[论文解读] BSAS: Beetle Swarm Antennae Search Algorithm for Optimization Problems

Jiangyu Wang, Huanxin Chen|arXiv (Cornell University)|Jul 27, 2018

Metaheuristic Optimization Algorithms Research参考文献 4被引用 47

一句话总结

BSAS 通过使用一群甲虫和基于反馈的步长更新来减少对随机方向的依赖，从而在 RC-model 参数估计中改善全局优化。

ABSTRACT

Beetle antennae search (BAS) is an efficient meta-heuristic algorithm. However, the convergent results of BAS rely heavily on the random beetle direction in every iterations. More specifically, different random seeds may cause different optimized results. Besides, the step-size update algorithm of BAS cannot guarantee objective become smaller in iterative process. In order to solve these problems, this paper proposes Beetle Swarm Antennae Search Algorithm (BSAS) which combines swarm intelligence algorithm with feedback-based step-size update strategy. BSAS employs k beetles to find more optimal position in each moving rather than one beetle. The step-size updates only when k beetles return without better choices. Experiments are carried out on building system identification. The results reveal the efficacy of the BSAS algorithm to avoid influence of random direction of Beetle. In addition, the estimation errors decrease as the beetles number goes up.

研究动机与目标

• 促使在解析解不可用的复杂优化问题中使用元启发式方法。
• 识别 BAS 在随机搜索方向和固定步长衰减方面的局限性。
• 通过整合群体搜索和基于反馈的更新提出 BSAS。
• 展示 BSAS 在 lumped RC building model 的参数估计中的有效性。

提出的方法

• 引入 k 只甲虫以在每次迭代中探索多条方向。
• 对每只甲虫应用 BAS 中的双波束天线搜索以获得候选位置。
• 使用基于反馈的规则：只有当群体找到更好的解时才更新位置和步长。
• 引入一个概率 p_delta 来决定在未发现更好位置时是否更新步长和感知长度。
• 更新规则 d^t 和 delta^t 在发生更新时遵循递减函数（论文中的方程 3 和 4）。
• 在 RC-model 参数识别上使用 MAE 作为目标量度来评估并比较 BSAS 与 BAS。

实验结果

研究问题

• RQ1 相较于 BAS，BSAS 是否减少对随机甲虫方向的敏感性？
• RQ2 增加甲虫数量 k 如何影响收敛性和解的质量？
• RQ3 BSAS 是否能为高维 RC 模型提供比 BAS 更鲁棒的参数估计？
• RQ4 基于反馈的更新策略在避免局部极值方面的影响是什么？

主要发现

• BSAS 减少了对随机搜索方向的依赖，带来比 BAS 更稳定的优化结果。
• 增加甲虫群大小 k 会使 MAE 结果分布更紧凑且平均 MAE 降低。
• 即使 k=1，BSAS 也优于 BAS，突出显示基于反馈的步长策略的好处。
• 在多次实验中，BSAS 展示了相对于 BAS 的 RC 模型参数估计的改进。
• 所提出的方法缓解了高维问题中对局部最优的过早收敛。