[论文解读] Firefly Algorithm for optimization problems with non-continuous variables: A Review and Analysis

Surafel Luleseged Tilahun, Jean Medard T Ngnotchouye|arXiv (Cornell University)|Feb 25, 2016

Metaheuristic Optimization Algorithms Research被引用 4

一句话总结

本文综述并分析了为解决具有非连续变量（如二值变量和整数变量）的优化问题而对萤火虫算法（Firefly Algorithm, FA）所作的改进。比较了两种主要方法——在连续空间更新后通过s型函数或双曲正切函数进行离散化，以及直接在离散空间中更新——并识别出FA在处理离散问题时的关键优势、劣势及未来研究方向。

ABSTRACT

Firefly algorithm is a swarm based metaheuristic algorithm inspired by the flashing behavior of fireflies. It is an effective and an easy to implement algorithm. It has been tested on different problems from different disciplines and found to be effective. Even though the algorithm is proposed for optimization problems with continuous variables, it has been modified and used for problems with non-continuous variables, including binary and integer valued problems. In this paper a detailed review of this modifications of firefly algorithm for problems with non-continuous variables will be discussed. The strength and weakness of the modifications along with possible future works will be presented.

研究动机与目标

• 系统性地综述并分析萤火虫算法（FA）在求解包含二值变量和整数变量等非连续变量优化问题方面的改进方法。
• 评估专为离散优化问题设计的不同FA变体的优势与劣势。
• 识别现有方法的局限性，例如依赖连续空间更新后进行离散化，可能导致解远离最优离散值。
• 提出未来研究方向，包括自适应参数控制、混合搜索机制，以及对问题特定改进的泛化。
• 比较基于连续空间更新后离散化与直接在离散空间中更新在收敛性和解质量方面的有效性。

提出的方法

• 通过在连续空间中应用更新规则（使用吸引公式：$ x_i := x_i + \beta_0 e^{-\gamma r_{ij}^2} (x_j - x_i) $）来改进标准萤火虫算法，随后通过s型函数或双曲正切函数将结果转换为离散值。
• 引入随机移动成分：$ x_i := x_i + \alpha (\text{rand}() - 0.5) $，其中$ \alpha $随迭代次数递减，以平衡探索与开发。
• 采用基于亮度的吸引机制，其中亮度更高的萤火虫（目标函数值更低）吸引其他萤火虫，光强建模为$ \beta = \beta_0 e^{-\gamma r^2} $。
• 引入问题特定的改进措施，例如在供应商选择和0-1背包问题中，根据问题结构和约束条件定制更新规则。
• 在部分变体中应用局部搜索和随机飞行策略，即对表现最优的萤火虫执行局部搜索或随机扰动以提升解的质量。
• 提出替代更新机制，如$ \beta = \frac{\beta_0}{\omega + r} $，以避免奇点并提高数值稳定性。

实验结果

研究问题

• RQ1 在萤火虫算法中，采用连续空间更新后通过离散化（如使用s型函数）求解二值和整数优化问题的效率如何？
• RQ2 在离散问题中使用连续空间更新存在哪些局限性，特别是当连续空间中的最优解远离最近的离散解时？
• RQ3 与基于连续空间的离散化方法相比，基于问题特定编码和距离度量的直接离散空间更新在收敛性和解质量方面表现如何？
• RQ4 哪些参数控制策略（如自适应$ \alpha $、动态$ \beta $）能够提升FA在非连续问题上的性能？
• RQ5 未来研究方向（如混合搜索策略或自适应步长）如何能进一步增强萤火虫算法在离散优化中的有效性？

主要发现

• 第一类改进方法——先在连续空间中更新，再通过s型或双曲正切函数进行离散化——应用广泛，但可能导致解被引导至远离最优离散值的连续最优解。
• 第二类改进方法——基于问题特定编码和距离度量的直接离散空间更新——通过避免连续空间近似带来的问题，展现出更优性能。
• 在0-1背包问题和供应商选择问题中，针对问题特性的FA改进显著提升了收敛速度和解的质量，优于标准FA。
• 随迭代过程递减步长$ \alpha $可提升解的质量，实现从探索到开发的平稳过渡，而自适应或动态$ \alpha $可进一步优化性能。
• 在最亮萤火虫上应用局部搜索，以及在表现最优个体上引入随机飞行，有助于提升局部搜索精度并避免早熟收敛。
• 未来工作应聚焦于融合连续与离散搜索机制、泛化问题特定改进方法，并开发能根据算法性能自适应调整的参数机制。