具备极值点识别与逃逸机制的鲸群算法用于多模态函数优化
神经与进化计算
2019-07-08 v3 人工智能
摘要
大多数现实世界的优化问题常带有多个全局最优或局部最优。因此，致力于单次运行中寻找多个最优值的生态位元启发式算法被开发以求解这些多模态优化问题。然而，对大多数现有生态位元启发式算法，有两方面困难亟待解决：如何为不同优化问题设定生态位参数的最优值，以及如何高效跳出局部最优。这两方面困难极大限制了其实用性。基于我们此前提出的鲸群算法（WSA），本文提出一种名为带迭代计数器的 WSA（WSA-IC）的新多模态优化器以应对这两类困难。一方面，WSA-IC 改进了原始 WSA 用于多模态优化的迭代规则，消除了为不同问题指定不同衰减系数值以形成多个子种群的需求，且不引入任何生态位参数。另一方面，WSA-IC 依靠两个新参数（即稳定性阈值 Ts 与适应度阈值 Tf）实现迭代中对极值点的识别，以跳出已定位的极值点。此外，证明了 WSA-IC 的收敛性。最后，在 CEC2015 生态位基准测试函数及五个额外的经典高维多模态函数上，将所提 WSA-IC 与若干生态位元启发式算法进行比较。实验结果表明，WSA-IC 在多数测试函数上统计优于其他生态位元启发式算法。
引用
@article{arxiv.1804.02851,
title = {Whale swarm algorithm with the mechanism of identifying and escaping from extreme points for multimodal function optimization},
author = {Bing Zeng and Xinyu Li and Liang Gao and Yuyan Zhang and Haozhen Dong},
journal= {arXiv preprint arXiv:1804.02851},
year = {2019}
}
备注
28 pages, 11 figures, 9 tables, 39 references