A new approach for solving global optimization and engineering problems based on modified Sea Horse Optimizer

📄 arXiv: 2402.14044v1 📥 PDF

作者: Fatma A. Hashim, Reham R. Mostafa, Ruba Abu Khurma, Raneem Qaddoura, P. A. Castillo

分类: cs.NE, cs.AI

发布日期: 2024-02-21

💡 一句话要点

提出改进海马优化器以解决全球优化与工程问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 海马优化器 全局优化 工程设计 局部搜索 元启发式算法 优化性能 复杂问题

📋 核心要点

  1. 现有的海马优化器在局部搜索能力上存在不足，限制了其在复杂优化问题中的应用效果。
  2. 论文提出的mSHO算法通过引入三步局部搜索策略，显著提升了搜索能力和收敛效率。
  3. 实验结果表明，mSHO在多个工程设计问题上表现优异，尤其在压力容器设计等领域取得了最佳值。

📝 摘要（中文）

海马优化器（SHO）是一种模仿海马智能行为的元启发式算法，涵盖了其觅食模式、雄性繁殖策略和复杂运动模式。为更好地模拟海马的运动，SHO结合了对数螺旋方程和Levy飞行，既实现了大步长的随机运动，又增强了局部搜索能力。此外，布朗运动的引入使得搜索空间的探索更加全面。本研究提出了一种高性能的SHO变体，称为mSHO，主要通过创新的局部搜索策略来增强SHO的开发能力。实验结果显示，mSHO在CEC'2020测试函数中排名第一，并在多个工程问题上表现出色，取得了最佳值。

🔬 方法详解

问题定义：本研究旨在解决全球优化和工程设计中的复杂问题，现有的海马优化器在局部搜索和全局探索能力上存在不足，影响了其性能。

核心思路：mSHO算法通过引入创新的局部搜索策略，结合邻域搜索、全局非邻域搜索和现有搜索区域的环绕方法，增强了搜索能力，提升了收敛速度。

技术框架：mSHO的整体架构包括三个主要模块：邻域基础的局部搜索、全局非邻域搜索和环绕现有搜索区域的方法。这些模块协同工作，优化搜索过程。

关键创新：mSHO的核心创新在于其局部搜索策略的设计，与传统SHO相比，显著提高了局部搜索的效率和全局探索的能力。

关键设计：在参数设置上，mSHO采用了适应性调整的步长和搜索策略，以适应不同的优化问题，确保在复杂的搜索空间中能够有效收敛。具体的损失函数和搜索策略细节在论文中进行了详细描述。

📊 实验亮点

实验结果显示，mSHO在CEC'2020测试函数中获得了总排名第一的成绩，并在多个工程问题上取得了最佳值，如压力容器设计的值为0.012665，显示出其在优化问题中的卓越性能和效率提升。

🎯 应用场景

该研究的mSHO算法具有广泛的应用潜力，尤其适用于复杂的工程设计问题，如压力容器设计、减速器设计和工业制冷系统等。其高效的搜索能力和优化性能将为工程师在实际应用中提供强有力的支持，推动相关领域的技术进步。

📄 摘要（原文）

Sea Horse Optimizer (SHO) is a noteworthy metaheuristic algorithm that emulates various intelligent behaviors exhibited by sea horses, encompassing feeding patterns, male reproductive strategies, and intricate movement patterns. To mimic the nuanced locomotion of sea horses, SHO integrates the logarithmic helical equation and Levy flight, effectively incorporating both random movements with substantial step sizes and refined local exploitation. Additionally, the utilization of Brownian motion facilitates a more comprehensive exploration of the search space. This study introduces a robust and high-performance variant of the SHO algorithm named mSHO. The enhancement primarily focuses on bolstering SHO's exploitation capabilities by replacing its original method with an innovative local search strategy encompassing three distinct steps: a neighborhood-based local search, a global non-neighbor-based search, and a method involving circumnavigation of the existing search region. These techniques improve mSHO algorithm's search capabilities, allowing it to navigate the search space and converge toward optimal solutions efficiently. The comprehensive results distinctly establish the supremacy and efficiency of the mSHO method as an exemplary tool for tackling an array of optimization quandaries. The results show that the proposed mSHO algorithm has a total rank of 1 for CEC'2020 test functions. In contrast, the mSHO achieved the best value for the engineering problems, recording a value of 0.012665, 2993.634, 0.01266, 1.724967, 263.8915, 0.032255, 58507.14, 1.339956, and 0.23524 for the pressure vessel design, speed reducer design, tension/compression spring, welded beam design, three-bar truss engineering design, industrial refrigeration system, multi-Product batch plant, cantilever beam problem, multiple disc clutch brake problems, respectively.