[论文解读] Nature-Inspired Optimization Algorithms: Research Direction and Survey

Sachan Rohit Kumar, Kushwaha Dharmender Singh|arXiv (Cornell University)|Feb 8, 2021

Metaheuristic Optimization Algorithms Research被引用 6

一句话总结

本综述对13种主流的自然启发优化算法（如PSO、GA、ABC和GSA）进行了全面分类与对比分析，这些算法根据其生物学、群体智能或物理启发进行分类。该综述评估了其算子、参数、变体及应用，为研究人员提供了结构化的指导，以根据实证性能和理论基础，为特定优化问题选择最合适的算法。

ABSTRACT

Nature-inspired algorithms are commonly used for solving the various optimization problems. In past few decades, various researchers have proposed a large number of nature-inspired algorithms. Some of these algorithms have proved to be very efficient as compared to other classical optimization methods. A young researcher attempting to undertake or solve a problem using nature-inspired algorithms is bogged down by a plethora of proposals that exist today. Not every algorithm is suited for all kinds of problem. Some score over others. In this paper, an attempt has been made to summarize various leading research proposals that shall pave way for any new entrant to easily understand the journey so far. Here, we classify the nature-inspired algorithms as natural evolution based, swarm intelligence based, biological based, science based and others. In this survey, widely acknowledged nature-inspired algorithms namely- ACO, ABC, EAM, FA, FPA, GA, GSA, JAYA, PSO, SFLA, TLBO and WCA, have been studied. The purpose of this review is to present an exhaustive analysis of various nature-inspired algorithms based on its source of inspiration, basic operators, control parameters, features, variants and area of application where these algorithms have been successfully applied. It shall also assist in identifying and short listing the methodologies that are best suited for the problem.

研究动机与目标

• 为新研究人员应对自然启发优化算法数量不断增长所带来的挑战提供支持。
• 根据其灵感来源、算子、控制参数和特征，对主要算法进行分类与比较。
• 通过系统性回顾其性能与应用，识别出针对特定问题类型最有效的算法。
• 基于问题特征和期望结果，为选择最优算法提供决策框架。
• 通过指明研究空白和有前景的研究方向，为未来研究提供指导。

提出的方法

• 本文对13种广泛认可的自然启发优化算法（包括ACO、ABC、FA、FPA、GA、PSO和WCA）进行了系统性综述。
• 将算法分为五类：基于自然进化的、基于群体智能的、基于生物学的、基于科学的以及其他类别。
• 基于其灵感来源、核心算子、控制参数以及收敛速度和鲁棒性等内在特征，对每种算法进行分析。
• 研究评估了算法变体、性能指标以及在工程、机器学习和运筹学等多样化领域中的实际应用。
• 通过表格总结和图表对比分析，突出不同算法在行为特征、参数敏感性及解质量方面的差异。
• 综述综合研究发现，识别出各类算法的优势，并为特定优化问题类型推荐最优选择。

实验结果

研究问题

• RQ1 在连续优化、组合优化或多目标优化问题中，哪些自然启发优化算法最为有效？
• RQ2 不同算法类别（如基于群体的与基于进化的）在收敛速度和解精度方面如何比较？
• RQ3 哪些关键控制参数影响算法性能，它们如何影响鲁棒性和稳定性？
• RQ4 在哪些应用领域中，这些算法相较于经典方法表现出更优性能？
• RQ5 未来自然启发优化算法发展的最有前景的研究方向是什么？

主要发现

• 综述识别出PSO、ABC和JAYA在连续优化中表现优异，因其收敛速度快且对参数敏感度低。
• 如GA和GSA等算法在多峰和复杂搜索空间中表现强劲，尤其在结合局部搜索增强时。
• ACO和FA在组合优化和路径规划问题（如旅行商问题）中表现出色。
• 研究表明，参数调优显著影响算法性能，部分算法（如TLBO）仅需极少参数配置。
• 基于生物学的算法（如SFLA和EAM）在动态优化和约束优化场景中展现出潜力。
• 综述指出了算法间基准测试与性能评估缺乏标准化的问题，呼吁建立统一的测试框架。