Исследование эффективности алгоритма глобальной оптимизации, вдохновленного некоторыми аспектами поведения тараканов

Рассматриваем оптимизационный алгоритм нашествия тараканов (Roach Infestation Optimization, RIO), который относится к классу популяционных алгоритмов, вдохновленных живой природой. Алгоритм RIO предложен в 2008 г. и его можно считать глубокой модификацией широко известного и одного из наиболее эффективных оптимизационных алгоритмов роя частиц (Particle swarm optimization, PSO). Интерес к алгоритму RIO обусловлен тем, что в силу высокой эффективности алгоритма PSO для широкого круга задач глобальной оптимизации, особый интерес представляет исследование модификации этого алгоритма, которую представляет алгоритм RIO. Цель работы состоит в программной реализации и исследовании эффективности алгоритма RIO для известных сложных мультимодальных тестовых функций Ратригина и Экли. Особенностью исследования является поиск глобального экстремума (минимума) указанных функций в широкой области пространства поиска, в которой число локальных минимумов этих функций чрезвычайно велико. Представляем постановку рассматриваемой задачи глобальной оптимизации. Приводим описание алгоритма RIO, отличительным признаком которого является использование не оригинальных обозначений авторов этого алгоритма, но унифицированных обозначений, используемых нами при рассмотрении других популяционных алгоритмов. Описываем программное обеспечение, реализующее алгоритм, и организацию вычислительных экспериментов по исследованию его эффективности. Представляем результаты исследований, показывающие высокую перспективность алгоритма RIO для решения задач глобальной оптимизации.

1. 1. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы вдохновленные природой. Москва: Издательство МГТУ им. Н.Э. Баумана; 2014.

2. 2. Havens T.C. et al. Roach infestation optimization. In: Proceedings of the 2008 IEEE Swarm Intelligence Symposium, St. Louis, MO, USA. 2008:21–23.

3. 3. Bo Xing, Wen-Jing Gao. Innovative Computational Intelligence: A Rough Guide to 134 Clever Algorithms. Springer International Publishing Switzerland; 2014.

4. 4. Jeanson R. et al. Selforganized aggregation in cockroaches. Animal Behaviour. 2005;69:169–180.

5. 5. Halloy J. et al. Social integration of robots into groups of cockroaches to control self-organizined choices. Science. 2007;318(5853):1155-1158.

6. 6. Ame J. at al. Collegial decision making based on social amplification leads to optimal group formation. Proc. Natl. Acad. Sci. 2006;103(15):5835–5840.

7. 7. Garnier S. et al. Collective decision-making by a group of cockroach-like robots. Proc. 2005 IEEE Swarm Intelligence Symposium (SIS 2005). Pasadena, CA, USA. 2005;233-240.

8. 8. Watanabe H., Mizunami M. Pavolv’s cockroach: Classical conditioning of salivation in an insect. PLoS ONE. 2007;2(6):529.

9. 9. Kennedy J., Eberhardt R. Particle swarm optimization. Proceedings of the IEEE Int. Conf. on Neural Networks, Piscataway, NJ. 1995;1942–1948.

10. 10. Clerc M. Particle Swarm Optimization. Newport Beach, CA: ISTE USA, 2006.