[论文解读] Improved Local Search in Artificial Bee Colony using Golden Section Search

Tarun Kumar Sharma, Millie Pant+1 more|arXiv (Cornell University)|Oct 23, 2012

Metaheuristic Optimization Algorithms Research参考文献 28被引用 11

一句话总结

本文提出 ILS-ABC，一种改进的人工蜂群（ABC）算法，通过在局部搜索阶段引入黄金分割搜索（GSS），以提升收敛速度并避免陷入局部最优。通过用基于 GSS 的探索替代标准的随机局部搜索，该方法在无约束工程优化问题上实现了更快的收敛速度和更优的性能，在数值实验中优于现有最先进算法。

ABSTRACT

Artificial bee colony (ABC), an optimization algorithm is a recent addition to the family of population based search algorithm. ABC has taken its inspiration from the collective intelligent foraging behavior of honey bees. In this study we have incorporated golden section search mechanism in the structure of basic ABC to improve the global convergence and prevent to stick on a local solution. The proposed variant is termed as ILS-ABC. Comparative numerical results with the state-of-art algorithms show the performance of the proposal when applied to the set of unconstrained engineering design problems. The simulated results show that the proposed variant can be successfully applied to solve real life problems.

研究动机与目标

• 解决标准 ABC 算法收敛速度慢且易陷入局部最优的局限性。
• 通过用更系统、更高效的方法替代随机搜索，改进 ABC 的局部搜索阶段。
• 提升无约束工程设计问题中的全局收敛性与解的质量。
• 验证所提变体相对于现有最先进优化算法的有效性。

提出的方法

• 将黄金分割搜索（GSS）集成到 ABC 算法的雇佣蜂阶段，以优化局部搜索。
• 利用 GSS 迭代缩小当前最优解周围的搜索区间，从而提升收敛速度。
• 用基于区间锁定的确定性搜索策略替代 ABC 中标准的随机扰动。
• 仅在局部搜索阶段应用 GSS，以保持种群多样性，同时在观察蜂阶段保留全局探索能力。
• 通过 GSS 机制以系统方式减少搜索空间，更新解向量。
• 为每个雇佣蜂设置固定的 GSS 迭代次数，以平衡探索与开发。

实验结果

研究问题

• RQ1 黄金分割搜索能否提升人工蜂群算法的收敛速度？
• RQ2 将 GSS 集成到局部搜索阶段是否能降低过早收敛至局部最优的可能性？
• RQ3 所提出的 ILS-ABC 在标准工程优化问题上相较于其他最先进元启发式算法表现如何？
• RQ4 基于 GSS 的局部搜索能否在增强局部精细化的同时保持解的多样性？

主要发现

• ILS-ABC 在测试的工程设计问题上表现出优于标准 ABC 算法的卓越收敛速度。
• 引入黄金分割搜索显著减少了达到最优解所需的函数评估次数。
• 在多个基准函数上，ILS-ABC 在解的精度与鲁棒性方面优于其他最先进元启发式算法。
• 所提方法有效避免了局部最优，展现出增强的全局收敛行为。