[论文解读] A Numerical Optimization Algorithm Inspired by the Strawberry Plant

Farshad Merrikh‐Bayat|arXiv (Cornell University)|Jul 28, 2014

Evolutionary Algorithms and Applications参考文献 25被引用 26

一句话总结

本文提出了一种受草莓植物双传代策略启发的新型仿生优化算法——利用匍匐茎进行全局探索，利用根系进行局部开发。与传统算法不同，该算法消除了重复代理，同时执行大尺度与小尺度移动而无需代理间通信，且仅需三个可调参数，在基准函数和鲁棒控制问题上均表现出色。

ABSTRACT

This paper proposes a new numerical optimization algorithm inspired by the strawberry plant for solving complicated engineering problems. Plants like strawberry develop both runners and roots for propagation and search for water resources and minerals. In these plants, runners and roots can be thought of as tools for global and local searches, respectively. The proposed algorithm has three main differences with the trivial nature-inspired optimization algorithms: duplication-elimination of the computational agents at all iterations, subjecting all agents to both small and large movements from the beginning to end, and the lack of communication (information exchange) between agents. Moreover, it has the advantage of using only three parameters to be tuned by user. This algorithm is applied to standard test functions and the results are compared with GA and PSO. The proposed algorithm is also used to solve an open problem in the field of robust control theory. These simulations show that the proposed algorithm can very effectively solve complicated optimization problems.

研究动机与目标

• 开发一种受草莓植物生物传代机制启发的新数值优化算法。
• 通过消除代理重复并实现全局与局部搜索的并行执行，解决现有仿生算法的局限性。
• 通过将可调参数数量限制为三个，降低用户调参复杂度。
• 在标准测试函数和实际工程问题（如鲁棒控制理论）上评估算法性能。
• 展示该算法在无需代理间通信的情况下，有效求解复杂高维优化问题的能力。

提出的方法

• 该算法将草莓植物的匍匐茎建模为用于全局探索的代理，根系建模为用于局部开发的代理。
• 每个代理在每次迭代中同时执行大尺度（全局）和小尺度（局部）移动，以模拟双重搜索策略。
• 在每次迭代中消除重复代理，以维持多样性并防止冗余。
• 代理之间不进行任何信息交换，从而与PSO和GA等基于种群的算法区分开来。
• 该算法使用三个用户可调参数：代理数量、大尺度移动概率和小尺度移动概率。
• 搜索过程基于适应度评估进行迭代更新，代理通过结合探索与开发策略向更优解移动。

实验结果

研究问题

• RQ1 基于草莓植物双传代机制的仿生优化算法是否能超越现有元启发式算法？
• RQ2 消除代理重复在搜索过程中的收敛性和多样性方面有何影响？
• RQ3 仅含三个参数且无通信机制的算法在多大程度上能实现竞争性性能？
• RQ4 该算法能否有效求解复杂的真实世界优化问题，如鲁棒控制理论中的问题？
• RQ5 在每次迭代中同时使用大尺度与小尺度移动，如何影响探索与开发之间的平衡？

主要发现

• 与GA和PSO相比，该算法在标准基准函数上实现了更优的收敛速度和解质量。
• 该算法成功解决了鲁棒控制理论中的一个开放问题，证明了其实际应用价值。
• 消除重复代理提升了搜索效率，并有效防止了早熟收敛。
• 缺乏代理间通信并未影响性能表现，表明该方法具有鲁棒性与简洁性。
• 该算法仅需三个用户可调参数，显著降低了配置开销。
• 每次迭代中全局与局部移动的结合增强了探索与开发之间的平衡，从而在各类测试案例中保持了稳定性能。