[论文解读] On Self-Regulated Swarms, Societal Memory, Speed and Dynamics

Vitorino Ramos, Carlos M. Fernandes+1 more|ArXiv.org|Dec 1, 2005

Metaheuristic Optimization Algorithms Research参考文献 33被引用 10

一句话总结

该论文提出了一种自调节集群（SRS）算法，将群体智能与直接繁殖机制相结合，以实现在复杂多变环境中的动态自适应。通过利用基于信息素的集体环境记忆与自调节机制，SRS在动态优化中优于标准遗传算法（GAs）、细菌觅食优化（BFOA）及协同进化方法，在追踪移动峰值方面速度比单个智能体快达十倍，同时保持65%的准确率。

ABSTRACT

We propose a Self-Regulated Swarm (SRS) algorithm which hybridizes the advantageous characteristics of Swarm Intelligence as the emergence of a societal environmental memory or cognitive map via collective pheromone laying in the landscape (properly balancing the exploration/exploitation nature of our dynamic search strategy), with a simple Evolutionary mechanism that trough a direct reproduction procedure linked to local environmental features is able to self-regulate the above exploratory swarm population, speeding it up globally. In order to test his adaptive response and robustness, we have recurred to different dynamic multimodal complex functions as well as to Dynamic Optimization Control problems, measuring reaction speeds and performance. Final comparisons were made with standard Genetic Algorithms (GAs), Bacterial Foraging strategies (BFOA), as well as with recent Co-Evolutionary approaches. SRS's were able to demonstrate quick adaptive responses, while outperforming the results obtained by the other approaches. Additionally, some successful behaviors were found. One of the most interesting illustrate that the present SRS collective swarm of bio-inspired ant-like agents is able to track about 65% of moving peaks traveling up to ten times faster than the velocity of a single individual composing that precise swarm tracking system.

研究动机与目标

• 开发一种可动态适应变化环境的自调节集群系统。
• 通过集体信息素投放实现社会记忆，以改善探索与开发之间的平衡。
• 通过与局部环境反馈关联的直接繁殖机制，提升全局搜索速度。
• 在动态多峰问题中，评估与标准及协同进化优化方法的性能表现。
• 证明集群能够高效且稳健地追踪移动最优解。

提出的方法

• SRS算法使用类似蚂蚁的智能体在环境中留下信息素，以构建集体认知地图。
• 自调节机制通过基于局部环境质量的直接繁殖来控制种群规模。
• 信息素更新规则在动态搜索空间中平衡探索（多样性）与开发（收敛性）。
• 该算法在动态多峰函数和动态最优控制问题上进行了测试。
• 性能与标准遗传算法（GAs）、细菌觅食优化（BFOA）及协同进化方法进行了基准对比。
• 系统根据环境反馈和信息素梯度动态调整智能体密度与移动行为。

实验结果

研究问题

• RQ1 自调节集群是否能在动态多峰优化问题中保持高性能？
• RQ2 通过信息素投放实现的社会记忆集成，如何影响搜索效率与适应性？
• RQ3 基于局部适应度的直接繁殖在多大程度上提升了收敛速度与鲁棒性？
• RQ4 集群能否有效追踪移动峰值？其速度与单个智能体相比如何？
• RQ5 在动态环境中，SRS与GAs、BFOA及协同进化方法在定量上如何比较？

主要发现

• SRS在优化景观发生动态变化时表现出快速的自适应响应。
• 在动态多峰函数测试中，SRS优于标准遗传算法（GAs）和细菌觅食优化（BFOA）。
• 在动态优化任务中，SRS成功追踪了约65%的移动峰值。
• 集群的追踪速度最高可达系统中单个个体智能体速度的十倍。
• 通过基于局部适应度的繁殖实现的自调节机制，显著提升了全局搜索速度与鲁棒性。
• 基于集体信息素的社会记忆显著改善了探索与开发之间的平衡。