烟花爆炸算法最新进展

2023-11-26 理论教育版权反馈

【摘要】：Ding等[4]提出一种并行烟花爆炸算法GPU-FWA，它是基于图形处理单元的烟花爆炸算法的高效并行实现方案，可以全面加速烟花算法的运行速度。Zheng等[6]和Li等[7]详细研究了烟花爆炸算法中爆炸幅度的自适应策略，分别提出了动态搜索烟花算法和自适应烟花爆炸算法。此外，有部分学者研究了烟花爆炸算法和其他算法的混合。Zheng等[13]首先提出多目标烟花爆炸算法，并将其应用到一个多目标优化的农田施肥问题中。

烟花算法的开创性论文《Fireworks Algorithm for Optimization》由谭营等发表在首届国际群体智能大会上，该论文首次提出了受烟花爆炸启发的群体协同优化算法，即烟花算法或称烟花爆炸算法。此后，Pei等[3]研究了适应度函数估计对烟花算法加速性能的影响，讨论了不同适应度函数值的估计方法对性能的影响，实验结果表明二次多项式模型和随机选择样本策略的性能是最优的，并且相对于烟花算法其性能优势非常明显。Ding等[4]提出一种并行烟花爆炸算法GPU-FWA，它是基于图形处理单元(GPU)的烟花爆炸算法的高效并行实现方案，可以全面加速烟花算法的运行速度。在当前流行的GPU硬件和CUDA平台下，实现了近200倍的加速性能。相对于烟花算法，GPU-FWA做了一些算子上的改动，主要目的是减少烟花之间交互的同时使得性能损失在一个可接受的范围内。在本章参考文献[4]中，烟花之间每隔一定代数才会计算爆炸半径和爆炸幅度。这极大地降低了烟花之间的交互，提高了加速比。Zheng等[5]对烟花算法的算子进行了分析，并针对烟花算法存在的缺陷进行了改动，最终提出了一种增强烟花爆炸算法。改进工作包括基本烟花算法中的爆炸算子、高斯变异算子、选择算子和映射规则4个方面。Zheng等[6]和Li等[7]详细研究了烟花爆炸算法中爆炸幅度的自适应策略，分别提出了动态搜索烟花算法和自适应烟花爆炸算法。此外，有部分学者研究了烟花爆炸算法和其他算法的混合。Zheng等[8]和Yu等[9]分别尝试将烟花算法和差分进化算法进行混合。在本章参考文献[8]中，混合算法FWA-DE相对于烟花算法和差分进化算法在测试函数集合上具有更好的性能。Gao等[10]将烟花算法与文化算法进行混合，并应用于滤波器设计的优化，同时与量子粒子群优化算法和自适应量子粒子群优化算法进行比较，实验结果表明文化烟花算法具有更好的性能。Zhang等[11]提出了生物地理学优化与烟花算法相混合的算法(BBO-FWA)，该算法的性能要远远优于基本的BBO和FWA两种算法。Pholdee和Bureerat[12]系统地比较了24种元启发式(meta-heuristic)算法的优化性能，他们主要针对具有动态约束的桁架质量最小化问题进行求解，并在不同问题规模的情况下比较了这些算法的性能，实验结果表明烟花算法处于中上游的位置，并被证明是一种有效的算法。

需要指出的是，烟花爆炸算法在刚刚提出的时候，它基本上是被用于求解单目标优化问题，并且已产生出大量高效的算法，而对于多目标优化问题，目前研究的还不多。Zheng等[13]首先提出多目标烟花爆炸算法(MOFOA)，并将其应用到一个多目标优化的农田施肥问题中。相对于其他经典的多目标优化方法，MOFOA算法表现出非常优异的性能。谢承旺等[14，15]基于多目标优化算法的框架，对烟花爆炸算法进行了适应性改造，相继提出两种改进型多目标烟花爆炸算法，实验结果表明改进的多目标烟花爆炸算法的性能显著优于一些经典的多目标进化优化算法。不仅如此，烟花算法及其变种已被应用于许多实际优化问题的求解中，应用的领域主要包括方程组求解[16]、非负矩阵分解(NMF)计算[17]、垃圾邮件检测算法中参数优化[18]、方向性特征距离度量[19]、数字滤波器FIR和IIR的设计[10]、油料作物的施肥问题[13]、群体机器人多目标搜索[20]、电力系统重构问题[21]，以及将烟花算法应用到文本聚类和模式识别问题优化中[2]等。(www.chuimin.cn)

烟花爆炸算法最新进展

相关推荐