[论文解读] Egret Swarm Optimization Algorithm: An Evolutionary Computation Approach for Model Free Optimization

Zuyan Chen, Adam Francis+3 more|arXiv (Cornell University)|Jul 29, 2022

Metaheuristic Optimization Algorithms Research被引用 4

一句话总结

本文提出了一种新型元启发式优化算法——鹭群优化算法（Egret Swarm Optimization Algorithm, ESOA），该算法受大白鹭与雪白鹭合作捕食行为的启发。ESOA结合了静坐等待策略、攻击性策略及判别条件，有效平衡了探索与开发，相较于PSO、GA、DE、GWO和HHO，在36个基准函数及两个真实工程问题上展现出更优的性能与更强的鲁棒性。

ABSTRACT

A novel meta-heuristic algorithm, Egret Swarm Optimization Algorithm (ESOA), is proposed in this paper, which is inspired by two egret species' (Great Egret and Snowy Egret) hunting behavior. ESOA consists of three primary components: Sit-And-Wait Strategy, Aggressive Strategy as well as Discriminant Conditions. The performance of ESOA on 36 benchmark functions as well as 2 engineering problems are compared with Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Differential Evolution (DE), Grey Wolf Optimizer (GWO), and Harris Hawks Optimization (HHO). The result proves the superior effectiveness and robustness of ESOA. The source code used in this work can be retrieved from https://github.com/Knightsll/Egret_Swarm_Optimization_Algorithm; https://ww2.mathworks.cn/matlabcentral/fileexchange/115595-egret-swarm-optimization-algorithm-esoa.

研究动机与目标

• 解决现有元启发式算法在非凸、无梯度优化问题中探索与开发平衡方面的局限性。
• 开发一种新型仿生算法，模拟大白鹭与雪白鹭的协作与自适应捕食策略。
• 评估ESOA在标准基准函数及真实世界工程优化问题上的性能表现。
• 展示ESOA在收敛速度、解质量与稳定性方面相较于先进算法的优越性。
• 提供开源实现，以支持更广泛的应用及无模型优化领域的进一步研究。

提出的方法

• ESOA模拟雪白鹭的静坐等待策略，即代理保持静止以探测并捕获猎物，代表局部搜索或开发阶段。
• ESOA引入大白鹭的攻击性策略，通过主动移动与追逐猎物，象征全局探索与种群多样性。
• 判别条件动态决定代理是否根据适应度改进与收敛标准在静坐等待与攻击性策略间切换。
• 算法采用搜索代理群体，通过基于行为模型推导的速度与位置更新规则，迭代更新其位置。
• 通过罚函数处理约束，其中Belegundu问题的罚系数φ设为10^100，弹簧设计问题的φ设为10^5。
• 算法使用36个CEC1997与CEC2017基准函数，以及两个工程问题（Belegundu问题与拉伸/压缩螺旋弹簧设计问题）进行评估。

实验结果

研究问题

• RQ1 受鹭类捕食行为启发的新型元启发式算法能否在探索与开发之间实现优于现有方法的平衡？
• RQ2 ESOA在包含单峰、多峰、混合与组合函数的多样化基准函数集上表现如何？
• RQ3 ESOA在复杂优化问题上的多次独立运行中，其收敛行为与稳定性如何？
• RQ4 ESOA能否在高精度与鲁棒性下有效解决具有约束的真实世界工程优化问题？
• RQ5 ESOA在合成问题与实际问题上，相较于PSO、GA、DE、GWO与HHO，在性能与计算效率方面表现如何？

主要发现

• 在CEC1997与CEC2017基准集上，ESOA在36个函数中的24个实现了最佳平均性能，展现出卓越的全局搜索能力。
• 在Belegundu问题中，ESOA获得最优结果-30665.18896，优于PSO（-30663.21135）及其他算法的最佳值与平均值。
• 在拉伸/压缩螺旋弹簧设计问题中，ESOA实现最佳平均适应度0.012855，标准差最低（7.34×10^-5），表明其具有高度稳定性。
• 在Belegundu问题上，ESOA的标准差仅次于最低值，证实其尽管未取得绝对最佳平均值，但依然具备极强的鲁棒性。
• 在所有测试函数中，ESOA的收敛行为始终快于且更稳定于PSO、GA、DE、GWO与HHO。
• ESOA的源代码已公开发布于GitHub与MathWorks File Exchange，支持可复现性及无模型优化领域的进一步研究。