تقليد سلوك الصيد للشمبانزي لتحسين نماذج التنبؤ بالشمسية

استخدم الباحثون خوارزمية تحسين الشمبانزي لتحسين المعلمات الفائقة لخمسة نماذج للتنبؤ بإنتاجية الطاقة الكهروضوئية. تستند هذه الخوارزمية إلى سلوك الصيد التعاوني للشمبانزي في الطبيعة ، مما يحاكي الطريقة التي يعملون بها معًا لاستهداف الفريسة. قامت مجموعة علمية بقيادة باحثين من جامعة الأردن الألمانية بتحليل تأثير ما يسمى خوارزمية تحسين الشمبانزي (ChOA) على نماذج مختلفة للتعلم الآلي للتنبؤ بإنتاج العائد الكهروضوئي (ML). يستند ChOA إلى سلوك الصيد التعاوني للشمبانزي في الطبيعة ، مما يحاكي الطريقة التي يعملون بها معًا لاستهداف الفريسة ، الشائعة بين الثدييات الصغيرة. وعادة ما يعملون في مجموعة من ثلاثة أو أربعة صيادين ويقودون في البداية ويمنعون الفريسة، ثم يطاردونها ويهاجمونها. تستكشف الخوارزمية مجموعات مختلفة من المعلمات لتحقيق النتيجة الأكثر واعدة. تم استخدامه من قبل العلماء لتحسين المعلمات الفائقة إلى خمسة أنواع من نماذج ML. وتشمل هذه التراجع الخطي المتعدد (MLR) ، وتراجع شجرة القرار (DTR) ، وتراجع الغابة العشوائية (RFR) ، وتراجع ناقل الدعم (SVR) ، والإدراك متعدد الطبقات (MLP). “يتم التحقق من فعالية هذه المساهمة فيما يتعلق بالبيانات من دراسة حالة حقيقية ، مع اللجوء إلى مقاييس الأداء المختلفة من الأدب بما في ذلك الجذر المتوسط للمربع (RMSE) ، والخطأ المطلق المتوسط (MAE) ، ومعامل التحديد (R22) ،” أوضح الباحثون. تؤثر المعايير الفائقة مثل معدل التعلم في الشبكات العصبية على ديناميات التدريب وبالتالي يمكن أن تؤثر بشكل كبير على فعالية النماذج. تم تدريب جميع النماذج الخمسة ، مع ChOA وبدونها ، على 20.977 سجلًا واختبارها على 0.3973 سجلًا. تم أخذ السجلات بين 20.397 و 20.99 من نظام 22 كيلوواط الكهروضوئي المثبت على سطح جامعة العلوم التطبيقية في عمان عاصمة الأردن. تم تعيين زاوية الإمالة في 11 درجة و زاوية الأزيموت إلى -36 درجة.