[论文解读] Eagle Strategy Using Lévy Walk and Firefly Algorithms For Stochastic Optimization

Xin‐She Yang, Suash Deb|arXiv (Cornell University)|Apr 23, 2010

Metaheuristic Optimization Algorithms Research参考文献 13被引用 60

一句话总结

本文提出Eagle Strategy，一种混合元启发式算法，结合基于Lévy游走的全局探索与萤火虫算法驱动的局部开发，用于随机优化。该方法显著优于粒子群优化（PSO），在多种含噪声测试函数上实现100%全局最优解成功率，平均函数评估次数减少高达90%。

ABSTRACT

Most global optimization problems are nonlinear and thus difficult to solve, and they become even more challenging when uncertainties are present in objective functions and constraints. This paper provides a new two-stage hybrid search method, called Eagle Strategy, for stochastic optimization. This strategy intends to combine the random search using Lévy walk with the firefly algorithm in an iterative manner. Numerical studies and results suggest that the proposed Eagle Strategy is very efficient for stochastic optimization. Finally practical implications and potential topics for further research will be discussed.

研究动机与目标

• 解决具有含噪声目标函数和约束的随机优化问题的挑战。
• 开发一种混合元启发式算法，提升在不确定性存在下的搜索效率与收敛速度。
• 结合Lévy游走的长距离探索与萤火虫算法的局部强化，以增强全局优化性能。
• 在基准随机测试函数上，评估Eagle Strategy与PSO等成熟算法的性能表现。
• 探索在工程设计与不确定性下的NP难问题中的实际应用。

提出的方法

• Eagle Strategy采用两阶段搜索：首先，通过重尾Lévy飞行实现无尺度的长距离全局探索。
• 其次，当检测到有希望的解（猎物）时，算法切换至基于萤火虫算法的局部搜索，其吸引与移动规则基于解的质量与距离。
• Lévy飞行通过稳定分布生成，具有幂律尾部，由指数λ参数化，以实现高效的全局探索。
• 萤火虫算法使用与目标函数值成比例的光强度，吸引度基于距离，光吸收系数γ用于控制收敛性。
• 混合方法以迭代方式在全局Lévy游走与局部萤火虫搜索之间交替，以平衡探索与开发。
• 采用蒙特卡洛采样估计含噪声目标函数的期望值，通过每解多次评估近似μ_f_i。

实验结果

研究问题

• RQ1 将Lévy游走与萤火虫算法结合，能否提升随机优化中的收敛速度与成功率？
• RQ2 在具有已知全局最优解的含噪声、多峰测试函数上，Eagle Strategy与PSO相比表现如何？
• RQ3 种群规模变化对Eagle Strategy性能与计算成本有何影响？
• RQ4 Eagle Strategy在处理目标函数与约束中的不确定性方面效果如何？
• RQ5 该混合方法能否扩展用于求解在随机条件下具有挑战性的NP难问题，如旅行商问题？

主要发现

• Eagle Strategy在所有测试的随机函数（包括Easom、De Jong和Shubert）中均实现100%全局最优解成功率，而PSO的成功率在90%至98%之间。
• 对于Easom函数，Eagle Strategy平均仅需12.7×10³次函数评估，而PSO需185.9×10³次，评估次数减少93%。
• 在高维Ackley函数（d=128）上，Eagle Strategy以100%成功率仅需54×10³次评估，而PSO需1170×10³次评估，成功率仅92%。
• 在所有测试的基准函数（包括Rosenbrock、Rastrigin和Griewank）上，Eagle Strategy均优于PSO，平均函数评估次数更低，成功率更高。
• 在2.5%高斯噪声下，该方法表现出强鲁棒性，可在多种复杂、多峰测试函数上保持高性能。
• 即使在高维情况下（如d=256的De Jong函数），Eagle Strategy仍保持高效，仅需70.7×10³次评估即实现100%成功率，而PSO需852×10³次评估。