[论文解读] Golden Tortoise Beetle Optimizer: A Novel Nature-Inspired Meta-heuristic Algorithm for Engineering Problems

Omid Tarkhaneh, Neda Alipour+2 more|arXiv (Cornell University)|Apr 4, 2021

Metaheuristic Optimization Algorithms Research参考文献 59被引用 15

一句话总结

本文提出了一种新型自然启发式元启发式算法——金步甲虫优化器（GTBO），该算法模拟金步甲虫的变色求偶行为与防御机制，以在优化过程中实现探索与开发的平衡。GTBO在24个基准函数及两个真实工程问题上优于五种基准算法，表现出更优的收敛性能、更强的局部最优值规避能力以及显著的统计优越性。

ABSTRACT

This paper proposes a novel nature-inspired meta-heuristic algorithm called the Golden Tortoise Beetle Optimizer (GTBO) to solve optimization problems. It mimics golden tortoise beetle's behavior of changing colors to attract opposite sex for mating and its protective strategy that uses a kind of anal fork to deter predators. The algorithm is modeled based on the beetle's dual attractiveness and survival strategy to generate new solutions for optimization problems. To measure its performance, the proposed GTBO is compared with five other nature-inspired evolutionary algorithms on 24 well-known benchmark functions investigating the trade-off between exploration and exploitation, local optima avoidance, and convergence towards the global optima is statistically significant. We particularly applied GTBO to two well-known engineering problems including the welded beam design problem and the gear train design problem. The results demonstrate that the new algorithm is more efficient than the five baseline algorithms for both problems. A sensitivity analysis is also performed to reveal different impacts of the algorithm's key control parameters and operators on GTBO's performance.

研究动机与目标

• 开发一种新型自然启发式元启发式算法，以在优化过程中有效平衡探索与开发。
• 解决现有算法在复杂工程问题中难以避免局部最优值且收敛速度慢的局限性。
• 将生物行为——求偶时的变色行为与基于盾甲的防御机制——建模为数学算子，用于生成解。
• 在基准函数与真实工程设计问题上，验证GTBO相对于成熟算法的性能表现。
• 对关键参数与算子进行敏感性分析，以指导算法的最优配置。

提出的方法

• GTBO受金步甲虫双重行为策略的启发：通过变色吸引配偶，以及利用腹部叉状结构威慑捕食者。
• 算法采用变色算子增强全局探索，使用生存算子在有希望的解附近进行局部搜索强化。
• 通过组合这两种算子生成新候选解，动态平衡多样化与集中化阶段。
• 算法引入两个关键控制参数：成熟率（Mr）用于控制解的成熟过程，生存率（Sr）用于确定生存概率。
• 解通过基于甲虫行为的启发式规则迭代更新，随机选择机制有助于跳出局部极小值。
• 对Mr与Sr进行敏感性分析，并评估单个与组合算子在基准函数上的影响。

实验结果

研究问题

• RQ1 受金步甲虫求偶与生存行为启发的新型元启发式算法，能否在优化中有效平衡探索与开发？
• RQ2 GTBO在收敛速度、全局最优值检测与局部极小值规避方面，相较于GA、PSO、ABC、ALO与BWO等成熟算法表现如何？
• RQ3 GTBO在不同类型的基准函数上，其关键控制参数（成熟率与生存率）的最优配置是什么？
• RQ4 变色算子与生存算子的单独作用与联合效应如何影响GTBO的性能与种群多样性？
• RQ5 GTBO能否在无约束基准函数与有约束工程问题上均实现相对于基线算法的统计显著优越性？

主要发现

• GTBO在24个基准函数上表现优异，其收敛速度与全局最优值检测能力优于GA、PSO、ABC、ALO与BWO。
• Wilcoxon符号秩检验确认GTBO性能显著优于基线算法，p值表明结果具有高度统计显著性。
• 在单峰函数上，GTBO展现出强大的开发能力与快速收敛性能，尤其当成熟率（Mr）设置为0.4时表现最佳。
• 在多峰函数上，GTBO展现出强大的探索能力与局部最优值规避能力，最佳结果出现在Mr = 0.2–0.4且生存率（Sr）= 0.2时。
• 在复合函数上，GTBO在较高Mr值（0.8–0.9）时表现最佳，表明在复杂混合景观中探索能力更为关键。
• 变色算子与生存算子的联合使用效果最佳，证实全局搜索与局部搜索机制之间的协同作用可显著提升整体性能与种群多样性。