[论文解读] A Novel Meta-Heuristic Optimization Algorithm Inspired by the Spread of Viruses

Zhixi Li, Vincent Tam|arXiv (Cornell University)|Jun 11, 2020

Metaheuristic Optimization Algorithms Research参考文献 27被引用 7

一句话总结

本文提出了一种新型的受自然启发的元启发式算法——病毒传播优化（VSO），通过模拟病毒传播动力学来求解连续优化问题。VSO 使用病毒 RNA 作为解的表示形式，并采用感染、突变和恢复操作自适应地探索解空间，同时通过引入的感染机制增强全局搜索能力并避免早熟收敛。在标准测试函数以及金融投资组合优化、SVM 超参数调优等实际问题上，VSO 的表现优于当前最先进的算法。

ABSTRACT

According to the no-free-lunch theorem, there is no single meta-heuristic algorithm that can optimally solve all optimization problems. This motivates many researchers to continuously develop new optimization algorithms. In this paper, a novel nature-inspired meta-heuristic optimization algorithm called virus spread optimization (VSO) is proposed. VSO loosely mimics the spread of viruses among hosts, and can be effectively applied to solving many challenging and continuous optimization problems. We devise a new representation scheme and viral operations that are radically different from previously proposed virus-based optimization algorithms. First, the viral RNA of each host in VSO denotes a potential solution for which different viral operations will help to diversify the searching strategies in order to largely enhance the solution quality. In addition, an imported infection mechanism, inheriting the searched optima from another colony, is introduced to possibly avoid the prematuration of any potential solution in solving complex problems. VSO has an excellent capability to conduct adaptive neighborhood searches around the discovered optima for achieving better solutions. Furthermore, with a flexible infection mechanism, VSO can quickly escape from local optima. To clearly demonstrate both its effectiveness and efficiency, VSO is critically evaluated on a series of well-known benchmark functions. Moreover, VSO is validated on its applicability through two real-world examples including the financial portfolio optimization and optimization of hyper-parameters of support vector machines for classification problems. The results show that VSO has attained superior performance in terms of solution fitness, convergence rate, scalability, reliability, and flexibility when compared to those results of the conventional as well as state-of-the-art meta-heuristic optimization algorithms.

研究动机与目标

• 为解决现有元启发式算法在求解复杂连续优化问题时存在的可扩展性和可靠性不足的问题。
• 开发一种新型的受自然启发的优化框架，模拟病毒在宿主间的传播过程，以增强全局搜索能力并避免早熟收敛。
• 通过在局部和全局最优解附近实施自适应邻域搜索，提升解的质量和收敛速度。
• 在标准测试函数和实际应用（如金融投资组合优化与SVM超参数调优）上验证该算法的有效性。
• 展示VSO在适应度、收敛速度、可扩展性和灵活性等方面优于传统及当前最先进的元启发式算法。

提出的方法

• VSO 将每个宿主视为一个潜在解，病毒核糖核酸（RNA）代表搜索空间中的解向量。
• 该算法采用三种核心操作：感染（解更新）、突变（多样性增强）和恢复（解保持），以探索和优化解。
• 引入的感染机制使各群体能够继承其他群体的最优解，促进全局探索并防止早熟收敛。
• VSO 在发现的局部和全局最优解附近动态执行自适应邻域搜索，以精炼解并提升收敛性。
• 该算法采用灵活的感染机制，使解能够快速逃离局部最优，探索搜索空间的其他区域。
• 提出了一种全新的表示方法和病毒操作，从根本上区别于以往基于病毒的优化方法。

实验结果

研究问题

• RQ1 基于病毒启发的元启发式算法能否有效求解复杂连续优化问题，实现高速收敛和高质量解？
• RQ2 与标准元启发式算法相比，VSO 中的引入感染机制如何增强全局搜索能力并防止早熟收敛？
• RQ3 VSO 在标准 CEC 基准函数（如 PSO、GA 和 DE）上的表现相较于现有算法有多大的提升？
• RQ4 VSO 在实际应用（如金融投资组合优化与SVM超参数调优）中能否实现更优性能？
• RQ5 VSO 的自适应邻域搜索策略在提升收敛性和解的可靠性方面起到了何种作用？

主要发现

• 在 30 维的 CEC17 和 CEC18 基准函数上，VSO 在解的适应度和收敛速度方面均优于当前最先进的算法。
• 在 CEC2018 基准测试套件中，VSO 在全部 30 个测试函数（包括混合函数和组合函数）上均表现出强大的可扩展性和可靠性。
• 在金融投资组合优化中，VSO 实现了更高的夏普比率和更低的风险调整后收益，优于传统方法和元启发式算法。
• 在 SVM 超参数调优中，VSO 在多个 UCI 数据集上显著降低了分类误差率，并提升了模型泛化能力，优于 PSO 和 DE。
• VSO 展现出更快的收敛速度和更优的解多样性，尤其得益于其灵活的感染机制和引入的感染机制，能更有效地逃离局部最优。
• 该算法在包括单峰、多峰和平移函数在内的多种问题类型中均保持了高度的可靠性与灵活性。