Core Concepts
本文提出了两个全面的分类法,一个基于生物相似性原理,另一个基于与种群模型迭代相关的操作方面。这些分类法使研究人员能够根据两个标准将现有的算法开发划分为明确的类别:灵感来源和每个算法展现的行为。
Abstract
本文提出了两个全面的分类法来组织自然启发和生物启发优化算法:
基于算法的自然或生物灵感对其进行分类,使得给定一个特定的算法,我们可以快速而无歧义地找到其类别。这一分类的目的是允许对文献中不断涌现的求解器进行轻松分组。
根据算法的行为,即它如何为要优化的函数生成新的候选解,对审查的算法进行分类。我们的目的是将具有相似行为的算法分组在一起,而不考虑其启发式隐喻。
这种双重标准分类对研究人员很有用。第一个有助于根据灵感来源对不同提议进行分类,而第二个则提供了关于它们的算法相似性和差异的有价值信息。这种双重分类允许研究人员在适当的背景中识别每一个新的提议。
我们对这两种分类法进行了批判性检查,以分析在一种分类法中归类在同一类别中的算法在另一种分类法中的分类。接下来发现的相似性将允许发现最有影响力的元启发式算法,其行为已启发了许多其他自然和生物启发的提议。
这些研究任务提供了进行全面双重分析的几个见解:
第一个分析关注分类法。具体而言,我们提供了几项建议,以改善这一领域的研究实践。自然启发提议的数量激增可被视为该领域活跃状态的一个症状;然而,其急剧发展表明,研究工作还应投资于新的行为差异和在实际问题中的可验证性能证据。
第二个分析深入探讨了生物启发优化的批判性视角。它讨论了近年来在该领域确定的优势、弱点和挑战,同时也强调了未来生物启发优化发展的潜力。
Stats
生物启发优化算法数量从最初的323个增加到2024年4月的518个。
在所有审查的算法中,最大的类别是群体智能(53.48%),其次是物理和化学类别(14.67%)。
Quotes
"生物启发优化已经引起了文献中的重大关注。这个算法家族模仿自然中观察到的各种生物过程,以有效地解决复杂的优化问题。"
"自然和生物启发算法的激增,伴随着大量的应用、工具和指南,突显了这个领域日益增长的兴趣。"
"我们相信,这种双重标准分类对研究人员来说是非常有用的。第一个有助于根据灵感来源对不同提议进行分类,而第二个则提供了关于它们的算法相似性和差异的有价值信息。"