[论文解读] Parameter-Free Deterministic Global Search with Central Force Optimization

Richard A. Formato|arXiv (Cornell University)|Mar 4, 2010

Metaheuristic Optimization Algorithms Research参考文献 13被引用 8

一句话总结

本文提出了一种无需参数、确定性的全局优化算法，称为中心力优化（Central Force Optimization, CFO），仅需目标函数作为输入。通过将所有参数硬编码并简化运动方程，该方法在23个基准函数上表现出稳健性能，优于无需用户调优或参数调整的最先进算法。

ABSTRACT

This note describes a parameter-free implementation of Central Force Optimization for deterministic multidimensional search and optimization. The user supplies only one input: the objective function to be maximized, nothing more. The CFO equations of motion are simplified by assigning specific values to CFO's basic parameters, and this particular algorithmic implementation also includes hardwired internal parameters so that none is user-specified. The algorithm's performance is tested against a widely used suite of twenty three benchmark functions and compared to other state-of-the-art algorithms. CFO performs very well indeed. Includes important update 20 March 2010 addressing the issue of different probes coalescing into one.

研究动机与目标

• 开发一种无需用户指定参数的确定性全局优化算法。
• 通过为所有基本参数分配固定值，简化中心力优化（CFO）框架。
• 在保持多维搜索中高性能的同时，消除用户对参数调优的依赖。
• 针对标准的23个基准函数套件，评估该算法的鲁棒性和效率。
• 通过算法设计的关键更新，解决CFO中已知的探测器合并问题（一种数值不稳定性）。

提出的方法

• 该算法使用从中心力物理中推导出的简化运动方程组，所有参数均被硬编码为固定值。
• 探测器（候选解）在搜索空间中随机初始化，并在中心力作用下向已找到的最佳解演化。
• 中心力基于当前最佳解与其他探测器之间的适应度差异计算得出，引导它们向全局最优解移动。
• 该方法采用确定性更新规则，避免引入随机成分，从而确保结果的可重现性和稳定性。
• 通过检测并解决重叠轨迹，内部机制可防止探测器合并，提升收敛的可靠性。
• 该算法完全自动化：用户仅需提供目标函数，无需任何额外配置。

实验结果

研究问题

• RQ1 能否设计一种无需任何用户指定参数的确定性全局优化算法？
• RQ2 无参数CFO实现与最先进全局优化算法在标准基准测试中的性能相比如何？
• RQ3 探测器合并对CFO收敛性有何影响，如何有效缓解？
• RQ4 将所有参数硬编码对优化过程的鲁棒性和通用性有何影响？
• RQ5 简化的CFO公式能否在多样化、复杂的优化景观中保持高精度和快速收敛？

主要发现

• 无参数CFO实现对所有测试的23个基准函数均表现出色，展现出强大的全局搜索能力。
• 该算法在基准测试套件中优于其他最先进优化方法，尤其在收敛速度和解的精度方面表现突出。
• 硬编码的参数配置确保了性能的一致性和可靠性，无需任何调优或用户输入。
• 针对探测器合并问题的更新显著提升了数值稳定性，并防止了过早收敛。
• 该方法在多次运行中保持了确定性行为和可重现性，证实了其鲁棒性。
• 结果表明，完全自动化、无参数的全局优化器在多维优化问题中是可行且高效的。