[论文解读] Ebola Optimization Search Algorithm (EOSA): A new metaheuristic algorithm based on the propagation model of Ebola virus disease

Olaide N. Oyelade, Absalom E. Ezugwu|arXiv (Cornell University)|Jun 2, 2021

Viral Infections and Outbreaks Research被引用 11

一句话总结

本文提出了一种新型元启发式算法——埃博拉优化搜索算法（EOSA），该算法受埃博拉病毒病传播动力学的启发，采用一阶微分方程进行建模。该算法模拟了易感者、感染者、隔离者、住院者、康复者和死亡者的种群状态，以引导搜索行为，在47个经典函数和30个约束型IEEE CEC-2017基准函数上表现出色，尤其在高维和大范围问题上相较于PSO、GA和ABC表现更优。

ABSTRACT

The Ebola virus and the disease in effect tend to randomly move individuals in the population around susceptible, infected, quarantined, hospitalized, recovered, and dead sub-population. Motivated by the effectiveness in propagating the disease through the virus, a new bio-inspired and population-based optimization algorithm is proposed. This paper presents a novel metaheuristic algorithm named Ebola optimization algorithm (EOSA). To correctly achieve this, this study models the propagation mechanism of the Ebola virus disease, emphasising all consistent states of the propagation. The model was further represented using a mathematical model based on first-order differential equations. After that, the combined propagation and mathematical models were adapted for developing the new metaheuristic algorithm. To evaluate the proposed method's performance and capability compared with other optimization methods, the underlying propagation and mathematical models were first investigated to determine how they successfully simulate the EVD. Furthermore, two sets of benchmark functions consisting of forty-seven (47) classical and over thirty (30) constrained IEEE CEC-2017 benchmark functions are investigated numerically. The results indicate that the performance of the proposed algorithm is competitive with other state-of-the-art optimization methods based on scalability analysis, convergence analysis, and sensitivity analysis. Extensive simulation results indicate that the EOSA outperforms other state-of-the-art popular metaheuristic optimization algorithms such as the Particle Swarm Optimization Algorithm (PSO), Genetic Algorithm (GA), and Artificial Bee Colony Algorithm (ABC) on some shifted, high dimensional and large search range problems.

研究动机与目标

• 开发一种受埃博拉病毒病生物传播机制启发的新型元启发式优化算法。
• 使用一阶微分方程对埃博拉病毒病的传播动力学进行建模，以捕捉易感者、感染者、隔离者、住院者、康复者和死亡者的关键种群状态。
• 将流行病学模型转化为基于种群的搜索算法，用于全局优化。
• 在可扩展、平移变换和高维问题上，评估EOSA与先进元启发式算法的性能表现。
• 通过收敛性、可扩展性和敏感性分析，验证该算法的鲁棒性。

提出的方法

• 使用一组一阶微分方程对埃博拉病毒病（EVD）的传播过程进行建模，描述六种子种群状态之间的转换：易感者、感染者、隔离者、住院者、康复者和死亡者。
• 将感染传播、隔离和康复的动力学过程以数学方式编码，以模拟真实的传播模式。
• EOSA中的基于种群的搜索机制模仿个体在这些EVD状态之间的移动，其中解候选者代表各组 compartment 中的个体。
• 搜索代理根据从微分模型中推导出的感染概率、隔离率和康复动力学来更新其位置。
• 算法根据当前状态分布动态调整参数，以平衡探索与开发。
• 在47个经典函数和30个约束型IEEE CEC-2017基准函数上测试该算法，以评估其在多样化问题类型中的性能表现。

实验结果

研究问题

• RQ1 能否有效使用一阶微分方程对埃博拉病毒病的传播动力学进行建模，以指导优化？
• RQ2 所提出的EOSA算法在收敛速度和解质量方面与PSO、GA和ABC等成熟元启发式算法相比表现如何？
• RQ3 EOSA在高维、平移变换和大规模优化问题上的表现程度如何？
• RQ4 EOSA对参数设置的敏感性如何？其在多样化基准函数上是否保持鲁棒性？
• RQ5 埃博拉病毒病的流行病学模型能否被有意义地重新用于元启发式优化中的搜索机制？

主要发现

• EOSA在47个经典基准函数上表现出竞争力，展现出强劲的收敛性和稳定性。
• 在30个约束型IEEE CEC-2017基准函数上，EOSA在多个高维和大范围问题中，其平均值和最优解质量均优于PSO、GA和ABC。
• 可扩展性分析表明，随着搜索空间维度的增加，EOSA能保持一致的性能表现。
• 收敛性分析显示，与PSO和ABC相比，EOSA在平移和旋转函数上具有更快的收敛速率。
• 敏感性分析表明，EOSA对参数变化具有鲁棒性，尤其在感染率和康复率参数方面表现稳定。
• 该算法通过根据模拟的疾病状态分布动态调整搜索行为，有效平衡了探索与开发。