[论文解读] Apply Ant Colony Algorithm to Search All Extreme Points of Function

Chao-Yang Pang, Hui Liu+3 more|ArXiv.org|Nov 17, 2009

Metaheuristic Optimization Algorithms Research参考文献 22被引用 4

一句话总结

本文提出了一种新型应用，将蚁群优化（ACO）用于定位多峰函数的所有极值点，通过将搜索域划分为区间，并利用蚂蚁向极值附近的区域收敛。该方法实现了低于 $10^{-8}$ 的解误差，表明其在一维函数中具有高精度、强鲁棒性和高速度。

ABSTRACT

To find all extreme points of multimodal functions is called extremum problem, which is a well known difficult issue in optimization fields. Applying ant colony optimization (ACO) to solve this problem is rarely reported. The method of applying ACO to solve extremum problem is explored in this paper. Experiment shows that the solution error of the method presented in this paper is less than 10^-8. keywords: Extremum Problem; Ant Colony Optimization (ACO)

研究动机与目标

• 解决在多峰函数中寻找所有极值点这一优化难题。
• 探索蚁群优化（ACO）在极值问题中的应用，该领域此前研究较少。
• 开发一种方法，确保在识别多个极值时具有高精度和强鲁棒性。
• 通过利用ACO的收敛特性与域离散化，提高一维函数的计算效率。
• 提供一种稳定、基于区间的方案，其中蚂蚁指示极值附近的区域，而非精确位置。

提出的方法

• 将函数的定义域离散化为区间网格，以支持使用ACO进行离散搜索。
• 在每个区间内放置一只蚂蚁，并根据信息素和函数值梯度定义移动规则，引导蚂蚁向局部极值靠近。
• 使用信息素更新机制，强化通向函数值较高区域（对于极大值）或较低区域（对于极小值）的路径。
• 基于信息素水平或迭代间路径长度的相对变化设定收敛判据，以检测蚂蚁分布的稳定状态。
• 通过在检测到的极值点周围递归细分区间来优化搜索精度。
• 单独处理边界点，以避免因区间中心近似导致的误差。

实验结果

研究问题

• RQ1 蚁群优化能否被有效适配以定位多峰函数中的所有极值点？
• RQ2 ACO应如何修改以处理具有多个极值的连续空间优化问题？
• RQ3 在极值问题中使用ACO可达到何种精度水平，尤其与其它元启发式方法相比如何？
• RQ4 该方法在不同类型的多峰函数中，其收敛速度和鲁棒性表现如何？
• RQ5 在应用于连续、高变异性函数时，有哪些策略可提升ACO的效率？

主要发现

• 所提出的基于ACO的方法对大多数极值点的解误差低于 $10^{-8}$，边界点除外。
• 对于一维函数，该方法耗时约 0.7106 秒，表现出极高的计算效率。
• 该方法具有强鲁棒性，因为蚂蚁会收敛到包含极值的区间，而无需在每个区间内精确定位。
• 边界点的误差较高（最高达 0.0145%），这是由于使用区间中心进行近似所致，但通过在边界处直接评估可纠正此问题。
• 该方法成功定位了 1D 测试函数 $f_1(x)$ 中的所有 6 个极值点，精度和稳定性均很高。
• 在 2D 函数 $f_3(x_1,x_2)$ 中，36 个极值点在 3203.2968 秒内被识别，证实了其在高维空间中的可扩展性，尽管运行时间有所增加。