Biology migration algorithm: a new nature-inspired heuristic methodology for global optimization

Zhang, Qingyang; Wang, Ronggui; Yang, Juan; Lewis, Andrew; Chiclana, Francisco; Yang, Shengxiang

doi:10.1007/s00500-018-3381-9

Cited by 34 publications

(23 citation statements)

References 53 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The results clearly indicate that besides being great at exploitation processes, MAFIRO is also good in exploration by providing the best solutions compared to others for 86, respectively. The ideal fitness for those functions is 400, 500, 600, 700, 1100, 1200, 1300, 1400, and 1500, respectively.…”

Section: Simple Multimodal Functions (Fn4 To Fn16)mentioning

confidence: 85%

“…The competency of MAFIRO is tested by solving 30 single-objective mathematical test functions available in the CEC 2014 benchmark test suite (76). The CEC 2014 benchmark test suite, which contains the real-parameter minimization optimization problems, has been used by several researchers for various algorithms, including the Manta Ray Foraging Optimization (MRFO) algorithm (56), the Squirrel Search Algorithm (SSA) (48), the Pity Beetle Algorithm (PBA) (17), the Queuing Search (QS) algorithm (41), the Biology Migration Algorithm (BMA) (86), and the Sine Optimization Algorithm (SOA) (87). The CEC 2014 benchmark test suite consists of four different groups: unimodal functions, simple multimodal functions, hybrid functions, and composition functions.…”

Section: Cec 2014 Benchmark Test Suite Of Single Objective Real-parammentioning

confidence: 99%

See 1 more Smart Citation

Multi-Agent Finite Impulse Response Optimizer for Numerical Optimization Problems

Rahman

Aziz

Ibrahim

et al. 2020

Preprint

View full text Add to dashboard Cite

This paper investigates the potential of the ultimate iterative unbiased finite impulse response (UFIR) filter as a source of inspiration in a population-based metaheuristic algorithm. Here, a new algorithm inspired by the measurement and estimation procedures of the UFIR filter named the Multi-Agent Finite Impulse Response Optimizer (MAFIRO) for solving numerical optimization problems is proposed. MAFIRO works with a set of agents where each performs the measurement and estimation to find a solution. MAFIRO employs a random mutation of the best-so-far solution and the shrinking local neighborhood method to balance between the exploration and exploitation phases during the optimization process. Subsequently, the performance of MAFIRO is tested by solving the benchmark test suite of the IEEE Congress on Evolutionary Computation 2014. The benchmark is composed of 30 mathematical functions. The competency of MAFIRO is compared with the Particle Swarm Optimization algorithm, Genetic Algorithm, and Grey Wolf Optimizer. The results show that MAFIRO leads in 23 out of 30 functions and has the highest Friedman rank. MAFIRO performs significantly better than the other tested algorithms. Based on the findings, we show that the concept of the UFIR filter is a good inspiration for a population-based metaheuristic algorithm.

show abstract

Section: Simple Multimodal Functions (Fn4 To Fn16)mentioning

confidence: 85%

Section: Cec 2014 Benchmark Test Suite Of Single Objective Real-parammentioning

confidence: 99%

Multi-Agent Finite Impulse Response Optimizer for Numerical Optimization Problems

Rahman

Aziz

Ibrahim

et al. 2020

Preprint

View full text Add to dashboard Cite

show abstract

“…In 2017, Lianbo Ma et al simulated the foraging behavior of plant roots and proposed the root system growth algorithm (RSGA) [30]. In 2018, Qingyang Zhang et al simulated the processes of species immigration and emigration of animals during migratory seasons and proposed the biology migration algorithm (BMA) [31]. A.…”

Section: Introductionmentioning

confidence: 99%

An Improved Farmland Fertility Algorithm for Global Function Optimization

Wang

Chen

2020

IEEE Access

View full text Add to dashboard Cite

This paper proposes an improved farmland fertility (IFF) algorithm to increase the convergence rate and precision of the farmland fertility algorithm. A search mode that combines subspace and full space is proposed. The two modes are automatically converted in accordance with the current learning level of the population. Such hybrid search balances the algorithm exploration and exploitation capabilities. The global memory capacity with a fixed size is processed self-adaptively to make its size adaptively change with the iterative process. A mechanism of soil fusion based on neighbor memory learning is also proposed to expand the search range of the current population and ensure population diversity. On the basis of the cosine similarity between the population and the current optimal individual, the area to which the individual belongs is periodically redivided, and the computing resources are reasonably allocated. The results of experiments on the CEC2013 test suite indicate that IFF has evident advantages over seven excellent algorithms in terms of convergence rate and precision.

show abstract

“…Το 2017 προτάθηκε ο Βελτιστοποιητής Εγωιστικού Κοπαδιού (Selfish Herd Optimizer) από τους Fausto et al (2017), ενώ μέσα στο 2018 προτάθηκαν τέσσερις ακόμη αλγόριθμοι: ο Αλγόριθμος Βιολογικής Μετανάστευσης (Biology Migration Algorithm) (Zhang et al, 2018), ο Αλγόριθμος Βελτιστοποίησης Περηφάνιας Λέοντα (Lion Pride Optimization Algorithm) (Kaveh and Mahjoubi, 2018), ο Αλγόριθμος εμπνευσμένος από Σουρικάτες (Meerkat-inspired Algorithm) (Klein and dos Santos Coelho, 2018) και η Βελτιστοποίηση Κοπαδιού Γκνου (Wildebeests Herd Optimization) (Motevali et al, 2018). Την ίδια χρονιά προστέθηκε μια ακόμη μέθοδος σε εκείνες που είναι εμπνευσμένες από τις κατσαρίδες, η οποία ονομάστηκε Τεχνητές Κοινωνικές Κατσαρίδες (Artificial Social Cockroaches) και προτάθηκε κυρίως για προβλήματα αναγνώρισης εικόνων από τους Bouarara, Hamou and Abdelmalek (2018).…”

Section: άλλες συμπεριφορές σμήνουςunclassified

“…Αλγόριθμος Αβαρούς Σμήνους Weightless Swarm Algorithm (Ting et al, 2012) Αλγόριθμος Βελτιστοποίησης Ακρίδας Grasshopper Optimization Algorithm (Mirjalili et al, 2018) Αλγόριθμος Βελτιστοποίησης Περηφάνιας Λέοντα Lion Pride Optimization Algorithm (Kaveh and Mahjoubi, 2018) Αλγόριθμος Βελτιστοποίησης του Γλάρου Seagull Optimization Algorithm (Dhiman and Kumar, 2019) Αλγόριθμος Βιολογικής Μετανάστευσης Biology Migration Algorithm (Zhang et al, 2018) Αλγόριθμος εμπνευσμένος από Σουρικάτες Meerkat-inspired Algorithm (Klein and dos Santos Coelho, 2018) 232…”

Section: παράρτημα I υποκατηγορίες αλγορίθμων εμπνευσμένων από τη φύσηunclassified

Νοήμονες Υπολογιστικές Μέθοδοι Εμπνευσμένες Από Τον Φυσικό Κόσμο Για Την Βελτιστοποίηση Συστημάτων

Τζανέτος¹

View full text Add to dashboard Cite

Η εποχή που διανύουμε φέρνει στο προσκήνιο την Τεχνητή Νοημοσύνη, καθότι διάφοροι κλάδοι ενσωματώνουν εντυπωσιακές εφαρμογές της. Πολλές αναφορές γίνονται στην 4η Βιομηχανική Επανάσταση, η οποία έχει πλέον την Τεχνητή Νοημοσύνη ως κύριο πυλώνα της. Ήδη από τη δεκαετία του 1950 αναπτύσσονταν νοήμονα συστήματα λήψης απόφασης, τα οποία συνήθως είχαν υποστηρικτικό ρόλο για έναν λήπτη απόφασης. Προβλήματα στα οποία έπρεπε να βρεθεί μια βέλτιστη στρατηγική, τα επονομαζόμενα προβλήματα βελτιστοποίησης, εμφανίζονται σε διάφορα πεδία όπως η Χρηματοοικονομική Μηχανική (Financial Engineering), η Μηχανική της Διοίκησης (Management Engineering) και η Επιχειρησιακή Έρευνα (Operational Research). Πολλά εκ των προβλημάτων που καλείται να λύσει ένας Μηχανικός ανήκουν στα προβλήματα βελτιστοποίησης. Και καθώς τα προβλήματα που αντιμετωπίζει η βιομηχανία γίνονται ολοένα και πιο δύσκολα, αυξάνεται η χρησιμότητα των Νοημόνων Υπολογιστικών Μεθόδων και η ενσωμάτωσή τους στους σχετικούς κλάδους της βιομηχανίας. Το φάσμα των Νοημόνων Υπολογιστικών Μεθόδων είναι ευρύ και εκτείνεται από τις μεθόδους Μηχανικής Μάθησης (Machine Learning) μέχρι και τις Νοήμονες Μεθόδους που είναι Εμπνευσμένες από τη Φύση (Nature-inspired Intelligent Methods). Οι τελευταίες, παρόλο που άρχισαν να αναπτύσσονται από τα μέσα της δεκαετίας του ’80, αποτέλεσαν ξεχωριστή κατηγορία Νοημόνων Υπολογιστικών Μεθόδων στη βιβλιογραφία στις αρχές του 2000. Λόγω της ικανότητάς τους να επιλύουν δύσκολα προβλήματα βελτιστοποίησης πολλών διαστάσεων, οι Νοήμονες Υπολογιστικές Μέθοδοι Εμπνευσμένες από τον Φυσικό Κόσμο έχουν προσελκύσει το ενδιαφέρον των ερευνητών διεθνώς ήδη από την προηγούμενη δεκαετία. Στην παρούσα διατριβή συλλέχθηκαν και μελετήθηκαν όλες οι Νοήμονες Υπολογιστικές Μέθοδοι που είναι Εμπνευσμένες από τον Φυσικό Κόσμο με σκοπό να εντοπιστούν τα χαρακτηριστικά που μπορούν να βελτιώσουν την απόδοσή τους. Επιπρόθετα, η μελέτη εστίασε και στα προβλήματα (χώρους εφαρμογής) που εφαρμόζονται οι παραπάνω μέθοδοι. Από αυτή την εκτενή μελέτη της βιβλιογραφίας προέκυψαν κάποιες παρατηρήσεις, οι οποίες αποτυπώθηκαν σε ένα πλαίσιο εργασίας (framework), το οποίο μπορεί να ακολουθήσει ο ενδιαφερόμενος ερευνητής, ώστε να αναπτύξει ή να βελτιώσει κάποια υπάρχουσα Νοήμονα Υπολογιστική Μέθοδος Εμπνευσμένη από τον Φυσικό Κόσμο. Επιπλέον, σε συμφωνία με το προτεινόμενο πλαίσιο εργασίας και με βάση τα προαναφερθέντα χαρακτηριστικά, αναπτύχθηκε μια νέα νοήμων υπολογιστική μέθοδος εμπνευσμένη από τους νόμους της υποθαλάσσιας ακουστικής, η οποία αποδεικνύεται αποτελεσματική στην επίλυση διαφόρων πρακτικών εφαρμογών από το χώρο της Μηχανικής των Αποφάσεων (Βελτιστοποίηση Χαρτοφυλακίου, Βέλτιστη Εξισορρόπηση Πόρων στη Διοίκηση Έργων, Οικονομική Κατανομή Φορτίου, Βελτιστοποίηση Γραμμών Παραγωγής). Μάλιστα, τα αποτελέσματα της προτεινόμενης μεθόδου συγκρίνονται με αυτά άλλων κλασικών μεθόδων της βιβλιογραφίας ή μεθόδων που ανήκουν εξίσου στην κατηγορία των Υπολογιστικών Μεθόδων που είναι Εμπνευσμένες από τον Φυσικό Κόσμο, τις οποίες και ξεπερνάει σε απόδοση. Κατά τη διάρκεια της έρευνας, εφαρμόζοντας την προτεινόμενη μέθοδο σε προβλήματα των χώρων εφαρμογής που αναφέρονται παραπάνω, βελτιώθηκαν μηχανισμοί της μεθόδου, ενώ αναπτύχθηκαν μηχανισμοί που βοήθησαν στην αντιμετώπιση διάφορων προβλημάτων που αντιμετωπίζουν οι Νοήμονες Υπολογιστικές Μέθοδοι που είναι Εμπνευσμένες από τον Φυσικό Κόσμο. Μάλιστα, οι μηχανισμοί που αναπτύχθηκαν αποτελούν και μέρος της συνεισφοράς της παρούσας διατριβής, καθώς μπορούν να υιοθετηθούν και από άλλες μεθόδους Υπολογιστικής Νοημοσύνης. Τέλος, σε ορισμένες περιπτώσεις αναπτύχθηκαν και υβριδικά σχήματα που περιέχουν την υπολογιστική μέθοδο που προτείνεται στην παρούσα διατριβή με σκοπό την βελτίωση της απόδοσής της.

show abstract

Biology migration algorithm: a new nature-inspired heuristic methodology for global optimization

Cited by 34 publications

References 53 publications

Multi-Agent Finite Impulse Response Optimizer for Numerical Optimization Problems

Multi-Agent Finite Impulse Response Optimizer for Numerical Optimization Problems

An Improved Farmland Fertility Algorithm for Global Function Optimization

Νοήμονες Υπολογιστικές Μέθοδοι Εμπνευσμένες Από Τον Φυσικό Κόσμο Για Την Βελτιστοποίηση Συστημάτων

Contact Info

Product

Resources

About