Multi-objective grasshopper optimization algorithm based on multi-group and co-evolution

Chao Wang; Jian Li; Haidi Rao; Aiwen Chen; Jun Jiao; Nengfeng Zou; Lichuan Gu; Chao Wang; Jian Li; Haidi Rao; Aiwen Chen; Jun Jiao; Nengfeng Zou; Lichuan Gu

doi:10.3934/mbe.2021129

数学生物科学与工程

2021,第18卷, 第3版: 2527-2561. 数字对象标识：10.3934/mbe.2021129

研究文章特殊问题

基于多群体协同进化的多目标蝗虫优化算法

1
安徽农业大学，中国合肥230036
2
农业部农业电子商务重点实验室，合肥230036

收到：2020年11月12日 认可的：2021年3月4日 出版：2021年3月15日

勘探与开发之间的平衡对于元神经优化方法的性能至关重要。在不同的阶段，在探索和利用之间进行适当的权衡可以推动搜索过程获得更好的性能。本文开发了一种多目标蚱蜢优化算法（MOGOA），该算法采用了一种新的框架，称为多组协同进化框架，可以在勘探和开发之间实现良好的平衡。为此，设计了一种分组机制和协同进化机制，并将其集成到框架中，以改善多目标优化解的收敛性和多样性，并平衡群智能算法的探索和开发。采用分组机制来提高搜索代理的多样性，以增加搜索空间的覆盖范围。采用协同进化机制，通过搜索代理的交互作用，提高收敛到真正的帕累托最优前沿的能力。定量和定性结果表明，该框架显著提高了MOGOA的收敛精度和收敛速度。该算法的性能已经通过几个标准测试函数进行了测试，如CEC2009、ZDT和DTLZ。通过使用两个性能指标（GD和IGD），将所得多目标优化解的多样性和收敛性与原始MOGOA进行了定量和定性的比较。在测试集上的结果表明，所得解的多样性和收敛性得到了显著改善。在几个测试函数中，一些统计指标增加了一倍多。Wilcoxon秩和检验验证了结果的有效性。
- 多目标优化,
- 启发式算法,
- swam智能算法,
- 蝗虫优化算法
引用：王超，李健，饶海迪，陈爱文，焦军，邹能峰，顾立川.基于多群协同进化的多目标蝗虫优化算法[J]。数学生物科学与工程，2021，18（3）：2527-2561。doi:10.3934/mbe.2021129

相关论文：

摘要

勘探与开发之间的平衡对于元神经优化方法的性能至关重要。在不同的阶段，在探索和开发之间进行适当的权衡可以推动搜索过程朝着更好的性能发展。本文开发了一种多目标蚱蜢优化算法（MOGOA），该算法采用了一种新的框架，称为多组协同进化框架，可以在勘探和开发之间实现良好的平衡。为此，设计了一种分组机制和协同进化机制，并将其集成到框架中，以改善多目标优化解的收敛性和多样性，并平衡群智能算法的探索和开发。采用分组机制来提高搜索代理的多样性，以增加搜索空间的覆盖范围。采用协同进化机制，通过搜索代理的交互作用，提高收敛到真正的帕累托最优前沿的能力。定量和定性结果表明，该框架显著提高了MOGOA的收敛精度和收敛速度。该算法的性能已经通过几个标准测试函数进行了测试，如CEC2009、ZDT和DTLZ。通过使用两个性能指标（GD和IGD），将所得多目标优化解的多样性和收敛性与原始MOGOA进行了定量和定性的比较。在测试集上的结果表明，所得解的多样性和收敛性得到了显著改善。在几个测试函数中，一些统计指标增加了一倍多。Wilcoxon秩和检验验证了结果的有效性。

工具书类

[1]	S.Saremi、S.Mirjalili、A.Lewis，《蚱蜢优化算法：理论与应用》，高级工程软件, 105 (2017), 30–47. 数字对象标识：2016年10月10日/j.advengsoft.2017.01.004
[2]	M.Laszczyk，P.B.Myszkowski，多技能资源约束项目调度问题进化多目标优化中的改进选择，信息科学。, 481 (2019), 412–431. 数字对象标识：2016年10月10日/j.ins.2019.01.002
[3]	G.Eichfelder，J.Niebling，S.Rocktäschel，《决策不确定性多目标优化的算法方法》，J.全球优化。，77 (2020), 3–25. 数字对象标识：2007年10月10日/10898-019-00815-9
[4]	D.西蒙，进化优化算法John Wiley&Sons，新泽西州霍博肯，2013年。
[5]	K.Deb，多目标优化，搜索方法，搜索Methodol。, 2014 (2014), 403–449.
[6]	T.Eftimov，P.Koroec，多目标随机优化算法的深度统计比较，Swarm公司进化。计算。, 61 (2020), 100837.
[7]	G.G.Wang，S.Deb，Z.Cui，帝王蝶优化，神经计算。申请。, 31 (2015), 1995–2014.
[8]	S.Li，H.Chen，M.Wang，A.A.Heidari，S.Mirjalili，Slime mold algorithm:一种新的随机优化方法，未来一代。计算。系统。, 111 (2020), 300–323. 数字对象标识：10.1016/j.未来.2020.03.055
[9]	G.G.Wang，Moth搜索算法：用于全局优化问题的生物启发元启发式算法，Memetic计算。，10（2018），151-164个doi：2007年10月10日/12293-016-0212-3
[10]	A.A.Heidari、S.Mirjalili、H.Faris、I.Aljarah、M.Mafarja、H.Chen，《哈里斯-霍克斯优化：算法和应用》，未来一代。计算。系统。, 97 (2019), 849–872. 数字对象标识：10.1016/j.未来2019.02.028
[11]	L.Lin，M.Gen，进化算法的自动调整策略：探索与开发之间的平衡，软计算。, 13 (2009), 157–168. 数字对象标识：10.1007/s00500-008-0303-2
[12]	X.S.Yang，自然启发的元启发式算法，Luniver出版社，2010年。
[13]	I.Boussad，J.Lepagnot，P.Siarry，优化元启发式调查，信息科学。, 237 (2013), 82–117. 数字对象标识：10.1016/j.ins.2013.02.041
[14]	S.Z.Mirjalili，S.Mirjallili，S.Saremi，H.Faris，I.Aljarah，多目标优化问题的蚱蜢优化算法，申请。智力。，48（2018），805–820。数字对象标识：2007年10月10日/10489-018-1251-x
[15]	K.Deb、S.Mittal、D.K.Saxena、E.D.Goodman、，在进化单目标和多目标算法中嵌入修复算子——一个开发-探索的视角，进化多准则优化（EMO-2021），2021。
[16]	D.Li，W.Guo，A.Lerch，Y.Li，L.Wang，Q.Wu，一种用于大规模优化的解耦探索和开发的自适应粒子群优化算法，Swarm进化。计算。, 60 (2021), 100789. 数字对象标识：2016年10月10日/j.swevo.2020.100789
[17]	M.Abdel-Basset，R.Mohamed，M.Abouhawwash，使用基于改进的参考点方法的平衡多目标优化算法，Swarm进化。计算。, 60 (2021), 100791. 数字对象标识：2016年10月10日/j.swevo.2020.100791
[18]	H.Zhang、J.Sun、T.Liu、K.Zhang和Q.Zhang.在多目标进化优化中平衡勘探和开发，信息科学。, 497 (2019), 129–148. 数字对象标识：10.1016/j.ins.2019.05.046
[19]	P.Koroec，T.Eftimov，使用DSC工具对优化算法的探索和开发能力的见解，数学, 8 (2020), 1474–1484. 数字对象标识：10.3390/路8091474
[20]	S.H.Liu，M.Mernik，B.R.Bryant，探索或利用：进化算法的熵驱动方法，国际J·诺尔。基于智能。工程系统。, 13 (2009), 185–206.
[21]	J.J.Liang、P.N.Suganthan、，一种新型约束处理机制的动态多温粒子群优化算法，IEEE进化计算国际会议，IEEE，2006年。
[22]	X.Wu，S.Zhang，W.Xiao，Y.Yin，鲸鱼优化算法中的勘探/开发权衡，IEEE接入, 7 (2019), 125919–125928. 数字对象标识：10.1109/通道2019.2938857
[23]	T.Jiang，C.Zhang，H.Zhu，J.Gu，G.Deng，使用改进鲸鱼优化算法的车间能效调度，数学, 6 (2018), 220–236. 数字对象标识：10.3390/马赫6110220
[24]	J.Too，A.R.Abdullah，N.M.Saad，一种新的基于多惯性权重策略的协同进化二元粒子群优化算法，信息学, 6 (2019), 21–34. 数字对象标识：10.3390/信息6020021
[25]	L.Abualigah，A.Diabat，《蚱蜢优化算法的综合调查：结果、变体和应用》，神经计算。申请。, 32 (2020), 15533–15556. 数字对象标识：2007年10月7日/200521-020-04789-8
[26]	R.A.Ibrahim，A.A.Ewees，D.Oliva，M.A.Elaziz，S.Lu，基于粒子群优化的改进salp群算法用于特征选择，J.环境智能。人性化计算。, 10 (2018), 3155–3169.
[27]	K.Li，S.Kwong，Q.Zhang，K.Deb，基于相关性的分解多目标优化选择，IEEE传输。赛博。, 45 (2015), 2076–2088. 数字对象标识：10.1109/TCYB.2014.2365354号
[28]	S.W.Jiang、Z.H.Cai、J.Zhang、Y.S.Ong、，基于Pareto自适应权向量分解的多目标优化第七届国际自然计算会议，IEEE，2011年。
[29]	S.Shahbeig，A.Rahideh，M.S.Helfroush，K.Kazemi，基于模糊交互式多目标二进制优化的大规模基因表达数据的基因选择，生物网络。生物识别。工程师。, 38 (2018), 313–328. 数字对象标识：10.1016/j.bbe.2018.02.002
[30]	S.Kim、I.J.Jeong、，使用移动应用程序的交互式多目标优化：在多目标线性分配问题中的应用《2019年亚太信息技术会议论文集》，2019年。
[31]	M.Sakawa，模糊多目标优化，in多准则决策辅助与人工智能，John Wiley&Sons有限公司，2013235-271。
[32]	田彦，杨春阳，张欣，基于进化多目标优化的重叠社区检测模糊方法，IEEE传输。模糊系统。, 28 (2019), 2841–2855.
[33]	N.Piegay，D.Breysse，《不确定环境中扩展基础设计的多目标优化和决策帮助》岩土安全与风险V，IOS出版社，2015419-424。
[34]	E.D.Comanita、C.Ghina、R.M.Hlihor、I.M.Simion、C.Smaranda、L.Favier等人，《绿色塑料的挑战和机遇：使用电子决策辅助方法的评估》，环境。工程管理。J。, 14 (2015), 689–702. 数字对象标识：10.30638/eemj.2015.077
[35]	J.Zhou，X.Yao，L.Gao，C.Hu，基于指标和自适应区域划分的多目标优化进化算法，申请。软计算。, 99 (2021), 106872. 数字对象标识：2016年10月10日/j.asoc.2020.106872
[36]	H.Zhang，Q.Hui，多目标协同蝙蝠搜索算法，申请。软计算。, 77 (2019), 412–437. 数字对象标识：2016年10月10日/j.asoc.2019.01.033
[37]	I.H.Osman，G.Laporte，《元启发式：参考书目》，安·Oper。物件。, 63 (1996), 511–623. 数字对象标识：2007年10月10日/BF02125421
[38]	S.Santander-Jiménez，M.A.Vega-Rodríguez，L.Sousa，在基于蛋白质的场景中推断进化关系的多目标自适应方法，信息科学。, 485 (2019), 281–300. 数字对象标识：2016年10月10日/j.in.2019.02.020
[39]	B.Yazid，B.Sadek，C.Djamal，解决电信网络中多目标分配问题的进化元启发式：多目标指派问题，国际期刊申请。元启发式计算。, 11 (2020), 56–76. 数字对象标识：10.4018/IJAMC.2020040103
[40]	Á. Rubio-Largo，L.Vanneschi，M.Castelli，M.A.Vega-Rodríguez，设计RNA序列的多目标元神经，IEEE传输。进化。计算。, 23 (2018), 156–169.
[41]	S.Safarzadeh、S.Shadrokh、A.Salehian，管池制造过程的启发式调度方法，J.环境智能。人性化计算。，9（2018），1901–1918年。数字对象标识：2007年10月17日/12652-018-0737-z
[42]	S.Safarzadeh，H.Koosha，使用遗传算法求解具有模糊间隙的扩展多行设施布局问题，申请。软计算。, 61 (2017), 819–831. 数字对象标识：2016年10月10日/j.asoc.2017.09.003
[43]	C.M.Rahman，T.A.Rashid，一种新的进化算法：基于学习者绩效的行为算法，埃及。Inf.J.公司。，（2020），即将出版。
[44]	C.M.Rahman，T.A.Rashid，蜻蜓算法及其在应用科学调查中的应用，计算。智力。神经科学。, 2019 (2019), 9293617.
[45]	A.M.Ahmed、T.A.Rashid、S.M.Saeed，《猫群优化算法：调查与性能评估》，计算。智力。神经科学。, 2020 (2020), 20.
[46]	B.A.Hassan，T.A.Rashid，回溯搜索优化算法最新进展的操作框架：系统回顾和性能评估，申请。数学。计算。, 370 (2019), 124919.
[47]	A.S.Shamsaldin、T.A.Rashid、R.A.Al-Rashid、N.K.Al-Salihi、M.Mohammadi，《驴子和走私者优化算法：路径查找的协作工作方法》，J.计算。设计工程师。, 6 (2019), 562–583. 数字对象标识：2016年10月10日/j.jcde.2019.04.004
[48]	J.M.Abdullah、T.Rashid，《健康依赖型优化器：蜜蜂蜂群繁殖过程的启发》，IEEE接入, 7 (2019), 43473–43486. 数字对象标识：10.1109/通道2019.2907012
[49]	D.A.Muhammed，S.A.M.Saeed，T.A.Rashid，改进的适应度相关优化算法，IEEE接入, 8 (2020), 19074–19088. 数字对象标识：109年10月10日/访问.2020.2968064
[50]	M.A.Montes、T.Stutzle、M.Birattari、M.Dorigo、Frankenstein的PSO：复合粒子群优化算法，IEEE传输。进化。计算。, 13 (2009), 1120–1132. 数字对象标识：10.1109/TEVC2009.2021465
[51]	Q.T.Vien，T.A.Le，X.S.Yang，T.Q.Duong，通过分数编程和萤火虫算法增强MME切换的安全性，IEEE传输。Commun公司。, 67 (2019), 6206–6220. 数字对象标识：10.1109/TCOMM.2019.2920353
[52]	G.J.Ibrahim，T.A.Rashid，M.O.Akindou，移动云环境中使用混合元神经算法的节能服务组合机制，J.平行分布计算。, 143 (2020), 77–87. 数字对象标识：2016年10月10日/j.jpdc.2020.05.002
[53]	H.Mohammed，T.A.Rashid，用于全局数值优化和求解压力容器设计的新型混合GWO与WOA，神经计算。申请。, 32 (2020), 14701–14718. 数字对象标识：10.1007/s00521-020-04823-9
[54]	H.M.Mohammed，S.U.Umar，T.A.Rashid，鲸鱼优化算法的系统和元分析综述，计算。智力。神经科学。，2019（2019），8718571。
[55]	P.Sharma、A.Gupta、A.Aggarwal、D.Gupta，A.Khanna、A.E.Hassanien，使用改进的灰狼优化对蛋白质结构进行分类的事物健康，J.超级计算机。, 76 (2020), 1226–1241. 数字对象标识：2007年10月11日/11227-018-2639-4
[56]	H.Zhang，S.Su，一种混合多智能体协调优化算法，Swarm进化。计算。, 51 (2019), 100603. 数字对象标识：2016年10月10日/j.swevo.2019.100603
[57]	H.Jia，Y.Li，C.Lang，X.Peng，K.Sun，J.Li，用于全局优化的混合蝗虫优化算法和差分进化，J.因特尔。模糊系统。, 37 (2019), 6899–6910. 数字对象标识：10.3233/JIFS-190782
[58]	Q.Lin，Q.Zhu，P.Huang，J.Chen，Z.Ming，J.Yu，一种新型的自适应差分进化混合多目标免疫算法，计算。操作。物件。, 62 (2015), 95–111. 数字对象标识：10.1016/j.c或2015.04.003
[59]	S.Arora，P.Anand，用于全局优化的混沌蝗虫优化算法，神经计算。申请。, 31 (2019), 4385–4405. 数字对象标识：2007年10月10日/200521-018-3343-2
[60]	Z.Elmi，M.Ù。伊夫，静态环境下机器人路径规划的多目标蝗虫优化算法,2018年IEEE国际工业技术会议，2018年。
[61]	S.Rangasamy，Y.Kuppusami，一种用于增强互连系统稳定性的新型自然激励改进蝗虫优化双输入控制器，J.电路系统。计算。, 2020 (2020), 21501346.
[62]	X.Zhang、Q.Miao、H.Zhang和L.Wang，一种基于蝗虫优化算法的参数自适应VMD方法，用于分析旋转机械的振动信号，机械。系统。信号处理。，108（2018），58–72。数字对象标识：2016年10月10日/j.ymssp.2017.11.029
[63]	S.Dwivedi，M.Vardhan，S.Tripathi，使用蚱蜢优化算法构建高效的入侵检测系统，用于异常检测，集群计算。, 2021 (2021), 1–20.
[64]	Y.Li，L.Gu，基于曲线自适应和模拟退火的Grasshopper优化算法，申请。Res.计算。, 36 (2019), 3637–3643.
[65]	R.Yaghobzadeh，S.R.Kamel，M.Asgari，H.Saadatmand，用于特征选择的二进制蝗虫优化算法，国际工程技术研究杂志。, 9 (2020), 533–540.
[66]	S.Dwivedi，M.Vardhan，S.Tripathi，混沌蝗虫优化算法对网络基础设施保护的影响，计算。网络, 176 (2020), 107251. 数字对象标识：10.1016/j.comnet.2020.107251
[67]	R.V.Rao，TLBO和ETLBO算法在复杂组合测试函数中的应用《基于学习的优化算法教学》，2016年。
[68]	E.Zitzler，K.Deb，L.Thiele，多目标进化算法的比较：经验结果，进化。计算。, 8 (2000), 173–195. 数字对象标识：10.1162/106365600568202
[69]	K.Deb、L.Thiele、M.Laumanns、E.Zitzler、，可扩展多目标优化测试问题《2002年进化计算大会论文集》，2002年。
[70]	Q.Zhang，A.Zhou，S.Zhao，P.N.Suganthan，W.Liu，S.Tiwari，CEC 2009年特别会议和竞赛的多目标优化测试实例，英国科尔切斯特埃塞克斯大学和南洋理工大学，CES代表, 487 (2008), 2008.