初始化对元启发式优化器性能的影响
神经与进化计算
2020-03-26 v1 机器学习
最优化与控制
摘要
所有元启发式优化算法都需要某种初始化，而此类优化器的初始化通常是随机进行的。然而，初始化可能对这类算法的性能产生显著影响。本文系统比较了22种不同的初始化方法对五种优化器——差分进化（DE）、粒子群优化（PSO）、布谷鸟搜索（CS）、人工蜂群（ABC）算法和遗传算法（GA）——收敛性与精度的影响。我们使用了19种具有不同性质与模态的测试函数来比较初始化、种群规模和迭代次数可能产生的影响。严格的统计排序检验表明，使用DE算法的函数中43.37%因不同初始化方法而呈现显著差异，而使用PSO和CS算法的函数中分别有73.68%受不同初始化方法的显著影响。仿真显示，DE对初始化较不敏感，而PSO和CS对初始化更为敏感。此外，在相同最大函数评估次数（FEs）条件下，种群规模也可能产生强烈影响。粒子群优化通常需要较大种群，而布谷鸟搜索仅需较小种群规模。差分进化更依赖于迭代次数，相对较小的种群配合更多迭代可得到更优结果。进而，ABC对初始化更敏感，而此类初始化对GA影响甚微。一些概率分布如beta分布、指数分布和瑞利分布通常能带来更优性能。本研究的意义及进一步研究课题亦作了详细讨论。
引用
@article{arxiv.2003.03789,
title = {Influence of Initialization on the Performance of Metaheuristic Optimizers},
author = {Qian Li and San-Yang Liu and Xin-She Yang},
journal= {arXiv preprint arXiv:2003.03789},
year = {2020}
}
备注
39 pages, 10 figures, 20 tables