[论文解读] Tracking Extrema in Dynamic Environment using Multi-Swarm Cellular PSO with Local Search

Somayeh Nabizadeh, Alireza Rezvanian+1 more|arXiv (Cornell University)|Jul 31, 2013

Metaheuristic Optimization Algorithms Research参考文献 23被引用 10

一句话总结

本文提出一种带有局部搜索的多群集细胞粒子群优化（PSO）算法，用于在动态环境中追踪最优解。通过将搜索空间划分为多个单元格，基于聚类形成子群集，并在每个单元格内应用局部搜索，该方法提升了收敛速度与适应能力，在静态基准测试与动态测试问题上均优于其他方法。

ABSTRACT

Many real-world phenomena can be modelled as dynamic optimization problems. In such cases, the environment problem changes dynamically and therefore, conventional methods are not capable of dealing with such problems. In this paper, a novel multi-swarm cellular particle swarm optimization algorithm is proposed by clustering and local search. In the proposed algorithm, the search space is partitioned into cells, while the particles identify changes in the search space and form clusters to create sub-swarms. Then a local search is applied to improve the solutions in the each cell. Simulation results for static standard benchmarks and dynamic environments show superiority of the proposed method over other alternative approaches.

研究动机与目标

• 解决在环境随时间变化的动态优化问题中追踪最优解的挑战。
• 克服传统优化方法在最优解移动时无法适应的局限性。
• 通过局部搜索与群集分解提升在动态环境中的搜索效率与解质量。
• 通过空间划分与子群集形成提升鲁棒性与收敛速度。
• 通过仿真验证该方法在动态基准环境中的优越性，优于现有PSO变体。

提出的方法

• 将搜索空间划分为网格状单元格，以实现局部优化与空间感知。
• 在每个单元格内通过粒子聚类形成子群集，实现局部信息共享与协同搜索。
• 在每个单元格内应用局部搜索策略，以优化解并提升收敛速度。
• 通过监测粒子动态检测环境变化，并在必要时触发子群集重组。
• 引入细胞拓扑结构以维持多样性，防止早熟收敛。
• 结合多群集动态实现全局探索，同时通过单元格特定的局部搜索实现局部开发。

实验结果

研究问题

• RQ1 带有子群集形成的细胞PSO框架是否能提升在动态环境中的最优解追踪能力？
• RQ2 在单元格内集成局部搜索对动态优化中的收敛速度与解质量有何影响？
• RQ3 所提方法在动态基准问题中相较于标准PSO及其他多群集变体的优越程度如何？
• RQ4 聚类机制在适应环境变化与维持解多样性方面的有效性如何？
• RQ5 空间划分对算法鲁棒性与可扩展性的影响如何？

主要发现

• 所提算法在标准静态基准测试中表现优于传统PSO及其他多群集变体。
• 在动态环境中，由于具备自适应子群集形成与局部搜索能力，该方法展现出更强的移动最优解追踪能力。
• 局部搜索的集成显著提升了各单元格内的收敛速度与解精度。
• 细胞结构增强了多样性，并降低了优化过程中早熟收敛的风险。
• 仿真结果证实该方法在多种动态测试函数中具有鲁棒性，优于现有方法。
• 该算法能有效检测环境变化，并通过重组子群集来维持追踪能力。