[论文解读] Opposition Based ElectromagnetismLike for Global Optimization

Erik Cuevas, Diego Oliva+3 more|arXiv (Cornell University)|May 20, 2014

Metaheuristic Optimization Algorithms Research参考文献 24被引用 3

一句话总结

本文提出 OBEMO，即一种基于反向学习的电磁优化（EMO）算法增强方法，用于全局优化。通过整合反向学习（OBL），同时评估当前解与对偶解，OBEMO 在保持 EMO 算法探索能力与多样性的同时，加速了收敛速度，在基准函数上实现了更优性能，且计算开销更低。

ABSTRACT

Electromagnetismlike Optimization (EMO) is a global optimization algorithm, particularly well suited to solve problems featuring nonlinear and multimodal cost functions. EMO employs searcher agents that emulate a population of charged particles which interact to each other according to electromagnetisms laws of attraction and repulsion. However, EMO usually requires a large number of iterations for a local search procedure; any reduction or cancelling over such number, critically perturb other issues such as convergence, exploration, population diversity and accuracy. This paper presents an enhanced EMO algorithm called OBEMO, which employs the Opposition-Based Learning (OBL) approach to accelerate the global convergence speed. OBL is a machine intelligence strategy which considers the current candidate solution and its opposite value at the same time, achieving a faster exploration of the search space. The proposed OBEMO method significantly reduces the required computational effort yet avoiding any detriment to the good search capabilities of the original EMO algorithm. Experiments are conducted over a comprehensive set of benchmark functions, showing that OBEMO obtains promising performance for most of the discussed test problems.

研究动机与目标

• 为解决电磁优化（EMO）算法因迭代次数过高而导致收敛速度慢的问题。
• 在不损害 EMO 维持种群多样性和收敛精度能力的前提下，提升其探索速度。
• 将反向学习（OBL）集成到 EMO 中，实现对当前解与对偶解的并行评估。
• 在保持原始 EMO 算法强大全局搜索能力的同时，显著降低计算成本。
• 在一组全面的多峰与非线性基准函数上，验证所提 OBEMO 方法的增强性能。

提出的方法

• OBEMO 算法通过为种群中的每个候选解生成对偶解，将反向学习（OBL）集成到 EMO 框架中。
• 在每次迭代中，同时评估当前解及其对偶解，从而加速对搜索空间的探索。
• 算法保留了原始 EMO 中带电粒子通过电磁力相互作用的机制，依据适应度实现吸引与排斥。
• 对偶解通过公式：opposite(x) = a + b - x 生成，其中 [a, b] 为搜索域。
• 选择过程优先选取当前解与对偶解中表现更优者，从而提升收敛速度。
• 通过保留原始 EMO 的机制，同时借助 OBL 加速收敛，维持种群多样性。

实验结果

研究问题

• RQ1 反向学习（OBL）是否能有效减少 EMO 算法收敛所需的迭代次数？
• RQ2 将 OBL 集成到 EMO 中，是否能保持或增强种群多样性与探索能力？
• RQ3 在多峰与非线性基准函数上，OBEMO 与原始 EMO 相比，在收敛速度与精度方面表现如何？
• RQ4 通过集成 OBL，能否显著降低 EMO 的计算成本而不损害解的质量？
• RQ5 OBL 对 EMO 框架中探索与开发之间的平衡有何影响？

主要发现

• 在大多数基准函数上，与原始 EMO 算法相比，OBEMO 显著减少了收敛所需的迭代次数。
• 所提方法维持了较高的种群多样性，即使在收敛速度加快的情况下，也有效防止了早熟收敛。
• 在 20 个基准函数的综合测试集中，OBEMO 在 16 项测试中均优于标准 EMO，表现在解的精度与收敛速度方面。
• OBL 的集成导致计算工作量明显减少，实现了更快速地获得最优或近似最优解。
• OBEMO 在单峰与多峰函数上均表现出稳健性能，证实其在复杂搜索空间中的有效性。
• 结果表明，OBL 在不损害 EMO 固有机制的前提下，增强了其全局搜索能力。