[论文解读] A novel metaheuristic method for solving constrained engineering optimization problems: Drone Squadron Optimization

Vinícius Veloso de Melo|arXiv (Cornell University)|Aug 4, 2017

Metaheuristic Optimization Algorithms Research参考文献 13被引用 4

一句话总结

本文提出了一种新型自适应元启发式算法——无人机中队优化（DSO），该算法在搜索过程中可自适应地演化其自身的扰动函数，以求解约束型工程优化问题。通过采用死亡惩罚约束处理机制，DSO在三项基准问题——焊接梁、压力容器和三杆桁架问题上，以少于许多成熟元启发式算法的函数评估次数，获得了已知最佳解。

ABSTRACT

Several constrained optimization problems have been adequately solved over the years thanks to advances in the metaheuristics area. In this paper, we evaluate a novel self-adaptive and auto-constructive metaheuristic called Drone Squadron Optimization (DSO) in solving constrained engineering design problems. This paper evaluates DSO with death penalty on three widely tested engineering design problems. Results show that the proposed approach is competitive with some very popular metaheuristics.

研究动机与目标

• 评估新型自适应元启发式算法——无人机中队优化（DSO）在约束型工程设计问题上的表现。
• 探究尽管采用简单的死亡惩罚约束处理机制，DSO 是否仍能与成熟元启发式算法相比获得具有竞争力的结果。
• 在函数评估次数有限的基准问题上评估 DSO 的性能，强调其效率与解的质量。
• 探讨基于人工制品启发的元启发式算法在工程优化中作为自然启发算法替代方案的潜力。
• 识别平均解质量方面的局限性，并在未来工作中通过改进约束处理机制提出优化方案。

提出的方法

• DSO 采用指挥中心，在优化过程中动态更新无人机固件（即扰动函数），以适应搜索景观。
• 该算法使用半自主无人机在搜索空间中探索，每架无人机代表一个候选解。
• 每支无人机团队共享一套固件，定义其运动策略，该策略根据指挥中心提供的性能反馈进行演化。
• 扰动函数以可执行源代码形式实现，支持运行时对搜索行为的演化。
• 采用死亡惩罚机制：不可行解被赋予函数值 `realmax`（1.79769313486232e+308），从而从考虑中被有效剔除。
• 算法在 50 次独立运行中，针对焊接梁和压力容器问题运行 30,000 次函数评估，针对三杆桁架问题运行 3,000 次函数评估。

实验结果

研究问题

• RQ1 DSO 仅使用死亡惩罚机制进行约束处理，是否能在约束型工程优化问题上实现具有竞争力的性能？
• RQ2 与 ABC、CSA、PSO-DE 和 GA 等成熟元启发式算法相比，DSO 在最优解和平均解质量方面表现如何？
• RQ3 DSO 中扰动函数的自适应演化是否能在复杂搜索景观中实现更快的收敛速度或更高的可行性？
• RQ4 为何 DSO 的平均解质量落后于其最优结果？简单的惩罚机制在这一结果中起到了何种作用？
• RQ5 基于人工制品启发的元启发式算法（如 DSO）是否能在工程设计优化中超越自然启发式算法？

主要发现

• 在焊接梁问题上，DSO 仅用 30,000 次函数评估即获得已知最佳解 1.72485230859736，与 CSA 结果持平，优于 ABC 和 PSO-DE。
• 在压力容器问题上，DSO 以 30,000 次评估获得已知最佳解 5885.3332019268，最优解质量优于 ABC 和 PSO-DE。
• 在三杆桁架问题上，DSO 仅用 3,000 次评估即达到已知最佳解 263.895843376498，优于 GA 和 ABC（后者未报告结果）。
• 尽管最优结果表现强劲，DSO 的平均解质量仍低于部分竞争对手，可能归因于评估次数较少以及使用了简单的死亡惩罚机制。
• DSO 展现出演化自身搜索策略的能力，在极少函数评估次数下即实现高性能，表明其具备强大的自适应性与有效性。
• 结果表明，即使采用基础的约束处理方法，DSO 的自适应固件演化机制在复杂且受约束的搜索空间中仍具有效性。