African vultures optimization algorithm: A new nature-inspired metaheuristic algorithm for global

AI 理解论文

Introduction

• 1. 元启发式算法在解决各种搜索问题、连续和离散优化问题方面的应用显著增长。
  2. 由于连续优化问题的复杂性以及数学方法无法提供最优解，元启发式算法是连续优化问题的可靠工具。
  3. 尽管数学方法在解决许多科学和工程问题方面很有用并涵盖了许多不同问题，但在解决许多优化问题时仍面临许多困难。
  4. 近年来，研究人员的努力和研究导致了受自然现象启发算法的开发，这些算法研究自然界生物的进化和行为，从而导致了元启发式算法的出现。
  5. 除了源自自然的算法外，还为优化问题设计了一种另一种进化元启发式算法。
  6. 由于精确优化方法无法解决复杂的多维问题，提出了近似算法作为解决这类问题的新的方法。
  7. 近似算法分为两大类，包括启发式方法和元启发式方法。
  8. 启发式方法受到的关注较少，因为它们陷入局部最优并解决特定的优化问题。
  9. 元启发式算法可以找到各种具有挑战性和复杂的优化问题的最优解。
  10. 元启发式算法可以合理地提供可接受的解决方案，但它们不能保证最优解。
  11. 近年来提出了几种受自然启发的元启发式算法。尽管它们的启发点和搜索机制不同，但它们都致力于平衡探索和利用。
  12. 在一代的开始，元启发式算法从探索过程受益以产生新解决方案。它逐渐过渡到利用阶段，重点是提高在探索阶段获得的解决方案的准确性。
  13. 利用过程基于群体中可用的最佳解决方案产生新解决方案。
  14. 因此，元启发式算法使用两个基本的探索和利用过程来避免陷入局部最优并趋向目标。
  15. 元启发式算法在解决优化问题方面比其他方法更有优势，主要归因于四个因素。
  16. 首先，元启发式算法受到自然界简单概念的启发，这使得它们易于实现。简洁性帮助计算机科学家改进或混合元启发式方法并快速解决各种问题。这也使得学习这些算法变得容易。
  17. 其次，这些算法的灵活性使它们在不需要改变算法结构的情况下，适用于解决各种优化问题。

Related works

• 1. 文献中存在不同的元启发式算法分类，大多数此类算法受到自然界生物的集体行为或进化过程的启发。
  2. 遗传算法（GA）在大多数优化问题中使用了最基本的组合算子和突变算子，并被认为是一个成功的算法（Holland, 1992），至今已有大量变体（Hussain & Iqbal, 2018）。
  3. harmony search (HS) 算法由 Gim et al. (Geem, Kim, & Loganathan, 2001) 提出，灵感来自于寻找最佳和声。由于其简单性（Manjarres et al., 2013），该算法已被用于许多优化问题。
  4. 2005年，基于蜜蜂群体行为的人工蜜蜂群优化（ABC）算法被提出（Karaboga & Basturk, 2007），模拟了工蜂、猎蜂和搜索蜂。
  5. 2008年，杨引入了萤火虫算法（FA），灵感来自于萤火虫的光和光辉（Yang, 2008）。
  6. 另一种流行的群体基础算法是蝙蝠算法（BA），于2010年提出（Yang, 2010），模仿蝙蝠的声音反射行为，具有不同的脉冲扩散和响度率。
  7. 猎物-捕食者算法与BA相似，在（Tilahun & Ong, 2015）中被引入。
  8. 蜘蛛猴优化算法（Bansal et al., 2014）也是一种基于群体的算法，从自然中蜘蛛猴的分工和组成中受益。
  9. 其他流行算法还包括：农地肥力算法（FFA）（Shayanfar & Gharehchopogh, 2018）；灰狼优化器（GWO）（Mirjalili, Mirjalili, & Lewis, 2014），鲸鱼优化算法（WOA）（Mirjalili & Lewis, 2016）；乌鸦搜索算法（CSA）（Askarzadeh, 2016）和哈里斯鹰优化（HHO）（Heidari et al., 2019）。
  10. 在（Rashedi, Nezamabadi-Pour, & Saryazdi, 2009）中，基于万有引力定律和质量相互作用的引力搜索算法被引入。
  11. 另一种基于物理的算法是受到星系运动的启发的星系群优化（GSO）算法（Muthiah-Nakarajan & Noel, 2016）。
  12. 另一种流行的算法是倾斜平面系统优化（IPO）（Mozaffari, Abdy, & Zahiri, 2016）算法，其中搜索代理共同工作，根据牛顿第二定律和运动方程在搜索空间中移动到更好的位置。
  13. 由于其良好的性能，IPO已被用于解决许多问题（Mozaffari, Abdy, & Zahiri, 2013; Shahraki & Zahiri, 2017）。
  14. 本节中审查的算法的详细信息可以在表1中找到。
  15. 算法使用了排队现象中的三个常见规则。

Africans vultures biological life

• 1.秃鹫是一种有两个群体的猎鸟，新世界的秃鹫原产于美洲，而旧世界的秃鹫原产于欧洲、亚洲和非洲。澳大利亚和南极洲没有秃鹫。
  
  2.大多数秃鹫都是光头，没有常规的羽毛。秃鹫之所以被认为是秃头，是为了在食用尸体时防止污染，但最近的研究表明，裸露的皮肤在调节体温方面起着重要作用。这就是为什么在寒冷的天气里，它们会将头部浸在尸体里，而在炎热的时候，它们会张开脖子。
  
  3.与大多数其他鸟类不同，秃鹫不会筑巢。秃鹫很少攻击健康的动物，但可能会杀死受伤或生病的动物。在战争中，人们经常看到秃鹫出现在战场上。秃鹫是防止叮咬和感染尸体的有用动物，尤其是在热带地区。
  
  4.秃鹫在生态系统中起着重要的作用，它们的破坏给人类社会带来了一系列严重的健康风险。秃鹫的数量正在急剧下降，一些非洲秃鹫物种已经濒临灭绝。非洲国家也需要秃鹫，因为拥有大量农村人口和大量巨型动物，需要秃鹫这种最重要的尸体处理方式。
  
  5.非洲有各种各样的秃鹫，它们大多数有相同的生活方式，寻找食物，经常会遇到彼此并为了食物而争斗。其中一些是Lappetfaced Vulture Torgos tracheliotos和White-backed Vulture Gyps Africans，以及Rüppell's Vulture Gyps rueppelli，如图1所示。
  
  6.非洲每一种秃鹫都有一些独特的物理特征。因此，可以将秃鹫的种类分为三个等级（Houston，1974）。第一类是身体比所有秃鹫都强壮的秃鹫，如Lappet-faced Vulture，它们获得食物的机会比其他秃鹫大。第二类是身体比第一类弱的秃鹫。其他一些秃鹫具有身体优势：如非洲白背秃鹫（Houston，1974；Jackson，Ruxton和Houston，2008；Mundy，1992；Ogada和Buij，2011）。第三类是身体比其他两组都弱的秃鹫： Hooded Vulture Necrosyrtes monachus。
  
  7.在自然环境中，秃鹫不断地长途跋涉寻找食物（Attwell，1963；Bamford，Monadjem和Hardy，2009；Buckley，1996；Houston，1974），秃鹫最常见的飞行形式是旋转飞行。寻找食物时，秃鹫会移动到一个已经找到食物的秃鹫种群，有时可能会有几种秃鹫种群移动到一个单一的食物来源，这些秃鹫会互相冲突以获得食物（BosE和Sarrazin，2007；HOUSTON，1988；Petrides，1959）。虚弱的秃鹫会围绕健康的秃鹫，通过使强壮的秃鹫疲惫不堪来获得食物，秃鹫的饥饿使它们变得更加好斗（Anderson和Horwitz，1979；Attwell，1963；BosE和Sarrazin，2007；Kendall等，2012；Mundy，1982；Rosewell，Shorrocks和Edwards，1990）。
  
  8.一个新的元启发式算法激发了关于非洲各种秃鹫寻找和进食的研究，这将在第3.2节中详细介绍。在第3.1节中，讨论了生物学原理以及秃鹫的生活方式。

Benchmark set and compared algorithms

• 重点总结：
  
  1. 为了评估AVOA的性能，使用了不同的一组基准函数，这些基准函数分为三类：单模态(UM)、多模态(MM)和组合模型(CM)。
  
  2. UM基准函数(F1-F7)只有一个最优全局解，可以增强各种优化算法的性能。
  
  3. MM基准函数(F8-F23)用于展示优化算法的多样化能力。
  
  4. 第三组基准函数(F24-F36)覆盖了混合复合、旋转和平移的多模态情况，这些函数在优化算法性能的文献中被广泛使用，以平衡探索和开发，帮助算法逃离局部最优。
  
  5. 比较了AVOA与其他优化算法的结果，包括BBO、PSO、DE、GSA、TLBO、SSA、WOA、GWO、MFO、FFA和IPO。
  
  6. 选择了FFA、MFO、WOA、GWO、SSA、IPO和TLBO作为强大和新颖的优化算法，同时选择了BBO、GSA、PSO和DE，因为它们在优化领域中应用广泛。
  
  7. 使用Wilcoxon统计测试，以5%的显著性水平，比较了AVOA与其他优化方法的显著差异。
  
  8. AVOA的测试和执行在配备有Intel Core i7-4510U 2.6 GHz处理器和8.00 GB RAM的Windows 10 Enterprise 64-bit笔记本电脑上进行，使用Matlab 9.2 (R2017R)软件，最大迭代次数为500次，每个迭代使用30个种群。
  
  9. 所有结果基于30次独立运行结果的平均值，并使用所得结果进行比较。
  
  10. 对于PSO、DE和BBO算法，使用了Simon (2008)工作中BBO算法的相应设置。
  
  11. TLBO (Rao et al., 2012)、SSA (Mirjalili et al., 2017)、GWO (Mirjalili et al., 2014)、WOA (Mirjalili & Lewis, 2016)、MFO (Mirjalili, 2015)、FFA (Shayanfar & Gharehchopogh, 2018)算法的设置则直接采用了原始论文中的设置。
  
  12. 提出了许多参数调整方法 (Pršić et al., 2017; Stojanovic & Nedic, 2016; Stojanovic et al., 2016)。
  
  13. AVOA算法的参数设置采用了一种十一结构的设计实验技术，即使用了中心复合设计(CCD) (Balachandran et al., 2012)。
  
  14. 基于中心复合设计方法，每个参数根据低、中、高三个不同水平设置，具体值见表6。

Conclusion and future works

• 1. 本文提出了一种新的元启发式算法，灵感来源于非洲大陆上各种秃鹰的生活方式、食物搜索和食物竞争，是一种基于群体的算法。
  2. 算法通过最优地利用两个最佳解，代表了两个比其他秃鹰更强大的群体，在多样性和共振之间创造了一种平衡，从而提高了所提出模型的性能。
  3. 该算法被分解为四个不同的阶段，并对每个步骤进行了理论上的阐述和公式化，以解决连续优化问题。
  4. 所提出的元启发式算法在开发和探索阶段使用多种不同的机制来搜索搜索空间，在优化操作的早期阶段更注重探索，而在后期更注重利用。
  5. 与其他元启发式算法相比，该算法具有较低的计算复杂性，更加灵活，是所提出算法在平衡共振和变化性方面的区别和优势。
  6. 它能够在其主要特征上解决大规模问题。另一方面，从探索阶段过渡到利用是所提出算法的特定特征，使其与其它元启发式算法完全不同。
  7. 在对不同的搜索空间解决方案进行探索之后，更多地关注有前景的解决方案及其附近的搜索。
  8. 所提出的元启发式算法通过许多数学问题进行了评估，并与PSO、DE和BBO、TFO、SSA、GWO WOA、MFO、FFA等其他强大的元启发式算法进行了比较。
  9. 在这个比较中，发现所提出的元启发式算法与现有算法相比非常有希望且强大。
  10. 此外，就该算法的计算复杂性和运行时间而言，它比所有可比较的算法都要短，并且在解决大规模问题上表现良好。
  11. 所提出算法的令人印象深刻的结果使得该算法的细节及其应用于其他函数成为未来研究的必要话题。
  12. 需要进行进一步的评估研究，以发现该算法解决优化问题的能力范围。
  13. 与其他复杂的测试函数和现实世界问题进行比较研究将展示算法的复杂优势和劣势。
  14. 另一个研究主题可以是研究参数的敏感性，调整所提出算法的参数，以及它们在保持算法优化过程中探索和利用阶段之间的最佳平衡方面的影响。
  15. 可以将所提出算法的改进版本扩展到多目标或离散优化问题以及各种复杂问题，作为未来研究的主题。