[论文解读] A Review of the Family of Artificial Fish Swarm Algorithms: Recent Advances and Applications

Farhad Pourpanah, Ran Wang+3 more|arXiv (Cornell University)|Nov 11, 2020

Metaheuristic Optimization Algorithms Research参考文献 134被引用 5

一句话总结

本文对人工鱼群算法（AFSA）及其在连续优化中的变体进行了全面综述，重点探讨了参数调优、混合化、多目标优化和动态优化方面的改进。文章分析了各类问题类型下的性能表现，突出展示了自适应拥挤因子和基于邻域的跟随行为等关键改进，并指出了理论分析与实际应用方面未来的研究方向。

ABSTRACT

The Artificial Fish Swarm Algorithm (AFSA) is inspired by the ecological behaviors of fish schooling in nature, viz., the preying, swarming and following behaviors. Owing to a number of salient properties, which include flexibility, fast convergence, and insensitivity to the initial parameter settings, the family of AFSA has emerged as an effective Swarm Intelligence (SI) methodology that has been widely applied to solve real-world optimization problems. Since its introduction in 2002, many improved and hybrid AFSA models have been developed to tackle continuous, binary, and combinatorial optimization problems. This paper aims to present a concise review of the continuous AFSA, encompassing the original ASFA, its improvements and hybrid models, as well as their associated applications. We focus on articles published in high-quality journals since 2013. Our review provides insights into AFSA parameters modifications, procedures and sub-functions. The main reasons for these enhancements and the comparison results with other hybrid methods are discussed. In addition, hybrid, multi-objective and dynamic AFSA models that have been proposed to solve continuous optimization problems are elucidated. We also analyse possible AFSA enhancements and highlight future research directions for advancing AFSA-based models.

研究动机与目标

• 系统回顾自2013年以来人工鱼群算法（AFSA）的演进与改进。
• 分析AFSA变体在参数调整、流程优化和子函数设计方面的改进。
• 评估混合型、多目标型和动态型AFSA模型在求解连续优化问题中的表现。
• 识别当前研究中的空白，并提出AFSA相关模型在理论与实证层面进一步发展的未来方向。
• 构建AFSA在图像处理、特征选择和能效管理等多样化领域应用的分类体系。

提出的方法

• 针对2013年至今的高影响力期刊与会议，开展关于AFSA及其变体的系统性文献回顾。
• 根据参数调优、流程修改以及与其他元启发式算法的融合，对AFSA的改进进行分类。
• 分析捕食、聚集和跟随行为在引导搜索动态与收敛行为中的作用。
• 评估将AFSA与其他算法（如PSO、GWO）结合的混合模型，以增强探索与开发能力。
• 研究自适应拥挤因子与基于距离的邻域机制在多峰及动态问题中维持种群多样性的效果。
• 基于大O符号和随机过程理论，评估运行时间效率与收敛行为，为理论分析提供支撑。

实验结果

研究问题

• RQ1 AFSA的参数与流程如何被改进以提升收敛速度与解的质量？
• RQ2 哪些关键机制使AFSA能够在复杂搜索空间中有效跳出局部最优并维持种群多样性？
• RQ3 混合型AFSA模型在连续优化任务中相较于独立算法有何优势？
• RQ4 与当前先进方法相比，AFSA在求解多峰、多目标及动态优化问题方面的有效性如何？
• RQ5 AFSA目前缺乏哪些理论基础？如何发展这些理论以确保收敛性与效率的理论保障？

主要发现

• AFSA变体在连续优化中表现出色，具有更快的收敛速度和对初始参数设置更强的鲁棒性。
• 将AFSA与PSO或GWO结合的混合模型优于独立算法，其中基于PSO的混合模型在基准测试中表现出更低的误差率（例如，4.1e-4 vs. 5.19e-06）。
• 自适应拥挤因子与基于距离的跟随行为显著增强了多样性维持能力，支持多峰优化中的多峰值检测。
• 动态AFSA模型在追踪移动最优解方面展现出潜力，尤其当通过拥挤因子机制保持种群多样性时。
• 尽管实证结果表现强劲，但AFSA的收敛性与计算复杂度的理论分析仍显不足，凸显了关键的研究空白。
• AFSA已成功应用于图像分割、故障诊断、能效管理与无线传感器网络等实际领域，展现出良好的实用价值。