[论文解读] Engineering Optimisation by Cuckoo Search

Xin‐She Yang, Suash Deb|arXiv (Cornell University)|May 17, 2010

Metaheuristic Optimization Algorithms Research被引用 137

一句话总结

本文提出了一种名为麻雀搜索（Cuckoo Search, CS）的新颖元启发式优化算法，该算法受某些杜鹃鸟的巢寄生行为及Lévy飞行行为的启发，用于求解复杂的工程设计问题。CS在基准函数上的表现优于粒子群优化（PSO）和遗传算法（GAs），并在焊接梁和弹簧设计问题上获得了迄今为止最佳的已知解。

ABSTRACT

A new metaheuristic optimisation algorithm, called Cuckoo Search (CS), was developed recently by Yang and Deb (2009). This paper presents a more extensive comparison study using some standard test functions and newly designed stochastic test functions. We then apply the CS algorithm to solve engineering design optimisation problems, including the design of springs and welded beam structures. The optimal solutions obtained by CS are far better than the best solutions obtained by an efficient particle swarm optimiser. We will discuss the unique search features used in CS and the implications for further research.

研究动机与目标

• 开发一种新型元启发式优化算法，以高效求解具有多个约束的复杂非线性工程设计问题。
• 通过标准和随机测试函数，验证麻雀搜索（CS）与粒子群优化（PSO）和遗传算法（GAs）等成熟算法的性能对比。
• 将CS应用于实际工程优化问题，包括拉伸/压缩螺旋弹簧和焊接梁结构的设计。
• 分析CS独特搜索机制的作用，特别是Lévy飞行和精英策略的影响，评估其对收敛性和鲁棒性的作用。
• 探索CS在多目标优化和约束优化中的潜力，并识别未来算法改进与理论分析的方向。

提出的方法

• 麻雀搜索采用三条理想化规则：每只麻雀随机选择一个宿主鸟巢产一枚蛋（即一个解），最优的鸟巢（解）被保留至下一代，同时一定比例的最差鸟巢被新生成的鸟巢替换。
• 该算法使用Lévy飞行在搜索空间中生成大步长跳跃，从而实现高效的全局探索，并降低陷入局部最优的风险。
• 通过从Lévy分布中抽取步长的随机游走实现局部搜索，使算法能够在有希望的解附近实现探索与开发的平衡。
• 通过在代际间保留最优解来维持精英策略，确保收敛至高质量解的同时不丢失已有进展。
• 算法通过Lévy飞行实现多样化（探索），并通过在最优解附近的局部搜索实现集中化（开发），从而减少对精细参数调优的依赖。
• 宿主鸟类检测并丢弃外来鸟蛋的概率被建模为一个参数 $ p_a otin [0,1] $，该参数控制鸟巢替换速率，从而调节探索与开发之间的平衡。

实验结果

研究问题

• RQ1 在标准和随机测试函数上，麻雀搜索与粒子群优化（PSO）和遗传算法（GAs）相比，性能如何？
• RQ2 麻雀搜索能否有效求解具有复杂约束的实际工程设计问题，如拉伸/压缩螺旋弹簧和焊接梁设计？
• RQ3 Lévy飞行在提升麻雀搜索算法全局搜索能力和收敛速度方面起到何种作用？
• RQ4 麻雀搜索的性能对参数调优（尤其是 $ p_a $）是否敏感？其在不同问题上是否保持鲁棒性？
• RQ5 哪些关键算法组件——精英策略、局部搜索以及基于Lévy飞行的探索——对CS性能的优越性起到了决定性作用？

主要发现

• 麻雀搜索在焊接梁设计问题上达到了迄今为止最佳的已知解，最优目标值为 $ f( extbf{x}_*) = 1.724852308597361 $，与Cagnina等人（2008）的结果一致。
• 在拉伸/压缩螺旋弹簧设计问题上，CS找到的解与先前报道结果相比，要么相等，要么更优，表现出高度的准确性和一致性。
• CS在所有测试的基准函数上均优于粒子群优化（PSO），包括标准函数和新设计的随机函数。
• 该算法对参数 $ p_a $ 不敏感，表明其具有鲁棒性，且在不同优化问题中对精细调参的需求较低。
• Lévy飞行与精英策略及局部搜索的结合，实现了高效的探索与开发，从而加快收敛速度并提升解的质量。
• 本研究表明，麻雀搜索是一种通用、鲁棒且高效的元启发式算法，适用于具有约束、非线性和多峰特性的工程优化问题。