[论文解读] Performance assessment and exhaustive listing of 500+ nature inspired metaheuristic algorithms

Zhongqiang Ma, Guohua Wu+3 more|arXiv (Cornell University)|Dec 19, 2022

Metaheuristic Optimization Algorithms Research被引用 5

一句话总结

本文对500多个受自然启发的元启发式算法进行了全面的性能评估，重点分析了15种近期算法，包括所提出的EBCM。基于CEC2017基准测试套件，评估了在全局最优值偏移等变换下的收敛性、多样性及鲁棒性，结果显示EBCM在收敛性和多样性方面与主流算法的顶尖变体表现相当，而大多数2019–2020年新提出的算法在收敛性和全局搜索能力方面表现欠佳。

ABSTRACT

Metaheuristics are popularly used in various fields, and they have attracted much attention in the scientific and industrial communities. In recent years, the number of new metaheuristic names has been continuously growing. Generally, the inventors attribute the novelties of these new algorithms to inspirations from either biology, human behaviors, physics, or other phenomena. In addition, these new algorithms, compared against basic versions of other metaheuristics using classical benchmark problems without shift/rotation, show competitive performances. In this study, we exhaustively tabulate more than 500 metaheuristics. To comparatively evaluate the performance of the recent competitive variants and newly proposed metaheuristics, 11 newly proposed metaheuristics and 4 variants of established metaheuristics are comprehensively compared on the CEC2017 benchmark suite. In addition, whether these algorithms have a search bias to the center of the search space is investigated. The results show that the performance of the newly proposed EBCM (effective butterfly optimizer with covariance matrix adaptation) algorithm performs comparably to the 4 well performing variants of the established metaheuristics and possesses similar properties and behaviors, such as convergence, diversity, exploration and exploitation trade-offs, in many aspects. The performance of all 15 of the algorithms is likely to deteriorate due to certain transformations, while the 4 state-of-the-art metaheuristics are less affected by transformations such as the shifting of the global optimal point away from the center of the search space. It should be noted that, except EBCM, the other 10 new algorithms proposed mostly during 2019-2020 are inferior to the well performing 2017 variants of differential evolution and evolution strategy in terms of convergence speed and global search ability on CEC 2017 functions.

研究动机与目标

• 系统性地整理并编目500多个受自然启发的元启发式算法。
• 在CEC2017基准测试套件上评估11种新提出的元启发式算法及4种成熟算法的变体的性能。
• 探究这些算法是否对搜索空间中心存在搜索偏差。
• 分析问题变换（尤其是移动全局最优值）对算法性能的影响。
• 将近期算法的收敛速度与全局搜索能力与差分进化和进化策略的最先进变体进行比较。

提出的方法

• 从近期文献中系统性地整理了500多个受自然启发的元启发式算法。
• 采用CEC2017基准测试套件评估15种算法：11种新算法及4种成熟元启发式算法的变体。
• 性能指标包括收敛速度、多样性、探索-开发平衡性，以及在全局最优值偏移等变换下的鲁棒性。
• 提出EBCM算法，作为基于协方差矩阵自适应的改进型蝴蝶优化算法，以提升搜索行为。
• 通过统计分析比较标准问题与变换后问题下各算法的收敛趋势与全局搜索性能。
• 通过分析最终解相对于搜索空间中心的分布，定量评估搜索偏差。

实验结果

研究问题

• RQ1 2019–2020年新提出的元启发式算法在CEC2017函数上的性能，与差分进化和进化策略的成熟变体相比如何？
• RQ2 EBCM算法在收敛性和多样性方面是否达到顶尖元启发式变体的性能水平？
• RQ3 当全局最优值从搜索空间中心移开时，算法性能恶化程度如何？
• RQ4 新提出的元启发式算法是否表现出对搜索空间中心的系统性偏差？
• RQ5 哪些算法组件或设计选择对在问题变换下的鲁棒性贡献最大？

主要发现

• EBCM算法在收敛性、多样性和探索-开发平衡性方面，表现与四种性能最佳的成熟算法变体相当。
• 大多数2019–2020年新提出的算法在CEC2017函数上，其收敛速度和全局搜索能力均逊于2017年版本的差分进化与进化策略变体。
• 所有15种评估算法在全局最优值偏移等变换下性能均出现下降，尽管四种最先进变体受影响较小。
• 研究证实，许多元启发式算法（尤其是新算法）对搜索空间中心存在显著搜索偏差。
• EBCM算法在各类变换下保持了稳定的性能，表明其相比其他新算法具有更强的鲁棒性。
• 结果表明，算法新颖性本身并不能保证优越性能，尤其在非标准问题配置下。