[论文解读] GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering Challenges and Beyond

Rebwar Khalid Hamad, Tarik A. Rashid|arXiv (Cornell University)|Jul 19, 2023

Metaheuristic Optimization Algorithms Research被引用 5

一句话总结

本文提出了一种名为 GOOSE 的新型元启发式优化算法，该算法受大雁群体在休息和觅食过程中保持平衡与保护群体行为的启发。在 19 个基准函数以及实际工程问题（如焊接梁设计和经济负荷分配）上的评估表明，与 GA、PSO、DA、FDO、WOA、SSA 等先进算法相比，GOOSE 算法在收敛速度和解的质量方面表现出更优的性能。

ABSTRACT

This study proposes the GOOSE algorithm as a novel metaheuristic algorithm based on the goose's behavior during rest and foraging. The goose stands on one leg and keeps his balance to guard and protect other individuals in the flock. The GOOSE algorithm is benchmarked on 19 well-known benchmark test functions, and the results are verified by a comparative study with genetic algorithm (GA), particle swarm optimization (PSO), dragonfly algorithm (DA), and fitness dependent optimizer (FDO). In addition, the proposed algorithm is tested on 10 modern benchmark functions, and the gained results are compared with three recent algorithms, such as the dragonfly algorithm, whale optimization algorithm (WOA), and salp swarm algorithm (SSA). Moreover, the GOOSE algorithm is tested on 5 classical benchmark functions, and the obtained results are evaluated with six algorithms, such as fitness dependent optimizer (FDO), FOX optimizer, butterfly optimization algorithm (BOA), whale optimization algorithm, dragonfly algorithm, and chimp optimization algorithm (ChOA). The achieved findings attest to the proposed algorithm's superior performance compared to the other algorithms that were utilized in the current study. The technique is then used to optimize Welded beam design and Economic Load Dispatch Problem, three renowned real-world engineering challenges, and the Pathological IgG Fraction in the Nervous System. The outcomes of the engineering case studies illustrate how well the suggested approach can optimize issues that arise in the real-world.

研究动机与目标

• 开发一种受大雁在休息和觅食期间自然行为启发的新型元启发式优化算法。
• 解决现有元启发式算法在求解复杂实际工程优化问题时的局限性。
• 在标准基准函数上，验证所提出的 GOOSE 算法与现有先进算法的性能对比。
• 展示该算法在解决实际工程挑战（如焊接梁设计和经济负荷分配）方面的有效性。
• 评估该算法在病理数据优化（如神经系统中的 IgG 分数）中的表现。

提出的方法

• GOOSE 算法通过模拟大雁单脚站立以保持平衡并保护群体的行为，将其转化为一种优化搜索机制。
• 该算法采用基于平衡的探索阶段以维持搜索空间中的多样性，并通过保护机制引导个体向有希望的解靠近。
• 基于当前种群的适应度分布，引入自适应参数以动态调整搜索行为。
• 采用基于适应度的选择机制，在搜索过程中优先考虑高质量解。
• 该方法结合了局部与全局搜索策略，以增强收敛性并避免早熟停滞。
• 算法采用基于种群的框架，通过社会与环境反馈迭代更新个体位置。

实验结果

研究问题

• RQ1 GOOSE 算法在标准基准函数上是否能实现比现有元启发式算法更快的收敛速度和更高的解精度？
• RQ2 与 WOA、SSA 和 DA 等近期算法相比，GOOSE 算法在现代和经典基准函数上的表现如何？
• RQ3 GOOSE 算法在多大程度上能够有效求解实际工程优化问题，如焊接梁设计和经济负荷分配？
• RQ4 GOOSE 算法在优化复杂生物或病理数据（如神经系统中的 IgG 分数）方面有多高效？
• RQ5 大雁保持平衡与保护群体的行为在提升算法探索与开发权衡方面起到了何种作用？

主要发现

• 在 19 个知名基准函数上，GOOSE 算法在收敛速度和解质量方面均优于 GA、PSO、DA 和 FDO。
• 在 10 个现代基准函数上，GOOSE 算法的结果优于或与 WOA、SSA 和 DA 相当，且表现出更高的稳定性和鲁棒性。
• 在经典基准函数中，与 FDO、FOX、BOA、ChOA 和 WOA 相比，GOOSE 算法排名靠前，展现出持续的优越性。
• 在焊接梁设计问题中，GOOSE 算法获得的目标准则值低于所有对比算法，表明其具有更高的结构效率。
• 在经济负荷分配问题中，GOOSE 算法提供了更优且更稳定的解，燃料成本更低，收敛行为更佳。
• 在病理 IgG 分数优化中，GOOSE 算法在拟合复杂生物数据方面表现强劲，显示出在医学诊断中的潜在应用价值。