[论文解读] Fish School Search Algorithm for Constrained Optimization

Joao Batista Monteiro Filho, Isabela Albuquerque+1 more|arXiv (Cornell University)|Jul 19, 2017

Metaheuristic Optimization Algorithms Research参考文献 4被引用 4

一句话总结

本文提出wrFSS，一种基于鱼群搜索（wFSS）元启发式算法的新型约束优化算法，该算法将搜索过程分为两个阶段：首先通过分类技术定位多个可行区域，然后在这些区域中进行最优解的开发。该方法在CEC 2010基准测试问题上表现出具有竞争力的性能，其中wrFSSe变体表现最佳，尽管未使用昂贵的局部搜索或外部档案，仍优于多种前沿算法。

ABSTRACT

In this work we investigate the effectiveness of the application of niching able swarm metaheuristic approaches in order to solve constrained optimization problems. Sub-swarms are used in order to allow the achievement of many feasible regions to be exploited in terms of fitness function. The niching approach employed was wFSS, a version of the Fish School Search algorithm devised specifically to deal with multi-modal search spaces. A base technique referred as wrFSS was conceived and three variations applying different constraint handling procedures were also proposed. Tests were performed in seven problems from CEC 2010 and a comparison with other approaches was carried out. Results show that the search strategy proposed is able to handle some heavily constrained problems and achieve results comparable to the state-of-the-art algorithms. However, we also observed that the local search operator present in wFSS and inherited by wrFSS makes the fitness convergence difficult when the feasible region presents some specific geometrical features.

研究动机与目标

• 为解决使用生物启发式元启发式算法求解约束优化问题的挑战。
• 探究分类技术在引导群体算法定位约束搜索空间中多个可行区域方面的有效性。
• 开发一种针对约束优化问题定制的鱼群搜索（FSS）算法新变体wrFSS，通过分离目标函数与约束处理来实现。
• 在标准CEC 2010测试问题上，将wrFSS及其三个变体与前沿算法进行对比评估。
• 识别在可行区域具有非对称几何特征时，局部搜索行为存在的局限性。

提出的方法

• 通过将目标函数与约束违反解耦，将基础算法wFSS改进为wrFSS，从而实现两阶段搜索策略。
• 第一阶段利用wFSS中的分类技术在搜索空间中定位多个不同的可行区域，借助鱼的权重引导探索。
• 第二阶段通过在每个有希望的可行区域内优化目标函数，利用基于适应度的选择策略进行开发。
• 提出三种变体——wrFSSe、wrFSSg、wrFSSp，分别采用不同的约束处理机制：ε约束法、障碍法和基于惩罚的修复法。
• 算法采用个体与集体运动算子：个体运动采用带适应度接受的随机步长，而集体运动则引导鱼群向权重更高的区域移动。
• 通过引入小容忍度δ对不等式和等式约束进行重构，以评估约束违反情况，并在每种变体中相应调整适应度函数。

实验结果

研究问题

• RQ1 基于分类的鱼群搜索算法能否有效定位约束优化问题中的多个可行区域？
• RQ2 将搜索过程划分为两个阶段——可行区域发现与目标函数开发——对约束问题的性能有何影响？
• RQ3 在wrFSS框架中，哪种约束处理策略（ε约束、障碍法、基于惩罚的修复）能取得最佳性能？
• RQ4 wrFSS与εDEg、Co-CLPSO和E-ABC等前沿算法相比，在CEC 2010基准测试问题上的表现如何？
• RQ5 可行区域的哪些几何特征会导致wrFSS因其中局部搜索算子而难以收敛？

主要发现

• wrFSSe变体在所有wrFSS变体中表现最佳，在CEC 2010测试问题中的七道题中有五道优于其他变体。
• 在七道问题中的六道，至少有一个wrFSS变体的平均适应度值优于三个基准算法（εDEg、Co-CLPSO、E-ABC）中的至少一个。
• εDEg算法在除C08外的所有问题中均取得最佳总体结果，而在C08问题中Co-CLPSO表现更优。
• 尽管未使用外部档案或复杂的局部搜索算子，wrFSSe仍取得具有竞争力的结果，表明两阶段分类策略的有效性。
• wrFSS中的局部搜索算子在可行区域具有高度非对称几何特征的问题中导致收敛困难，尤其当各维度的宽度差异显著时。
• 本研究证实，两阶段策略——即先通过分类发现可行区域，再进行开发——为约束优化提供了一种可行且高效的方法。