[论文解读] Firefly Algorithm, Stochastic Test Functions and Design Optimisation

Xin‐She Yang|arXiv (Cornell University)|Mar 6, 2010

Metaheuristic Optimization Algorithms Research参考文献 11被引用 36

一句话总结

本文提出萤火虫算法（FA）用于求解非线性工程设计优化问题，证明其在性能上优于现有方法（如粒子群优化）。在压力容器设计问题中，FA实现的最低成本约为5,885.33美元，显著优于先前最优解6,059.71美元。

ABSTRACT

Modern optimisation algorithms are often metaheuristic, and they are very promising in solving NP-hard optimization problems. In this paper, we show how to use the recently developed Firefly Algorithm to solve nonlinear design problems. For the standard pressure vessel design optimisation, the optimal solution found by FA is far better than the best solution obtained previously in literature. In addition, we also propose a few new test functions with either singularity or stochastic components but with known global optimality, and thus they can be used to validate new optimisation algorithms. Possible topics for further research are also discussed.

研究动机与目标

• 开发并验证一种新型元启发式优化算法——萤火虫算法（FA），用于求解复杂的非线性设计问题。
• 提出具有已知全局最优解的新随机与奇异测试函数，作为评估新型优化算法的基准。
• 展示FA在求解实际工程优化问题（特别是压力容器设计问题）中的有效性。
• 从解的质量与收敛性角度，对比FA与现有算法（如粒子群优化（PSO）和遗传算法）的性能表现。
• 为元启发式算法设计、收敛性分析及性能基准测试的进一步研究提供基础。

提出的方法

• 萤火虫算法基于萤火虫理想化的闪光行为，其中吸引力与亮度（目标函数值）成正比，并随距离按指数衰减模型减小。
• 萤火虫之间的吸引力建模为 $\beta = \beta_0 e^{-\gamma r^2}$，其中 $r$ 为萤火虫间的欧氏距离，$\gamma$ 为光吸收系数。
• 萤火虫向更亮的个体移动；若不存在更亮个体，则执行随机游走，从而实现全局探索并逃离局部最优。
• 该算法使用 $n$ 个萤火虫的种群，通过迭代更新位置，基于吸引力与目标函数评估，直至收敛。
• 引入新测试函数：奇异函数 $f(\mathbf{x}) = \sum_{i=1}^{d} |x_i|^i$，其全局最小值位于 $\mathbf{x}_* = (0,\dots,0)$；以及随机函数 $f(\mathbf{x}) = \sum_{i=1}^{d} \epsilon_i |x_i|^i$，其中 $\epsilon_i \sim \text{Unif}[0,1]$。
• 采用FA求解压力容器设计问题，使用40只萤火虫，迭代20次，最小化在四个不等式约束和简单边界条件下的成本函数。

实验结果

研究问题

• RQ1 萤火虫算法能否有效求解如压力容器设计这类约束非线性设计优化问题？
• RQ2 萤火虫算法在解的质量与收敛性方面，与现有元启发式算法（如粒子群优化）相比表现如何？
• RQ3 具有奇异性与随机成分的新测试函数能否作为验证新型优化算法的有效基准？
• RQ4 种群规模与迭代次数等算法参数对收敛性与解质量的影响如何？
• RQ5 萤火虫算法在复杂多峰景观中，多大程度上能逃离局部最优并定位全局最小值？

主要发现

• 萤火虫算法在压力容器设计问题中实现最低成本约5,885.33美元，显著低于先前报道的最佳解6,059.71美元。
• FA找到的最优设计为 $\mathbf{x}_* \approx (0.7782, 0.3846, 40.3196, 200.0000)^T$，其中长度 $L$ 处于其上界，表明该配置更具成本效益。
• 所提出的随机测试函数 $f(\mathbf{x}) = \sum_{i=1}^{d} \epsilon_i |x_i|^i$ 在 $\mathbf{x}_* = (0,\dots,0)$ 处具有唯一全局最小值，$f_* = 0$，且表现出非光滑性与随机性。
• 奇异测试函数 $f(\mathbf{x}) = \sum_{i=1}^{d} |x_i|^i$ 在 $\mathbf{x}_* = (0,\dots,0)$ 处具有全局最小值 $f_* = 0$，且在原点不可微，使其成为具有挑战性的基准。
• FA在15次迭代内，使用20只萤火虫，成功收敛至随机函数 $f(\mathbf{x}) = \sum_{i=1}^{d} \epsilon_i |x_i|^i$ 的全局最小值，证明其在随机环境中的鲁棒性。
• 算法在多次运行中表现稳定，萤火虫在确定性与随机测试函数中均收敛至全局最优，表明其具备强大的全局搜索能力。