[论文解读] Empirical Study of Artificial Fish Swarm Algorithm

Reza Azizi|arXiv (Cornell University)|May 16, 2014

Metaheuristic Optimization Algorithms Research参考文献 15被引用 26

一句话总结

本文提出了一种自适应策略，用于人工鱼群算法（AFSA）中的视觉参数和步长参数，以平衡全局搜索与局部搜索能力。通过在执行过程中动态调整这些参数，研究在基准函数上展示了显著的性能提升，表明自适应参数控制相较于固定参数的AFSA，能够提高收敛速度和解的质量。

ABSTRACT

Artificial fish swarm algorithm (AFSA) is one of the swarm intelligence optimization algorithms that works based on population and stochastic search. In order to achieve acceptable result, there are many parameters needs to be adjusted in AFSA. Among these parameters, visual and step are very significant in view of the fact that artificial fish basically move based on these parameters. In standard AFSA, these two parameters remain constant until the algorithm termination. Large values of these parameters increase the capability of algorithm in global search, while small values improve the local search ability of the algorithm. In this paper, we empirically study the performance of the AFSA and different approaches to balance between local and global exploration have been tested based on the adaptive modification of visual and step during algorithm execution. The proposed approaches have been evaluated based on the four well-known benchmark functions. Experimental results show considerable positive impact on the performance of AFSA.

研究动机与目标

• 为解决人工鱼群算法（AFSA）中全局探索与局部开发之间的平衡挑战。
• 研究固定参数与自适应参数设置对AFSA性能的影响。
• 评估视觉和步长参数的动态调整是否能提升收敛性与解的质量。
• 为自适应参数控制在群智能算法中的有效性提供实证证据。

提出的方法

• 本研究在AFSA执行过程中实施视觉和步长参数的自适应修改，依据算法的进展情况。
• 基于预定义规则，动态调整视觉和步长参数，早期增加全局探索，后期增强局部精细搜索。
• 使用四个标准基准函数，评估自适应AFSA与标准固定参数版本的性能表现。
• 通过多次运行测量算法的收敛行为与最终解的质量，以确保统计可靠性。
• 自适应策略旨在维持种群多样性的同时提升搜索效率。

实验结果

研究问题

• RQ1 AFSA在固定参数与自适应参数设置下，性能表现有何差异？
• RQ2 视觉和步长参数的动态调整能否改善AFSA中全局搜索与局部搜索的平衡？
• RQ3 自适应参数控制对收敛速度与解的准确性有何影响？
• RQ4 不同基准函数对AFSA中自适应参数调节的响应如何？

主要发现

• 对视觉和步长参数进行自适应调整，显著提升了AFSA在基准函数上的性能表现。
• 所提出的自适应方法相较于采用固定参数的标准AFSA，实现了更快的收敛速度与更高的解精度。
• 动态参数控制在早期迭代中增强了全局探索能力，在后期阶段则提升了局部开发能力。
• 实证结果表明，所有四个测试的基准函数均表现出一致的性能提升。