黏菌算法
- 提出者
- Shimin Li
- 年份
- 2020
- 类型
- Nature-inspired metaheuristic algorithm
- 类别
- Swarm Intelligence
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
黏菌算法(Slime Mould Algorithm, SMA)是李等人于2020年提出的一种受自然启发的元启发式优化技术。它模仿黏菌的觅食行为,通过扩张和收缩来寻找最优食物来源。SMA通过模拟这些生物的自适应觅食和空间分布模式来解决复杂的优化问题。
方法背后的直觉
黏菌尽管没有中枢神经系统,却表现出卓越的集体智慧。它们通过伸展伪足(分支状结构)来探索环境,并在找到营养源时收缩。该算法通过平衡探索和开发的位置更新来捕捉这种行为:个体以越来越高的确定性向更好的解决方案移动,种群逐渐集中在有希望的区域。这种自然的自适应机制能够实现高效的全局搜索。
历史学
SMA由江苏大学的李世民及其同事于2020年提出,源于仿生计算领域,灵感来自对真实黏菌(Physarum)行为的观察。该算法在标准基准函数和工程优化任务上得到了验证。其简洁性和有效性使其在不同应用领域迅速普及,随后发表了许多变体和改进。
何时使用
将SMA应用于梯度信息不可用的连续和离散优化问题。它在具有多个局部最优的多峰景观中表现出色。适用于经典优化方法失效或计算成本过高时的工程设计、参数调整和特征选择。
局限与注意事项
- 在维度非常高的问题上,由于搜索空间增大,性能可能会下降
- 收敛速度因问题景观特征而异
- 对于复杂的工程应用可能需要针对特定问题进行调整
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 通过自适应权重机制在探索和开发之间取得出色平衡
- 实现简单,需要调整的超参数少
- 在早期迭代中表现出快速收敛,具有有效的全局搜索能力
- 适用于有约束和无约束优化问题
应用
- 机械工程:在多重约束下优化结构设计和机械配置
- 特征选择:在高维数据集中选择相关特征以提高机器学习模型性能
- 神经网络超参数调整:寻找最优学习率、层大小和正则化常数
- 天线设计:优化通信系统的天线几何形状和参数
- 供应链优化:确定库存水平和分销路线以最小化成本
- 资源分配:在项目之间分配有限资源以最大化整体效益
使用方式
使用方式
在搜索空间中随机分布黏菌种群的位置,并评估它们的适应度值。
根据一个向最佳解决方案增加的权重函数,结合随机扰动进行探索,更新每个黏菌的位置。
计算每个新位置的目标函数值,并与之前的适应度值进行比较。
重复更新和评估步骤,直到收敛或达到最大迭代次数。
常见陷阱
- 如果在优化早期权重机制过于激进,可能过早收敛到局部最优
- 如果初始种群过于集中在小区域,探索不足
- 未能适当缩放决策变量可能导致搜索性能不佳
常见问题
SMA中的权重机制与PSO等其他元启发式算法有何不同?
与使用速度矢量的PSO不同,SMA采用随迭代次数增加而减小的权重,鼓励开发。这种自适应策略自然地平衡了探索和开发,而无需为认知和社会分量设置单独的参数。
SMA是否适用于解决约束优化问题?
是的,SMA可以通过罚函数法或约束处理技术来处理约束。不可行解的适应度值会降低,从而引导搜索向可行区域移动。
我应该如何设置问题的种群规模?
从与问题维度成比例的种群规模开始,通常为20-50个个体。较大的种群可以改善全局搜索,但会增加计算成本。通过对特定问题进行经验测试来找到平衡点。
SMA的典型收敛行为是什么?
SMA通常在早期迭代中由于强烈的探索而显示出快速改进,随后随着权重机制越来越多地将解决方案引导到找到的最佳位置而进行细化。
相关方法
参考文献
Li, S., Chen, H., Wang, M., Heidari, A. A., & Chakraborty, S. (2020). Slime mould algorithm: A new method for stochastic optimization. Future Generation Computer Systems, 111, 300-323.
打开 DOI 文献已复制。