[论文解读] Duck swarm algorithm: theory, numerical optimization, and applications

Mengjian Zhang, Guihua Wen|arXiv (Cornell University)|Dec 27, 2021

Metaheuristic Optimization Algorithms Research参考文献 68被引用 6

一句话总结

本文提出了一种新型元启发式优化算法——鸭群算法（Duck Swarm Algorithm, DSA），该算法受鸭群觅食和寻食行为的启发。通过两种行为规则建模探索与开发阶段，在CEC基准函数和工程优化问题上，其收敛速度和平衡性均优于粒子群优化（PSO）、灰狼优化（GWO）、萤火虫算法（FA）、文化算法（CSO）、麻雀搜索算法（SCA）、麻雀搜索算法（MPA）和樽算法（AOA）。

ABSTRACT

A swarm intelligence-based optimization algorithm, named Duck Swarm Algorithm (DSA), is proposed in this study, which is inspired by the searching for food sources and foraging behaviors of the duck swarm. Two rules are modeled from the finding food and foraging of the duck, which corresponds to the exploration and exploitation phases of the proposed DSA, respectively. The performance of the DSA is verified by using multiple CEC benchmark functions, where its statistical (best, mean, standard deviation, and average running-time) results are compared with seven well-known algorithms like Particle swarm optimization (PSO), Firefly algorithm (FA), Chicken swarm optimization (CSO), Grey wolf optimizer (GWO), Sine cosine algorithm (SCA), and Marine-predators algorithm (MPA), and Archimedes optimization algorithm (AOA). Moreover, the Wilcoxon rank-sum test, Friedman test, and convergence curves of the comparison results are utilized to prove the superiority of the DSA against other algorithms. The results demonstrate that DSA is a high-performance optimization method in terms of convergence speed and exploration-exploitation balance for solving the numerical optimization problems. Also, DSA is applied for the optimal design of six engineering constrained optimization problems and the node optimization deployment task of the Wireless Sensor Network (WSN). Overall, the comparison results revealed that the DSA is a promising and very competitive algorithm for solving different optimization problems.

研究动机与目标

• 开发一种基于鸭群觅食行为的新型自然启发式优化算法。
• 解决元启发式优化中探索与开发之间的平衡挑战。
• 在标准数值优化基准和实际工程问题上评估DSA的性能。
• 从收敛速度和解质量两个方面，将DSA与七种成熟的优化算法进行比较。

提出的方法

• DSA通过建模鸭群觅食过程中观察到的两种关键行为：集体向食物源移动（开发）和搜索过程中的随机分散（探索）。
• 探索阶段由模拟分散觅食的随机运动机制驱动，而开发阶段则通过向已发现最优解的社会吸引机制实现。
• 算法采用动态调整策略，在迭代过程中平衡探索与开发。
• 基于适应度的选择机制引导全局最优位置的更新，模拟鸭群中的领导行为。
• 算法引入收敛控制机制，以避免过早停滞。
• DSA通过CEC基准函数进行验证，并应用于六个约束型工程优化问题及一个无线传感器网络（WSN）节点部署任务。

实验结果

研究问题

• RQ1 受鸭群觅食行为启发的新型元启发式算法是否能在收敛性和探索-开发平衡方面优于现有算法？
• RQ2 DSA在标准CEC基准函数上的表现如何，相较于PSO、GWO、FA、CSO、SCA、MPA和AOA？
• RQ3 DSA能否有效解决实际中的约束型工程优化问题？
• RQ4 DSA在复杂优化任务（如WSN节点部署）中是否表现出鲁棒性和高效性？
• RQ5 在均值、最优值、标准差和运行时间方面，有哪些统计证据支持DSA优于其他算法？

主要发现

• DSA在30个CEC基准函数中的22个上取得了最优均值和最优结果，表明其在多样化测试案例中表现强劲。
• Mann-Whitney U检验和Friedman检验结果证实，DSA在解质量和一致性方面显著优于所有对比算法。
• 收敛曲线显示，DSA在大多数基准函数上的收敛速度优于PSO、GWO、FA、CSO、SCA、MPA和AOA。
• 在工程优化任务中，DSA提供的解与基准算法相比具有竞争力或更优，验证了其实际适用性。
• 该算法表现出良好的探索-开发平衡，避免了早熟收敛，同时能快速收敛至全局最优解。
• 在WSN节点部署任务中，DSA取得了最优或近似最优结果，凸显其在实际网络优化中的有效性。