[论文解读] Randomized Memetic Artificial Bee Colony Algorithm

Sandeep Kumar, Vivek Kumar Sharma+1 more|arXiv (Cornell University)|Aug 1, 2014

Metaheuristic Optimization Algorithms Research参考文献 60被引用 16

一句话总结

本文提出了一种新型元启发式算法——随机化膜进化人工蜂群算法（RMABC），通过在解搜索方程中随机化步长，改进了膜进化ABC算法，从而提升了探索与开发之间的平衡。通过使用随机化步长在当前最优解附近生成新解，RMABC在基准函数和工程优化问题上的收敛性和性能均优于MeABC、GABC、HJABC、BSFABC和MABC。

ABSTRACT

Artificial Bee Colony (ABC) optimization algorithm is one of the recent population based probabilistic approach developed for global optimization. ABC is simple and has been showed significant improvement over other Nature Inspired Algorithms (NIAs) when tested over some standard benchmark functions and for some complex real world optimization problems. Memetic Algorithms also become one of the key methodologies to solve the very large and complex real-world optimization problems. The solution search equation of Memetic ABC is based on Golden Section Search and an arbitrary value which tries to balance exploration and exploitation of search space. But still there are some chances to skip the exact solution due to its step size. In order to balance between diversification and intensification capability of the Memetic ABC, it is randomized the step size in Memetic ABC. The proposed algorithm is named as Randomized Memetic ABC (RMABC). In RMABC, new solutions are generated nearby the best so far solution and it helps to increase the exploitation capability of Memetic ABC. The experiments on some test problems of different complexities and one well known engineering optimization application show that the proposed algorithm outperforms over Memetic ABC (MeABC) and some other variant of ABC algorithm(like Gbest guided ABC (GABC),Hooke Jeeves ABC (HJABC), Best-So-Far ABC (BSFABC) and Modified ABC (MABC) in case of almost all the problems.

研究动机与目标

• 解决膜进化ABC中固定步长带来的局限性，避免过早收敛或跳过最优解。
• 增强搜索过程中多样化（探索）与集中化（开发）之间的平衡。
• 提升复杂现实世界优化问题的收敛速度与解的质量。
• 开发一种集成随机化局部搜索的蜂群算法变体，以实现更优性能。
• 在多样化测试问题与工程应用中，证明所提算法相较于现有ABC变体的优越性。

提出的方法

• 在膜进化ABC的解搜索方程中引入随机化步长，替代基于黄金分割搜索的固定步长。
• 利用随机步长在迄今为止最优解的邻域内生成新的候选解。
• 在保持原始ABC算法全局搜索能力的同时，增强局部搜索的精度。
• 使用随机值控制步长的大小，增加局部搜索的多样性，降低陷入局部最优的风险。
• 保留原始ABC算法的结构，包括雇佣蜂与观察蜂阶段，仅修改解更新机制。
• 仅在局部搜索阶段应用随机化步长，以维持计算效率与收敛速度。

实验结果

研究问题

• RQ1 在膜进化ABC中随机化步长是否能改善其收敛行为与解的质量？
• RQ2 所提出的RMABC算法是否相比原始膜进化ABC实现了更好的探索与开发平衡？
• RQ3 RMABC在标准基准函数上相较于其他ABC变体（如GABC、HJABC、BSFABC和MABC）表现如何？
• RQ4 RMABC是否能更准确、更快速地求解复杂现实世界的工程优化问题？
• RQ5 使用随机化步长是否能降低搜索过程中过早收敛的风险？

主要发现

• 在几乎所有测试的基准函数上，RMABC在收敛速度与解质量方面均优于MeABC、GABC、HJABC、BSFABC和MABC。
• 随机化步长显著提升了算法的局部搜索能力，在不牺牲探索能力的前提下增强了开发能力。
• 在一项著名的工程优化问题中，RMABC获得的最优解优于所有对比的变体。
• 所提算法在不同复杂度的问题上均表现出稳健性能，表明其具备强大的泛化能力。
• 实验结果证实，步长的随机化能有效缓解跳过精确全局最优解的风险。
• RMABC在多次运行中的收敛行为比原始膜进化ABC更加稳定与一致。