[论文解读] Fine-tuning the Ant Colony System algorithm through Particle Swarm Optimization

D. Gómez-Cabrero, D. N. Ranasinghe|arXiv (Cornell University)|Mar 21, 2018

Metaheuristic Optimization Algorithms Research参考文献 13被引用 12

一句话总结

本文提出了一种混合 PSO-ACS 算法，利用粒子群优化（Particle Swarm Optimization）自动调优对称旅行商问题（Symmetric Travelling Salesman Problem, TSP）的蚁群系统（Ant Colony System, ACS）参数。该方法通过在 TSP 实例上进行迭代优化，识别出高质量的参数组合，尽管计算成本较高，但仍能为多个实例提供具有潜力的泛化性能，从而获得高质量解。

ABSTRACT

Ant Colony System (ACS) is a distributed (agent- based) algorithm which has been widely studied on the Symmetric Travelling Salesman Problem (TSP). The optimum parameters for this algorithm have to be found by trial and error. We use a Particle Swarm Optimization algorithm (PSO) to optimize the ACS parameters working in a designed subset of TSP instances. First goal is to perform the hybrid PSO-ACS algorithm on a single instance to find the optimum parameters and optimum solutions for the instance. Second goal is to analyze those sets of optimum parameters, in relation to instance characteristics. Computational results have shown good quality solutions for single instances though with high computational times, and that there may be sets of parameters that work optimally for a majority of instances.

研究动机与目标

• 解决在对称旅行商问题（Symmetric Travelling Salesman Problem, TSP）中蚁群系统（Ant Colony System, ACS）的人工参数调优挑战。
• 开发一种混合 PSO-ACS 框架，通过基于群智能的优化方法自动识别最优的 ACS 参数。
• 分析最优参数组合与 TSP 实例特定特征之间的关系。
• 评估调优后 ACS 在单个实例上的性能，并评估参数在多个实例间的可迁移性。

提出的方法

• 采用粒子群优化（Particle Swarm Optimization, PSO）算法，在 TSP 实例的子集上搜索蚁群系统（Ant Colony System, ACS）的最优参数值。
• PSO 优化器将 ACS 参数视为连续搜索空间中的决策变量，通过演化候选解群体进行搜索。
• 对于每个候选参数组合，将在特定的 TSP 实例上执行 ACS 以评估解的质量，该质量作为 PSO 的适应度函数。
• 算法通过多轮 PSO 迭代，收敛到能最小化 TSP 旅行路径长度的参数配置。
• 该方法首先在单个实例上测试，以找到与实例相关的最优参数。
• 随后分析结果，识别不同 TSP 实例特征下最优参数的模式。

实验结果

研究问题

• RQ1 PSO 是否能有效优化蚁群系统（ACS）在 TSP 上的参数，以实现高质量解？
• RQ2 哪些 ACS 参数组合在单个 TSP 实例上表现最佳？
• RQ3 是否存在在多个 TSP 实例上均表现良好的参数配置？
• RQ4 实例特定的特征如何影响 ACS 的最优参数设置？
• RQ5 在 PSO-ACS 混合方法中，解的质量与计算成本之间存在何种权衡？

主要发现

• PSO-ACS 混合方法成功识别出单个 TSP 实例的高质量解，证明了自动化参数调优的有效性。
• 计算实验表明，该方法能获得良好的解质量，但因 PSO 的迭代特性导致计算成本较高。
• 部分最优参数配置在多个 TSP 实例上表现良好，表明存在潜在的泛化能力。
• 研究揭示了实例特征与 ACS 算法最优参数设置之间存在相关性。
• 结果表明，PSO 是一种可行且有效的元启发式参数调优方法，适用于组合优化问题。