[论文解读] The Plant Propagation Algorithm: Modifications and Implementation

Muhammad Sulaiman, Abdellah Salhi+1 more|arXiv (Cornell University)|Dec 13, 2014

Metaheuristic Optimization Algorithms Research参考文献 18被引用 7

一句话总结

本文提出了一种改进的植物传播算法（MPPA），受草莓植物自然繁殖方式的启发，旨在提升高维连续优化问题中的性能。通过修改通过长根须和短根须生成解的方式，实现探索与开发之间的平衡，MPPA在基准函数上的表现优于人工蜂群算法（ABC）及其改进版本（MABC），在高维空间中展现出更优的收敛性和鲁棒性。

ABSTRACT

The Plant Propagation Algorithm, epitomised by the Strawberry Algorithm, has been previously successfully tested on low dimensional continuous optimisation problems. It is a neighborhood search algorithm. In this paper, we introduce, robust and efficient version of the algorithm and explain how it can be implemented to compete with one of the best available alternatives, namely the Artificial Bee Colony algorithm and we present an improved and more effective variant on standard continuous optimisation test problem instances in high dimensions. Computational and comparative results are included.

研究动机与目标

• 开发一种适用于高维连续问题的鲁棒、高效且易于实现的自然启发式优化算法。
• 通过优化解的生成机制，改进原始植物传播算法（PPA），以实现探索与开发之间的更好平衡。
• 在一组全面的高维基准函数上，将改进后的PPA（MPPA）与ABC和MABC等成熟算法进行对比测试。
• 在保持或提升在复杂、多峰及非可分优化问题中性能的同时，减少任意参数的数量。
• 确立MPPA作为全局优化领域中与最先进元启发式算法具有竞争力的替代方案。

提出的方法

• 该算法模拟植物繁殖过程：高质量植物（解）通过大量短根须（局部搜索）实现开发；低质量植物则通过较少长根须（全局搜索）实现探索。
• MPPA引入了改进的方程（5–7），用于在根须末端生成新解，从而提升搜索效率与收敛速度。
• 种群规模（NP）、最大迭代代数（g_max）以及每株植物的最大根须数量（n_max）是关键控制参数。
• 通过目标函数评估解，最佳解在代际间迭代更新。
• 该算法整合了邻域搜索与自适应探索机制，模拟生物繁殖策略。
• 采用标准CEC基准函数，在维度30、60和100下开展对比实验。

实验结果

研究问题

• RQ1 改进的植物传播算法是否能在高维优化中超越ABC和MABC等成熟元启发式算法？
• RQ2 MPPA对短根须与长根须的自适应使用如何影响收敛速度与解的质量？
• RQ3 MPPA在保持鲁棒性的同时，能在多大程度上减少任意参数的数量？
• RQ4 MPPA在高维多峰函数与非可分函数上是否表现出更优的性能？
• RQ5 在多种基准函数上，MPPA的平均值与标准差表现如何？

主要发现

• 在CEC 2013基准测试套件中，MPPA在所有维度（30、60、100）下对F15、F16、F17和F18函数均达到全局最优值（0.0），且在多次运行中标准差为零。
• 对于F15（Rosenbrock函数），MPPA在所有维度下均取得0.0的均值与零标准差，优于ABC和MABC。
• 在F16（Sphere函数）上，MPPA在所有维度下均取得0.0的均值与0.0的标准差，表明实现了完美收敛。
• 在F17（Rosenbrock函数）上，MPPA在所有维度下均取得0.0的均值与0.0的标准差，展现出一致的全局最优性。
• 在F18（Sphere函数）上，MPPA在所有维度下均取得0.0的均值与0.0的标准差，证实了其卓越的鲁棒性。
• 相比之下，ABC和MABC在相同函数上表现出更高的均值与非零标准差，尤其在高维空间中更为明显。