[论文解读] ASBSO: An Improved Brain Storm Optimization With Flexible Search Length and Memory-Based Selection

Yang Yu, Shangce Gao+3 more|arXiv (Cornell University)|Jan 27, 2021

Metaheuristic Optimization Algorithms Research参考文献 47被引用 24

一句话总结

本文提出ASBSO，一种增强型头脑风暴优化算法，通过引入自适应步长和基于记忆的选择机制，提升了搜索的灵活性、鲁棒性与解的质量。通过根据历史改进记录动态选择步长，ASBSO在57个基准函数和真实世界问题上均优于标准BSO和$1/5$成功规则。

ABSTRACT

Brain storm optimization (BSO) is a newly proposed population-based optimization algorithm, which uses a logarithmic sigmoid transfer function to adjust its search range during the convergent process. However, this adjustment only varies with the current iteration number and lacks of flexibility and variety which makes a poor search effciency and robustness of BSO. To alleviate this problem, an adaptive step length structure together with a success memory selection strategy is proposed to be incorporated into BSO. This proposed method, adaptive step length based on memory selection BSO, namely ASBSO, applies multiple step lengths to modify the generation process of new solutions, thus supplying a flexible search according to corresponding problems and convergent periods. The novel memory mechanism, which is capable of evaluating and storing the degree of improvements of solutions, is used to determine the selection possibility of step lengths. A set of 57 benchmark functions are used to test ASBSO's search ability, and four real-world problems are adopted to show its application value. All these test results indicate the remarkable improvement in solution quality, scalability, and robustness of ASBSO.

研究动机与目标

• 解决标准头脑风暴优化（BSO）仅依赖迭代步长调整所导致的搜索行为僵化与刻板问题。
• 通过引入针对不同收敛阶段的多种自适应步长，改善BSO中探索与开发之间的平衡。
• 提出一种新型记忆机制，用于评估并存储每种步长策略的改进程度，以指导选择。
• 通过自适应与记忆引导的搜索策略，提升BSO在复杂、多峰及真实世界优化问题上的性能。
• 在多样化的测试函数上，证明ASBSO在解质量、收敛速度与鲁棒性方面优于BSO及其他变体。

提出的方法

• 采用四种不同的尺度参数，提出一种多步长生成策略，以支持在不同收敛阶段实现灵活搜索。
• 实现一种基于记忆的选择机制，用于记录每种步长策略随时间累积的适应度改进。
• 利用存储的改进值计算选择概率，优先选择能产生更优解的策略。
• 将自适应步长与记忆机制整合进标准BSO框架，取代原有的固定对数Sigmoid步长调整方式。
• 使用K均值聚类进行种群划分，并采用与BSO相似的适应度评估与选择流程，但通过记忆引导的步长选择增强个体生成能力。
• 通过确保整体时间复杂度保持在$O(N^2)$，维持计算效率，即使在增加复杂度的情况下也与标准BSO保持一致。

实验结果

研究问题

• RQ1 自适应步长机制能否提升头脑风暴优化的搜索灵活性与收敛性能？
• RQ2 基于记忆的步长选择策略是否相比固定或随机选择，能带来更高的解质量与更强的鲁棒性？
• RQ3 在多样化的基准函数上，ASBSO与标准BSO及$1/5$成功规则相比，在解质量与收敛速度方面表现如何？
• RQ4 ASBSO在真实世界优化问题上的表现能维持多高，而不仅限于合成基准测试？
• RQ5 所提出的记忆机制是否能有效识别并持续偏好高性能的步长策略？

主要发现

• ASBSO在CEC’13与CEC’17的57个基准函数上显著优于标准BSO，实现了更优的解质量与更快的收敛速度。
• Mann-Whitney U检验显示，ASBSO与BSO结合$1/5$成功规则相比，p值<0.01，表明所提出的自适应步长机制具有统计上的优越性。
• 基于记忆的选择机制（IMS）显著优于标准适应度驱动的记忆选择（SFMS），尤其在CEC’13函数上表现突出。
• 尽管增加了记忆与步长计算，ASBSO仍保持与标准BSO相同的$O(N^2)$时间复杂度，展现出良好的计算效率。
• ASBSO在CEC’11的真实世界问题上表现出色，证实其在合成测试函数之外的实际适用性。
• 所提方法通过基于历史改进数据动态调整步长，有效增强了探索与开发能力，提升了在各类问题类型下的鲁棒性。