, some future works that will help in improving the algorithm’s weak points are recommended. This study is conducted with the hope of offering beneficial information about dragonfly algorithm to the researchers who want to study the algorithm.

1。介绍

计算智能(CI)是最新的研究领域之一。CI是一组方法的灵感来自大自然。CI的基础技术是有用的解决复杂的实际问题时,传统的方法是无效的。模糊逻辑、人工神经网络、进化计算是CI的一部分。

进化计算主要包括组合优化问题的担忧,混合,或连续问题。进化策略和遗传算法是进化计算的例子。然而,这一领域的范围已经扩展到其他领域。

例如,群体智慧(SI)是进化计算的一部分。然而,SI-based算法的效率已经吸引了许多研究者在不同的地区,这使得如果成为一个单独的领域(1]。群算法产生低成本、快速、健壮的解决复杂实际问题(2]。在人口数量的代理形式SI-based技术。代理在人群中相互作用和他们的环境。性质(特别是生物系统)是一个伟大的灵感这些算法(3]。在SI技术中,代理实践简单的规则。总体控制结构不存在个人应该如何表现。代理之间的相互作用导致全球智能行为的披露,不知道代理(4]。最近,许多SI-based算法已经提出。它们中的大多数都是模仿蜂群和动物行为的性质。最受欢迎的SI算法包括提出的粒子群优化(PSO)进行肯尼迪和埃伯哈特(5]。算法可以算作一个显著的改善。它模仿鸟或鱼的学校的行为。一个粒子代表一个单一的解决方案,在搜索空间中的位置。此外,1990年代初,完成了他的博士论文在马克•多日优化和产品表面算法。在他的论文中,他检查了一个新奇的想法被称为一个蚁群优化(ACO)算法(6]。朱等人开发了猫群优化(方案)算法基于行为的猫(7]。灰太狼优化器(拥有)介绍了Mirjalili et al。8]。拥有模仿狼的捕猎行为。后,蜻蜓(DA)的优化算法由同一作者(9]。达主要是受狩猎和蜻蜓的迁移行为。另一个例子是差分进化(DE)算法(10]。德是直接搜索以人群为基础的技术,刺激了物种的进化。在[11),人工蜂群(ABC)。ABC模仿蜜蜂的行为。这个算法的结果证明它有均衡的开发和探索能力。健身提出了相关的优化器(FDO) (12]。FDO灵感来源于蜜蜂分群生殖过程。然而,它没有任何算法与人工蜂群算法或蜜蜂蜂群算法。相反,它是基于PSO。驴和走私者优化(DSO)算法在13]。DSO模仿驴的搜索行为。搜索和选择路线的驴被利用作为算法的灵感。萤火虫算法(FA) (14)是另一个metaheuristic算法。它模拟发光的萤火虫闪烁的行为和事实的沟通。FA算作是最强大的技术之一解决约束优化问题和np难问题。

metaheuristic算法的重要性,在许多应用程序中使用的原因,他们一直鼓励研究人员调查发表论文算法,例如,一个系统和荟萃分析的调查鲸优化算法(15]。在[16),新一代的调查metaheuristic算法提出了。另一个调查自然metaheuristic算法领域提出了规范的(17]。在[18),最近开发的修改布谷鸟搜索算法(CS)。CS最初由杨和Deb [19]。它模仿布谷鸟的育寄生行为种类和利用利维飞行动作的果蝇和鸟类。

最近群算法中的一种算法是蜻蜓。它已经成功地使用在许多不同的应用程序。DA发现产生竞争和有效的结果几乎所有使用它的应用程序。在2016年出版的算法后,直到工作结束在这个调查中,它被用来优化不同的问题领域。因此,本文将审查最近的蜻蜓算法的算法。

这项工作首先概述了哒。然后描述算法的变体。此外,杂化版本的算法与其他算法解决。此外,应用程序在应用科学领域进行了讨论。此外,DA和其他一些metaheuristics之间的比较。DA然后讨论的优点和缺点。达也2019年CEC-C06基准测试函数。此外,PSO、德和FA传统基准测试函数和结果并与所示的结果。此外,讨论和提出了DA的一些问题以及提供解决方案和未来的工作使算法更有效。最后,给出一个结论。

2。DA的概述

达是模仿蜻蜓的聚集行为。他们聚集的原因是移民或狩猎(动态群或静态群,分别)。在静态群,小群体的蜻蜓在捕猎其他昆虫的小区域。这种类型的行为分群包括当地运动和突然的变化。然而,在动态分群,数量巨大的蜻蜓创建一个组,朝着一个方向在很长一段距离20.]。前面提到的群集行为算作DA的主要灵感。静态和动态群集行为,分别符合的勘探开发阶段metaheuristic优化算法。图1显示了蜻蜓在静态和动态分群的行为。直接人工蜻蜓各种路径,采用了5个重量,重量(分离年代),对齐重量(一个)、凝聚力重量(c),食物因子(f),敌人因子(e)和惯性权重( )。探索搜索空间校准和使用低内聚的权重高,然而,利用搜索空间可以使用校准和高内聚低权重。此外,勘探和开发之间的转移,社区的半径扩大比例迭代的数量。调优群集的权重(年代,一个,c,f,e, )在优化过程中自适应另一种平衡勘探和开发。数学上,每个上述重量因素方程所示(1)- (5)。

雷诺兹(提到的分离可以计算为21]:

在方程(1),X显示位置为当前个体,X_j的位置是j^th邻近的蜻蜓,N是蜻蜓的各个邻国群的数量,然后呢年代表示的分离运动我^th个人。

方程(2)用于计算对齐9]: 在哪里一个_我对齐的运动吗我^th个人和V的速度吗j^th邻近的蜻蜓。

凝聚力是表示如下: 在哪里C_我的凝聚力我^th个人,N是附近的尺寸,X_j的位置吗j^th邻近的蜻蜓,X个人是当前蜻蜓。

吸引运动对食物计算如下: 在哪里F_我是食物的吸引力我^th蜻蜓,X⁺的食物来源的位置,X个人的位置目前蜻蜓。这里的食物是最好的目标函数的蜻蜓。

向外分散捕食者计算如下: 在哪里敌人的分散注意力的运动吗我^th个人,是敌人的位置,X个人的位置目前蜻蜓。

搜索空间的位置更新、人工蜻蜓用两个向量:向量Δ步X和位置向量X。速度矢量的矢量步是一个类比的PSO算法(5]。位置更新也是主要基于PSO算法框架。一步向量定义在[9)如下: 在哪里年代_我代表的分离我^th蜻蜓;一个_我是对齐的我^th蜻蜓;C_我代表的凝聚力我^th蜻蜓;F_我代表的食物来源我^th个体;E_我代表敌人的位置我^th蜻蜓;惯性权重;和t表明迭代计数器。

当矢量步计算完成后,开始位置向量的计算如下: 在哪里t表示当前迭代。

为了提高探索整个决策的概率空间的优化算法,随机移动需要添加到搜索技术。当没有邻近的解决方案是,增加随机性,随机的行为,和探索人工蜻蜓,蜻蜓都需要使用一个随机游走(Levy)在整个搜索空间飞行。

3所示。收敛和发散的

从强化过渡到多元化,蜻蜓应该自适应地改变他们的重量。这保证了收敛的蜻蜓个人在优化过程中。随着优化过程的进行,调整飞行路径,附近区域扩大;因此,在优化的最后阶段,群成为一组收敛于全局最优。到目前为止所发现的最好的和最差的解决方案成为食物来源和敌人,分别。这使得收敛和发散的承诺向外区和nonpromising区域搜索空间,分别。

4所示。变异的哒

达有三个变种。

4.1。DA简略的问题

在DA,初的优化过程中,随机创建一组解决方案。最初,人工蜻蜓的一步,位置向量分配给随机值之间的上下界限。每个蜻蜓的位置和矢量步应该更新在每个迭代中使用方程(7)或(8)和(6)。更新一步的位置矢量和矢量蜻蜓,选择附近的欧氏距离计算。位置更新直到会议结束标准。视觉1显示了DA的伪代码为单目标问题。

单一DA是最受欢迎的变体中DA的其他变体。

4.2。达二元问题

在二进制搜索空间,位置矢量可以0或1。因此,搜索代理不能更新的位置添加一个一步矢量位置矢量。用传递函数是最简单的方法将连续SI技术转换为二进制算法(22]。传递函数以速度(步骤)值作为输入,并返回一个0和1之间的数字输出,这表明改变个人的位置的概率。类似于连续函数优化,模拟与大颗粒速度突然变化。使用二进制问题的DA (BDA),方程(8)使用22]:

方程(8)是用来计算概率的变化位置的人工蜻蜓。方程(9)更新位置然后创建更新搜索代理的位置在二叉搜索空间: 在哪里r在[0,1]是一个数字。

在汇业银行,它是假定所有的人工蜻蜓都在一个群。因此,汇业银行模拟自适应优化勘探开发的群集因素(年代,一个,c,f,e)和惯性权重( )。视觉2提出了BDA的伪代码。

4.3。达的多目标问题

多目标问题有多个目标。多目标问题的结果是一组被称为帕累托最优设置。集包含最好的目标之间的权衡(23]。

为了使用DA处理多目标问题(MODA),首次提供存档保存和检索过程中最好的帕累托最优解的优化。更新位置,选择食物来源的存档,其余的位置更新过程的DA是一样的。

类似于多目标粒子群优化算法(MOPSO) (24),观察传播帕累托最优面前,选择食物来源从最稠密的地区生产的帕累托最优。在文化节,这是通过寻找最坏的和最好的目标当前的帕累托最优解决方案。此外,超球面覆盖所有解决方案的定义,然后在每个迭代中,超球面分为sub-hyperspheres相等。当段创建一个轮盘赌机制有以下概率每段是用于选择过程25]: 在哪里c是一个常数和大于1吗是帕累托最优解的数量获得的吗我^th段。方程(10)给MODA更高的概率选择人口较少部分的食物来源。

另一方面,从档案选择捕食者,最糟糕最密集的超球面被选中,这样人工蜻蜓nonpromising区域周围禁止搜索。轮盘赌选择过程的机理与使用概率如下: 在哪里c是一个常数和大于1吗是帕累托最优解的数量获得的吗我^th段。

在方程(11),使用轮盘赌机制,最拥挤的超球面有更高的概率被选中为敌人。防止档案完整,如果至少有一个存档住宅占主导地位的解决方案,那么它应该不允许进入档案。然而,帕累托最优解由解决方案应该从存档和删除解决方案应该被添加到存档。如果档案已满,那么一个或多个解决方案可以从最密集的部分(25]。除了DA的参数,这种款式有两个参数:一个用于定义超球面的最大数量,另一个参数来指定档案大小。MODA提出了视觉的伪代码3。

5。杂化版本的达

metaheuristic上下文,杂交是指合并两个或两个以上的强大特性算法为了提供一种新的强大的算法特点的基础上合并的(26]。在下面几节中,讨论了DA的杂交版本。

Ranjini和基于26结合PSO的一些特性和DA和产生一个名为基于内存的新算法混合蜻蜓算法(MHDA)。在MHDA,两个更多的功能被添加到DA完善其性能。(1)添加内存观察可能的解决方案。这个内存在汇聚全球最适条件有很大的作用。添加内存时,每个蜻蜓个人将能够跟踪的相关问题空间,这是有关健身的价值。PSO算法,这是命名为p最好的。最好的健身价值在每个迭代中是相对于当前的搜索代理的健身价值。因此,DA -p最好是从better-saved创建解决方案。蜻蜓个人最好的价值还能跟踪到目前为止任何蜻蜓在社区成立。这是类似的概念在算法。在这里,DA -用于存储的最佳值。开发的功能增强了DA这两个新概念:p最好和 。内存特性给出了一个更大的性能与传统的算法相比,逃离当地的权力最适条件(27]。

(2)迭代级杂交PSO保存方案的设置上运行。提高性能优化的迭代级杂交方法,两种算法执行迭代序列(28]。来扩展搜索空间和收敛于一个更有前途的领域,与内存使用DA,然后前面有限面积利用使用算法来找到更好的解决方案。

因此,MHDA达到全局最优解,DA的勘探特点在初始阶段,PSO在最后阶段的开发特性的总和。视觉4显示了MHDA的伪代码。MHDA性能优越的单峰函数显示算法的收敛速度和准确的多样化。算法的结果显示竞争算法的性能,并可用于优化难题。

因此,与原来的DA相比,混合algorithm-MHDA表现出更好的性能,因为MHDA勘探开发功能之间提供良好的稳定性提供的DA算法,分别。然后,p最好和使用DA - PSO的初始化p最好和DA -矩阵,分别。

位置和速度方程的算法被修改如下: 在哪里和是p最好和在算法,分别k群的大小。

在[29日],DA是结合一个极端学习机(ELM)克服了基于问题的梯度算法。在这个技术来优化选择隐层的偏见,DA使用。使用DA,榆树的总体性能改善。DA-ELM预计的融合在一个小的迭代次数。此外,过度拟合的问题在传统的榆树是克服使用DA-ELM模型。结果表明,一般DA-ELM GA-ELM和PSO-ELM可能有好的表现。也是研究DA具有良好的搜索功能空间自适应能力和避免局部最小值的显示其能力可能导致过早收敛。此外,它是证明了DA最小均方根误差显示DA找到最优的特征组合的能力减少预测误差。在某种程度上,DA的平均计算时间也兼容算法和遗传算法。使用一千次迭代模型提出的比较和训练。

优化过程,RMSE检查作为适应度函数和迭代次数作为标准来阻止这个过程。参考的范围30.)提出了一个混合版本的蜻蜓算法与支持向量回归(SVR)的在线电压稳定评估。参数选择在SVR高度会影响其性能。SVR的重要参数包括惩罚参数C,无灵敏度系数ε和内核参数。采用DA在SVR参数设置,改进技术的性能。培训检查模型(DFO-SVR)作为输入,产生的电压大小从PMU公共汽车被用于各种操作条件和电压稳定指标的最小值(VSI)作为输出变量。三个统计指标用于评估DFO-SVR模型。这些统计指标相关系数(R),均方根误差(RMSE)和均方误差的比例(PRMSE)。

参数(C,γ,ε)[1000],[0.0001 - 0.1],和(0.1 - 1)。最优解的值C,ε,γ这项工作参数如表所示1。

产生的结果证明,该模型具有良好的预测性能。

根据文献[31日)确定一个适当的集群半径需要生成模糊规则。在这个工作中,集群的半径是0.2和0.5之间。的预测输出系统IEEE 30-bus和阿尔及利亚的家系统比较实际的使用DFO-SVR简称ANFIS技术,分别。产生的结果证明这两个系统的性能预测是更好DFO-SVR技术相比,简称ANFIS技术。

在文献[32),一个混合版本的二进制蜻蜓算法增强粒子群优化算法求解特征选择问题是检查。该方法称为混合二进制蜻蜓增强粒子群优化算法(HBDESPO)。DA获得多样化的解决方案的能力和增强算法能够收敛到最佳的全球解决方案产生了一种混合算法更好的性能。在研究混合动力技术,使用双重探索和过度开发是可以避免的。在HBDESPO技术,独立参与算法的速度更新。再在这个检查系统,邻居(资讯)作为分类器,以确保训练数据的鲁棒性,达到更好的功能组合。该算法从UCI标准数据集20日测试库。数据集被分为三组:测试,验证,和培训。的价值K在资讯被分配到5基于试验和错误。

训练集用于评估验证设置通过使用上的资讯提出技术建议特征选择过程。最后评价最好的提名特性,使用训练集。这个工作方程所示的最小化问题(14)。优化器的设置和全球的具体参数如表所示2。 ER (D)是分类器的错误率,R代表所选特征的长度,C显示功能的总数。β和是常数控制重量最小化分类精度的特性。

拟议的技术与二进制DA的结果(9)和增强的算法(22]。从这个研究工作,得出检测算法可以提供高分类精度,同时保持特征选择的比例最低。此外,小型健身价值观达成和跨各种算法使其稳定运行。也得出结论,标准差的值反复观察算法的鲁棒性,因为它可以收敛到一个类似的解决方案。

在DA,过多的社会互动可以减少解决方案的准确性,容易陷入局部最佳状态,并导致剥削和探索之间的不平衡。控制这些不足,在文献[33),DA与Nelder-Mead算法的一个改进版本合并(INMDA)。杂交的原因是使地方探险的强大的能力,防止陷入局部最佳状态。INMDA由两个阶段组成。首先,搜索解空间,哒利用,给了个人所需的多样性找到全局最优解。第二,改进版本的Nelder-Mead(立即通知)单纯形法是利用找到最好的和最差的点并计算人口重心。立即通知的主要特性之一就是人口的重心是用于更新这个职位。这提高了跳出当地的最适条件的可能性。的效率提出了技术使用19无拘无束和13个大型基准函数测试维度30,500年和1000年,分别。表3显示了INMDA的参数设置。在表3,t当前迭代和代表T是迭代的数量。

简略的功能,提出技术相比于其他算法,如基于内存的混合蜻蜓算法(MHDA),哒,PSO和最近SI-based优化算法,如氧化铝,WOA。对于每一个优化算法,30独立运行。代理和迭代的最大数量的数量是30和1000年,分别在文献[26]。炸人的测试函数和Wilcoxon等级和使用统计测试的意义19无约束基准测试函数的实验结果。结果显示的性能提出了解决高维问题的工作与其他算法相比,DA和MHDA等,虽然它们不能用于解决高维问题,因为他们很容易遇到“维诅咒。“工作得出结论,INMDA拥有优越的性能比较的其他算法。增强的开发和探索功能使用反向学习技术生成的这个伟大的表现。

此外,为增强的性能优化哒,文献[34达的)研究了一种改进的版本。拟议的DA是基于指数函数自适应步骤和精英反对学习策略。精英的个人提出了构建学习使用精英反对相反的解决方案。搜索区域的范围扩大利用提到的技术,这是用于改善全球探索DA的能力。此外,替换原来的随机步骤,一种自适应指数设计步骤。改进的工作被任命为蜻蜓基于精英反对学习和指数函数自适应措施(EOEDA)。背后的原因这一修改,DA有时有问题来解决复杂的优化问题和容易陷入局部最优,收敛速度很低。结果证明EOEDA最好收敛精度和收敛速度更快。

在文献[35),使用一种新的混沌蜻蜓算法所选择的不同特征(CDA)。在CDA,搜索迭代的DA合并成混乱的地图。修改运动的主要参数哒,十个混乱的地图是用来改善DA的收敛速度和效率。该方法被用于从药物选择特征提取的数据集银行数据库,6712种药品。553年这项工作,biotransformed药物使用。该方法是利用评估肝毒性的药物。提出的模型中,一般来说,包括三个阶段:数据预处理、特征选择和分类阶段。在第二阶段,CDA是利用的特性。事例的分类器是用来测量的美好选择的特性。表4提出了CDA的初始参数设置。

此外,使用三个不同的实验检测技术评估。结果证明,使用混沌映射与蜻蜓算法产生更好的结果。另一个实验是由比较CDA的性能与高斯地图混乱不堪的七个方法优化,即算法,ABC,拥有,CSA, SCA, SSA和方案。表5显示了算法的参数。结果证明,CDA提供了一个更好的分数在大多数情况下。然而,CDA提供最低稳定。在大多数情况下另一方面,检查价值证明统计结果产生重要,显示CDA比较上述算法的优越性。检查所选特征与各种内核方法使用支持向量机分类器。结果显示CDA与其他技术相比的优越性。此外,在计算时间方面,它是指出,计算时间减少在使用CDA的特征选择算法和最小的时间明显比原始哒。

Khadanga et al。36)提出了一种方法来控制频率在一个坐落AC微型智能电网"(毫克)。MG是由整合各种资源,如风力发电、可再生能源,太阳能发电。在这项工作,ABC与DA合并。背后的想法混合ABC / DA(已经)合并的勘探和开采能力达与ABC的探索能力。拟议的技术包括三个部分:动态和静态群集行为DA和两个阶段的全球搜索在ABC。全球搜索是通过第一个组件(DA阶段),本地搜索是通过第二个组件(旁观者阶段),第三个完成全球搜索(修改侦察蜂阶段)。

所有的参数从原始DA和ABC适应合并后的技术有一个参数,这是概率。概率参数被用来平衡蜻蜓蜜蜂阶段和旁观者蜜蜂阶段。它也是利用平衡勘探开发。概率参数被设置为0.1进行实验的工作,这是基于另一个实验确认。考虑过D维的解决方案和人口规模N。观察最坏的情况下,迭代过程的时间复杂度的杂化技术分析如下:在第一阶段,主操作创建一个初始种群和时间复杂性O(ND)。在第二个阶段,停止标准判断和时间复杂度O(1)在第三阶段,兰德参数的值是判断。如果兰德比概率小,然后执行蜻蜓蜜蜂阶段,执行其他旁观者蜜蜂阶段,然后执行侦察蜂修改阶段,时间复杂度O(N)。在第四阶段,解决方案更新,时间复杂度O(N)。在第五阶段,继续迭代,回到第二步。因此,研究技术的复杂性O(ND)。50个迭代被用来计算混合动力技术的性能。

在收敛速度方面,结果证明比较原始DA和ABC拟议的技术提供了更好的性能和在某些情况下结果比较。另一个贡献,检查技术被用来训练多层感知器(MLP)神经网络。结果表明,在收敛速度方面,实现最好的最优值,精度,并避免局部最小值,提出混合动力技术是一个更好的教练mlp的原始版本相比,参与算法。

6。应用程序的

由于DA的力量,巨大的应用科学研究应用程序进行。例如,机器学习,图像处理、无线和网络应用程序和其他地区。在本节中,我们提出在上述地区蜻蜓算法的应用。的目的使用DA在各领域的应用和结果如表所示6。

6.1。图像处理

在[37),两个关键关键因素对传统船舶分类、分类器设计和特征选择,连接在一起,一种新颖的船舶分类模型称为BDA-KELM分类为高分辨率合成孔径雷达(SAR)图像提出了。蜻蜓在二进制算法搜索空间在这个工作是用作搜索技术。适应度函数,预测的准确性的后续分类器使用。Wrapper-based方法需要太多的计算时间;为了克服这个缺点,内核极端学习机器操作的基本分类器和DA帮助寻找最优参数设置(内核参数和惩罚因子)凯尔姆经常和最优特征子集的特征同时候选人。集成选择特征和分类器设计的基础上哒BDA-KELM简单。实验是基于Terra SAR-X SAR图像进行的。培训,60%的样本使用,其余的被用作测试数据集。相同的数据集是用于船舶分类使用最流行的模型分类(资讯、贝叶斯反向传播神经网络(BP神经网络)和支持向量机(SVM))。进行了许多实验使用不同的分类模型。 For each model, the evaluation metrics were computed to prove the superiority of BDA-KELM. Each experiment was run 10 times. To evaluate the proposed model several evaluation metrics were used. They include recall, precision, and F₁分数。分类结果证明了该模型的准确性,为97%。因此,研究技术分类的性能比检查技术在文献中。

直方图的阈值是一种技术,它被广泛用于分段灰度图像。然而,对于彩色图像,它不是微不足道的,因为其多级结构(38,39]。由于这个原因,在40),作者试图解决这个问题通过使用一个蜻蜓优化算法进行多级细分(SADFO)彩色眼底图像。多级细分的问题是显示为一个优化问题,DA是用于解决它。的阈值优化彩色眼底图像的彩色通道有效地探索解空间,发现全球最佳解决方案。卡普尔的熵用于拟议的技术。结果证明该方法产生更好的结果相比,分割后改变图像灰度。

在医学图像,水印是一个热门话题,给了胶囊包裹的安全密码的图像。Hemamalini和纳41)检查一个强大的水印技术,取决于像素的重量。确定有效的水印像素,离散小波变换(DWT)是用于提取高频乐队。DA用于选择有效像素沿着目标函数基于边缘水平,社区力量,梯度能量,和小波能量(ENeGW)像素。医疗视网膜图像被用于实验和病人数据被用作水印。在性能指标方面,这项工作进行了比较分析。使用的指标相关系数和峰值信噪比(PSNR)。在这个工作,这是观察到的相关系数值检查技术与其他技术相比,随机选择等算法,遗传算法,是更大的。拟议的工作获得了0.936719的速度相关的随机噪声,0.974479对于椒盐噪声,和0.983073的旋转噪声。同样,峰值信噪比的结果检查,提高了蜻蜓技术在随机噪声的存在下,盐和胡椒噪音,和理性的噪音更大,他们62.39155 dB, 62.95912 dB,分别和63.02815分贝。然而,对于已经存在的方法,如随机选择,PSNR值的值对噪音59.59593 dB, 61.48404 dB,和59.87195 dB, PSO的PSNR值60.20927 dB, 61.63731 dB,和60.53219 dB,分别和遗传算法的PSNR值59.62668 dB, 61.46258 dB,分别和59.90074分贝。

Połap和Woźniak42蜻蜓)用来探索这些像素的像素在图像和评估代表对象的重要组件。因此,这种技术是检测模型寻找有趣的特性。在这项工作中,适应度函数是模仿工作作为一种检测工具选择像素相关物体的形状。在每个迭代中,个体在给定人口适应环境进行评估。在图像中,不幸的是,在许多地方基本搜索领域可能有所不同。因此,一组树功能检查。检查结果bioinspired萃取技术表明,利用适应度函数的不同组件导致不同选择的关键点。这是因为图像的不同方面都集中在不同的组件。从这个工作,得出结论,提出技术帮助有效和快速的从图像中提取对象。

6.2。机器学习

支持向量机的参数,如内核和惩罚参数对精度有很大的影响和分类模型的复杂性。为了减少分类错误(43),蜻蜓优化算法被用于支持向量机的参数优化。内核和惩罚参数的值被DA的使用训练数据训练支持向量机。处罚的范围搜索范围参数的支持向量机C_最小值= 0.01,C_马克斯= 35000,搜索范围的界限σ是σ_最小值= 0.01,σ_马克斯= 100 (44]。在这部作品中,解决方案的数量对计算时间的影响和测试错误率。

如数据所示2(一个)和2 (b),得出增加解决方案的数量降低了误分类率。然而,计算时间。除了蜻蜓的数量,同时也证明了一代又一代的数量也对测试错误率和计算时间的影响。增加生成的数量减少了出错率在一定程度上扩大后的一代没有进行任何更改错误分类的错误率。此外,计算时间增加越来越多的几代人。

测试数据集,这个提议中使用非参数魏克森讯号等级测试工作。然而,为了测试估计错误率,使用10倍交叉验证。

此外,结果表明,DA + SVM的分类错误率低于在PSO算法+ SVM算法(45]。原因是DA参数可以改变迭代,而算法参数是固定的,他们必须设置。因此,DA自动做出最好的开发探索之间的权衡。此外,相比,支持向量机算法(GA +46),在大多数情况下,DA-SVM产生较低的分类错误。

两个数字的数据2(一个)和2 (b)从[43),这是显示为数字。

Hariharan et al。47)提出了一种结合小波技术分组功能和改进版本的二进制蜻蜓优化(IBDFO)算法特征选择,用于分类各种信号类型的婴儿哭了。哭的信号是来自两个不同的数据库。每个数据库包含许多不同的样本哭的原因,如表所示7。在梅尔频繁Cepstral系数(MFCC)(16功能),线性预测编码(LPC) Cepstral特性(56),小波包变换的能量,和非线性熵提取(496特性)。IBDFO算法被用来克服维数问题和选择最突出的特征。wrapper-based特性提出了技术和各种类型的婴儿哭是机密。极端学习机内核使用分类器,利用和高度信息的特性。新的更新机制和精英主义被添加到基本二进制蜻蜓优化算法(BDFO)哭时提高其性能优化特性。指出,通过使用一个两级实验,识别精度的百分率IBDFO BDFO相比提高很好。

发现IBDFO使用七类实验的成果比通过使用其他技术(改进的二进制蜻蜓(IBDFO)优化算法,遗传算法,和PSO)。结果表明,特征选择和提取技术的结合提供了更好的分类精度。

在文献[48],DA-based利用人工神经网络(ANN)模型来估计印度的主要燃料的需求。两个多层前馈网络。每个网络处理输入、输出和隐藏层和DA每个网络训练。随着网络社会经济指标,例如,人口和人均国内生产总值(GDP)。ANN模型的连接权值进行优化通过搜索问题空间有效地找到全球最佳解决方案。模型提出了工作要求作为输入的预测,然后主燃料需求预测。预测到2025年是与回归模型相比,预测的准确性是计算平均绝对百分比误差(日军)。这项工作表明,该模型比现有的回归模型更准确。

波长选择是一个值得注意的问题的预处理近红外(NIR)光谱分析和建模。陈和王49)检查新技术基于二进制蜻蜓的波长选择算法,由三个典型的框架:multi-BDA, single-BDA,总体上优于BDA设置。这是发现,对于上述问题,使用binary-BDA可能导致不稳定。然而,总体上优于汇业银行和multi-BDA技术可以提高稳定性。在这里,关键技术是减少汇业银行固有的随机化。此外,multi-BDA较高的计算复杂度比总体上优于BDA主要影响了适应度函数的计算。上述技术的性能验证,公众汽油NIR光谱数据集被利用。目的是观察最具代表性的波长预测辛烷的内容。BDA的参数的值列在表中8。结果证明,像传统的群优化技术,汇业银行可以用来处理波长选择问题。

之间的区别multi-BDA single-BDA是投票策略是用于聚合的波长选择以期搜索的结果。从这个实验中,发现通过调整投票的百分比值(副总裁),选定波长的数量可以控制。很明显,有一小部分选定的波长会导致减少性能的定量分析模型。

此外,在波长使用集成学习方法的选择和汇业银行技术在汇业银行之前,认真引导取样发电机被补充说,这种技术的主要区别和multi-BDA。在这个工作中,结果表明,虽然使用引导抽样样本的大小减少,定量分析模型的性能与特点选择相邻的multi-BDA方法。因此,使用这种技术有助于减少计算复杂度。

过滤器设计领域的无限脉冲响应(IIR)主要取决于参数的常规选择过滤中一个巨大的可能的组合。系统识别问题需要利用自适应IIR滤波器系数通过使用一种新的算法,直到它相当于检查身份不明的系统和自适应滤波器。滤波器的设计对于一个问题取决于发现最优的一组参数未揭露的模型,它是一个与过滤的参数密切对应基准。在文献[50),DA被用来设计基于IIR滤波器,而不是使用梯度方法,如最小均方(LMS)。利用DA阻止定位在当地的最适条件,可以评估系数接近实际值,最小均方值被发现。此外,结果证明DA对算法的优越性,全封闭,英航来解决上述问题。

互联网的车辆(IoV)是利用车辆一起交流。作为车辆节点通常被认为是在移动,因此它使周期性拓扑的变化。主要问题是由这些变化引起的,如可伸缩性、最短路径路由和动态拓扑的变化。聚类是一种解决这样的问题。Aadil et al。51)提出了一种新的方法称为dragonfly-based聚类算法(CAVDO)关注IoV拓扑结构的可伸缩性。此外,流动意识到动态范围传播算法(MA-DTR)被用来传输范围适应基于交通密度。拟议的工作比较全面的学习算法(CLPSO)和蚁群优化。结果证明,在许多情况下CAVDO表现更好。高密度的CAVDO表现得更好,在中等密度平均,在低密度表现最差。然而,CLPSO只在一个非常低密度表现良好。

6.3。无线和网络

dae和胫骨52]利用一只蜻蜓算法在两个场景:(a)预测节点随机部署在一个指定区域的位置和(b)本地化不同噪声比例距离的测量(Pn)。在这两种场景中,本地化是模拟使用PSO和哒。在第一个场景中,如图3的仿真结果表明,基于范围定位不同Pn蜻蜓可以产生更少的错误。在第二个场景中,另一方面,使用不同数量的未知节点的定位;仿真结果证明了真正的和近似节点之间的距离由DA和PSO增加与Pn的增加(见图4)。

在无线电频率识别(RFID)网络中,为了改善能源效率,最大化网络的生命也应该最大化通过最小化能量RFID阅读器和平衡的使用能源的使用网络中每一位读者。扩大RFID网络生命周期、DA在文献[53)开发集中和protocole-based节能集群。一个高能量节点作为簇头;这投入更少的能量而聚合数据传输到基站。要求残余能量接收数据从整个读者被定义为一个阈值。剩余能量较高的读者比阈值成为簇头。

两个数字的数据3和4从[52]。

所有集群之间的最优簇头选择使用蜻蜓集群。拟议的工作减少集群通过选择簇头破损,有类似的流动性但高剩余的能量。避免集群破损降低消耗的能量。此外,集群中的冗余数据避免了头通过聚合数据。因此,与现有的方法相比,在RFID网络,提高效率。选择集群头部和形成的算法步骤如下所述:步骤1:初始化标签和读者在网络R_我步骤2:将潜在的分数(能源和流动性)分配给每个标签节点和读者。第三步:寻找阈值通过发送读者对基站的能量水平。步骤4:如果R_我>的值阈值,则跳转到步骤5其他步骤6第五步:更新读者作为合格的簇头第六步:读者在网络更新剩余的读者第七步:分离、对齐和凝聚力计算合格的网络使用方程(8)- (10),分别第八步:添加第7步中找到的值步骤9:选择的值在步骤8“最佳头”如果是高第十步:其他价值网络中的“成为普通读者”步骤11:集群形成的目的

在云环境中,保持稳定的处理多个任务是一个困难的问题。因此,需要一个负载平衡方法将任务分配给虚拟机(vm),而不影响系统的性能。Kumar et al。54)为负载均衡提供了一个方法,命名为一个分数蜻蜓负载平衡算法(FDLA)。在提出两个选择概率和部分DA检查工作。FDLA通过整合实现分数微积分(FC) DA位置更新的过程。方程(15)是位置更新方程提出了工作。某些参数的物理机器使用的检查模型(pm)和虚拟机选择功能的重新分配虚拟机的负载平衡。概率是用来选择的任务。任务选择概率(TSP)和虚拟机选择概率(VSP)。检测技术是基于目标函数的三个目标,例如,虚拟机的负载,任务迁移成本和vm的能力。目标是最大化方案的健康。参数的值用于拟议的工作如表所示9其中Y(t−1),Y(t−2)Y(t在迭代(−3)代表个人t−1),(t−2),(t−3),分别为和 表示向量的步骤。

三个不同的技术与检测技术。其他技术的粒子群算法(55),蜜蜂Behaviour-inspired负载平衡(HBB-LB) [56],哒(哒应用而不是FDLA平衡负载)。

这是观察到检查工作提供了一个最小的负载分配14任务。因此,提出FDLA获得最大的性能比其他技术。和任务的数量从27个减少到14使用FDLA相比,PSO和HBB-LB。

7所示。达和其他算法之间的比较

在文献[57],鲸鱼优化算法(WOA) moth-flame优化(MFO)和DA进行比较。在提到的引用,这些算法实现检查分布式发电的最优规模和位置在径向分布系统减少网络中的功率损耗。为此,multiple-DG单位分配的同时,分析了考虑两个负载功率因素,即。、团结和最优。总线系统69年和119年被用来测试算法。四种不同的情况下,被用来进行模拟,如表所示10。

上述优化算法的性能情况下,1,2,3,4证明MFO算法显示它的优越性而WOA哒。早些时候表现的更好和聚合所提到的目标函数。

Parmar和Darji58MFO]使用DA, WOA优化非线性和随机优化问题。这个工作是找到最优的解决问题能力定价和分配能力两个个体之间的电力市场。市场在不恒等的设计,与他们联系。市场的能源市场之一,而第二个capacity-plus-energy市场。这个问题的目标函数是最佳分配能力代公司(genco)的方式分配能够增加一般收入。同样地,独立系统运营商(ISO)获得能量和能力;因此,它可以降低采购成本。本文发现genco最大值的收入,价格的能力,以及ISO的最小值与召回成本的采购成本增加,召回事件的概率和负荷预测误差。此外,得出各种算法所需的各种数据的迭代收敛。值得一提的是,所有的算法被证明它的优越性对检查问题。

Wongsinlatam和Buchitchon59)关注案件分配有很大影响改善司法系统的效率。司法系统高度的能力取决于法院的时间和操作的效率情况。在这个工作中,一个混合整数线性规划(MILP)被用来检查司法法院的案件分配问题。分配问题目标包括在内N情况下应分配的米团队,每个团队有能力做所有的病例。然而,由于规范,个人能力,和工作在其他情况下,团队需要花费不同的时间最大化或最小化分配问题的目标。找到分配问题的最优解DA和足总。两个问题检查,显示为均匀分布的问题,例如,问题一(P1):有效性率(μ_我)=(90),下界(l_l)=(30),上界(U_我)=(90),和两个问题(P2):有效性率(μ_我)=(90),下界(l_l)=(1、60)和上限(U_我)= (90)。产生的结果证明了DA要求更少的CPU时间找到最优解和平均偏差百分比的最大化与FA有效性。

结果表明,对50例和3正义团队实验参数P1 (50:3、4、5)P2 (50:3、4、5),DA的结果相比优越的。

在文献[60],哒,蛾火焰(MFA),和拥有技术进行优化电容器的最佳坐在不同的径向分布系统(rds)。损失的因素敏感性被认为是确定候选人的公交车。验证了优化技术的效率和有效性33 - 69,和118 -总线rds被认为是。本研究的主要目的是减少功率损耗和电压概要增强总成本。上述优化技术的结果后来与PSO相比证明技术的优越性。确保平等比较技术的结果,同样的初始种群选择MFO,哒,拥有和PSO 33-bus分布系统。结果证明DA,拥有和MFO-based优化方法优越得多而PSO-based技术而言,少量的迭代和收敛时间进行研究。

此外,MFA - DA和MFA-based优化显示更高的收敛速度69 -总线分配制度情况。然而,算法能够确定最优规模和电容器的坐在33-bus系统,但是它找不到最优解69 -公交系统准确。指标用来评估算法的性能如表所示11。

此外,这三个算法哒,拥有,并使用统计测试MFA进行评估。参数设置是实现为最初的引用。此外,35个迭代,人口规模是20,每个算法运行针对每种情况的30倍。提到的评价结果的算法,这是观察到哒,拥有,MFA有一个可容忍的均方根误差(RMSE)。然而,对其他两种技术,拥有证明它有最佳值。此外,DA的稳定性,证明了拥有,MFA的标准偏差值(STD)。

8。的优点和缺点

达是最近开发的算法之一。如文献所示,它被用来优化各种不同领域的问题。的原因之一,该算法已经能够为不同的应用程序是非常简单,容易实现。可以看出,它适合应用于不同的领域。此外,选择档案的捕食者,最严重的(最密集的)超球面可以防止人工蜻蜓nonpromising区域周围寻找。此外,有几个参数调优是DA的另一个优点。此外,算法的收敛时间是合理的。在其他优化算法,它是坚固的,容易与其他算法可以合并。

另一方面,它没有一个内存,可以导致过早收敛到局部最优。克服这种缺点在文献[26)提出了一种新颖的基于内存的混合蜻蜓算法(MHDA)。此外,DA很容易卡到当地最适条件,因为它有一个高开采率。利维飞行机制是利用模型的随机飞行行为蜻蜓。利维飞行的缺点是满溢的随机搜索区域和中断的航班由于其大搜索步骤。

9。结果和评价

在最初的研究中,三组的古典基准函数被用来测试算法的性能。组是单峰(F₁- f₇),多通道(F₈- f₁₃),综合测试函数(F₁₄- f₂₃)。此外,Wilcoxon ranksum测试函数被用来显示结果统计学上的意义,如表所示12。F的结果₁- f₁₉在表中12和13从最初的研究工作。然而,这项研究的作者工作已经测试了F PSO和DA的结果_20.- f₂₃在这两个表。不过,德和FA所有基准测试函数(F₁- f₂₃)的作者。

如表所示13为单峰测试函数,一般来说,FA的结果和德比DA算法。这证明了FA和德的剥削和更大的收敛速度优于DA算法。另一方面,在PSO相比,DA显示优越的结果。此外,上述引用的结果在这个研究工作证明了DA的高收敛速度。见文献[59)、DA和FA同样被用来优化问题。达的结果优于足总。

此外,多通道测试函数的结果证明的高勘探哒,这有助于在搜索的搜索空间。尽管如此,德的结果,一般来说,是更好的在这一组的测试函数。

综合测试函数,英足总显示优越的结果比较其他算法。达有四个第三名。这是优于PSO和比其他两个。这意味着FA的勘探和开发的平衡算法优越。的原因是探索DA高于开采率。

统计测试函数,DA的结果和算法。如表所示12,的单峰测试函数值小于0.05,这意味着结果是显著的。对于大多数的多通道测试函数,如表所示,结果是显著小于0.05。此外,算法的统计结果和DA的综合测试函数是重要的和小于0.05。

在最初的研究中,DA不是评估大规模使用CEC-C06基准函数优化问题。对于大多数的现实问题,时间并不重要一样提供一个准确的答案。此外,在现实中,人运行多个轨迹的算法。这意味着用户试图找到最成功的技术场景的时间无关。100 -位的挑战也称为“CEC-C06基准测试函数”数量优化过程的检查这个功能(61年]。在这个调查中,该算法使用CEC-C06 2019测试函数进行了测试。2019年利用CEC-C06测试函数如表所示14。所有的CEC测试函数都是可伸缩的。此外,CEC04 CEC10移动,旋转,这些功能设置为10的最小化问题维度;然而,CEC01 CEC03不是转移和旋转和这些函数有不同的维度。

自原始论文的结果DA算法比较,因此结果CEC-C06 DA的测试函数将与PSO相比。100次迭代和30剂被用于两种算法。这项研究的结果发表在表15。如图所示,两种算法的结果比较CEC03 CEC10。然而,DA CEC01提供更好的结果,CEC02, CEC06;在其余的CEC函数算法的结果是更好的。

CEC-C06 2019基准函数的结果证明了DA算法可以用来解决大规模优化问题。

10。讨论和未来的工作

与其他进化算法和类似于群集技术,DA算法有一些参数调整,这使得它更容易实现的算法。它提供了一个良好的优化能力。证明了在上述引用,DA已成为一个强大的metaheuristic算法在大多数情况下解决复杂的问题。它还提供了一个良好的收敛对全球最适条件。此外,该算法的优势和有效性证明了利用这一技术的应用程序。

达使用低内聚的重量和高对齐探索搜索空间。利用搜索空间,另一方面,使用校准和高内聚低权重。另一种方法来平衡勘探开发调优云集重量(年代,一个,c,f,e, )自适应优化过程中。开发和探索之间切换,周围半径的扩大比例可以使用迭代数。对于小型和中等规模的问题DA通常可以产生良好的结果。对于大规模问题,然而,它需要更多的提供。

用户可能面对的困难之一的DA那个位置更新和人口重心算法的不相关。这可能导致捕获到当地的最适条件和困难在寻找全球最佳状态和较低精度的解决方案。(所18),布谷鸟算法的性能改善的引用通过改变征收飞行机制。因此,测试其他策略而不是征税的飞行在DA强烈推荐。

此外,勘探和开采DA算法主要由对齐、分离、凝聚力、吸引力对食物来源和干扰对敌人的来源。这种技术改进方案的多样性和导致算法的探索就会变得更强。然而,算法的性能下降与很多运营商的勘探和开发,因为他们导致的收敛时间和增加捕捉到当地的最适条件。如前所述(33),对于复杂的优化问题,DA容易落入局部最适条件和收敛速度很低。然而,对于简单问题,静态的群集行为增加DA算法的勘探水平,有助于避免当地的最适条件。此外,增加迭代次数将导致剥削程度高,增加准确性找到近似全局最优。

此外,评估前一节中的算法证明了达可能在某些情况下平衡勘探开发中存在的问题;这是因为达高的探索。在早期的步骤优化过程中,高速率的探索是好的;然而,它应该减少的最后步骤流程和开发率应该增加。相反,单峰测试函数的结果和结果的审查研究工作证明上的收敛算法的简单到中等问题。

为了克服算法的瓶颈,这是杂化与其他算法。例如,MHDA克服过早收敛的问题,提出了当地的最适条件。尽管事实DA及其杂化版本能够提供良好的结果在解决复杂的优化问题,一些缺点依然存在。在蜻蜓算法,吸引力对食物和分散的敌人提供高容量的勘探开发在优化技术。然而,位置更新的相关规则的DA重心从上一代的人口更少。因此,这可能会导致一个解精度较低,过早收敛到当地的最适条件,和困难在寻找全球最佳状态。因此,研究鼓励发现新技术更新蜻蜓的位置。此外,另一个点,将有助于提高算法平衡的勘探和开采阶段算法。这将防止算法陷阱到当地的最适条件。此外,新的搜索技术结合哒检查新的传递函数和二进制哒是高度推荐。 We recommend integrating DA with other methods to dynamically tune the parameters during the optimization process. This technique would be able to provide a better balance between exploration and exploitation.

11。结论

本文综述了最近开发的算法之一。的不同变体算法包括杂交版本与其他算法进行了讨论。此外,收敛、勘探和开发的算法解决。此外,许多优化问题综述了DA和应用程序使用。在研究期间,发现DA在大部分的情况下有很好的收敛向全局最优的能力。此外,它有能力优化各领域不同的和复杂的问题。此外,基准函数的结果证明了达有很大的介质在解决简单问题的能力。然而,对于复杂的问题,它在优化可能会面临一些困难。这些困难被克服合并算法与其他算法。此外,它也表明,勘探开发的平衡算法的是不好的。 However, in some applications, it was shown that the balance of exploration and exploitation of the algorithm is reasonable. For example, for optimizing the parameters in the analyzing stress of perforated orthotropic plates, DA outperformed GA and PSO and it converged earlier since it has higher exploration and exploitation rate. Additionally, DA was successfully used to develop a new method to solve economic dispatch incorporating solar energy. The results proved that the economy could be raised and at the same time system loss could be minimized. In a binary search space, DA was successfully used as a searching technique. Furthermore, compared to GA and PSO, BDA showed a better searching ability and showed the ability to select features with more information. Furthermore, for doing multilevel segmentation for colour fundus image, DA showed its superiority over the other techniques that required changing the image to colour scale before doing the segmentation.

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究没有收到任何特定公共拨款资助机构,商业,或非营利部门。