[论文解读] Beetle Swarm Optimization Algorithm:Theory and Application

Tiantian Wang, Long Yang|arXiv (Cornell University)|Aug 1, 2018

Metaheuristic Optimization Algorithms Research参考文献 48被引用 37

一句话总结

本文提出了一种新型元启发式算法——甲虫群优化（BSO）算法，该算法受甲虫觅食行为启发，通过独特的飞行机制和基于邻域的探索策略，显著提升了搜索效率。在23个基准函数及两个工程设计问题上的实验表明，BSO在收敛速度和解的质量方面优于PSO、GA以及蚱蜢优化算法。

ABSTRACT

In this paper, a new meta-heuristic algorithm, called beetle swarm optimization algorithm, is proposed by enhancing the performance of swarm optimization through beetle foraging principles. The performance of 23 benchmark functions is tested and compared with widely used algorithms, including particle swarm optimization algorithm, genetic algorithm (GA) and grasshopper optimization algorithm . Numerical experiments show that the beetle swarm optimization algorithm outperforms its counterparts. Besides, to demonstrate the practical impact of the proposed algorithm, two classic engineering design problems, namely, pressure vessel design problem and himmelblaus optimization problem, are also considered and the proposed beetle swarm optimization algorithm is shown to be competitive in those applications.

研究动机与目标

• 开发一种受甲虫觅食行为启发的新元启发式算法，以提升优化性能。
• 在复杂搜索空间中提升收敛速度和解的质量。
• 在标准基准函数和实际工程问题上验证该算法的有效性。
• 将BSO的性能与PSO、GA以及蚱蜢优化算法等成熟算法进行对比。
• 展示BSO在工程设计优化中的实际应用潜力。

提出的方法

• 该算法通过模拟随机与定向运动的飞行机制，建模甲虫觅食行为在搜索空间中的表现。
• 每个甲虫代理根据随机探索与向迄今找到的最佳解的吸引力相结合的方式，更新其位置。
• 引入基于邻域的搜索策略，以增强局部开发能力并避免早熟收敛。
• 算法采用随迭代过程动态减小的步长，以平衡探索与开发。
• 位置更新由一个核心方程控制，该方程整合了最佳解与随机扰动，以引导搜索过程。
• 算法通过一组代理实现，每个代理代表搜索空间中的一个候选解。

实验结果

研究问题

• RQ1 与现有元启发式算法相比，受甲虫觅食行为启发的机制在优化性能方面有何改进？
• RQ2 BSO算法在标准基准函数上是否能实现更快的收敛速度和更高的精度？
• RQ3 BSO在实际工程设计问题（如压力容器设计和Himmelblau函数）上的表现如何？
• RQ4 基于邻域的搜索策略对避免陷入局部最优解有何影响？
• RQ5 与PSO、GA以及蚱蜢优化算法相比，BSO的性能表现如何？

主要发现

• 在23个基准函数上，BSO在收敛速度和解的质量方面均优于PSO、GA以及蚱蜢优化算法。
• 在压力容器设计问题中，BSO找到的解比其他测试算法更接近全局最优解。
• 在Himmelblau函数上，BSO表现出更快的收敛速度和更高的精度，能够更准确地定位全局最小值。
• 该算法在各类测试函数上表现出强鲁棒性，无需参数调优即可保持一致的高性能表现。
• 邻域搜索策略的引入显著降低了陷入局部最优解的可能性。
• 数值实验结果证实，BSO在单峰和多峰优化任务中均具有竞争力，且通常优于已有的元启发式算法。