СОВРЕМЕННОЕ СОСТОЯНИЕ БИОЭВРИСТИК: КЛАССИФИКАЦИЯ, БЕНЧМАРКИНГ, ОБЛАСТИ ПРИМЕНЕНИЯ
Аннотация
Целями данной статьи является анализ современного состояния исследований в
области разработки алгоритмов, инспирированных природой, включая категоризацию,
классификацию, тестирование, цитируемость и области применения. Представлена
новая многоуровневая система классификации на основе следующих признаков: критерий
соответствие природной метафоре, структурный, поведенческий, поисковый, комп о-
нентный и оценочный критерии. Классификация биоэвристик предполагает системати-
ческое отнесение каждой биоэвристики к одному и только одному классу в рамках си с-
темы взаимоисключающих и неперекрывающихся классов. Категоризация позволяет об ъ-
ективно подходить к выбору биоэвристик. Для каждой биоэвристики имеются конкрет-
ные задачи, с которыми она хорошо справляется. Знать эти взаимосвязи важно для ц е-
ленаправленного применения биоэвристики. Рассмотрен пример классификации. Отм е-
чено, что наиболее информативным критерием классификации является поведенческий
критерий, наиболее цитируемым классом биоэвристик являются алгоритмы роевого
интеллекта, а наиболее цитируемой биоэвристикой алгоритм роя частиц PSO. Пред-
ставлены современные подходы к бенчмаркингу биоэвристик: задачи дискретной и не-
прерывной оптимизации, а также оптимизационные инженерные задачи. Отмечена
тенденция проводить сравнение производительности биоэвристик, используя стати-
стическую проверку гипотез на бенчмарках. Систематизированы задачи, успешно р е-
шаемые биоэвристиками в таких областях, как инженерное проектирование, обработка
изображений и компьютерное зрение, компьютерные сети и коммуникации, энергетика
и энергоменеджмент, анализ данных и машинное обучение, робототехника, медицинская
диагностика. Наметилась тенденция к гибридизации биоэвристик в одном оптимизато-
ре. Однако требуются убедительные доказательства, что результаты компенсируют
увеличение сложности по сравнению с отдельными алгоритмами. Отмечены задачи о п-
тимизации, требующие дальнейших исследований: задачи динамической и стохастиче-
ской оптимизации; задачи многокритериальной оптимизации; задачи мультимодальной
оптимизации; задачи многомерной оптимизации; задачи меметической оптимизации, в
которых комбинируется множество поисковых алгоритмов; задачи оптимизации и
адаптации настроек параметров биоэвристик для достижения баланса между скор о-
стью сходимости и диверсификацией пространства поиска решений
Литература
Comp. – 1997. – No. 1. – P. 67-82.
2. Sorensen K., Sevaux M., Glover F. A history of metaheuristics. – Handbook of heuristics.
– 2017. arxiv:1704.00853v1.
3. Molina D., Poyatos J., Del Ser J., Garcı´a S., Hussain A., Herrera F. Comprehensive taxonomies
of nature- and bio-inspired optimization: inspiration versus algorithmic behavior, critical
analysis and recommendations. – https://arxiv.org/abs/2002.08136v3.
4. Almufti S.M., Marqas R.B., Saeed V.A. Taxonomy of bio-inspired optimization algorithms //
Jour. Adv. Comput. Sci. Technol. – 2019. – Vol. 8 (2). – P. 23.
5. Sorensen K., Glover F.W. Metaheuristics. Encyclopedia of operations research and management
science. – Springer, NY., 2013. – P. 960-970.
6. Binitha S., Sathya S.S. A survey of bio inspired optimization algorithms // Int. Jour. Soft.
Comput. Eng. (IJSCE). – 2012. – Vol. 2 (2). – P. 137-151.
7. Rajpurohit J., Sharma T.K., Abraham A. Glossary of metaheuristic algorithms // Int. Jour.
Comput. Inf. Syst. Ind. Manag. Appl. – 2017. – Vol. 9. – P. 181-205.
8. Nesmachnow S. An overview of metaheuristics: accurate and efficient methods for optimization
// Int. Jour. Metaheuristics. – 2014. – Vol. 3 (4). – P. 320.
9. Pazhaniraja N., et. al. A study on recent bio-inspired optimization algorithms // 4th int. conf.
on signal processing, communication, and network (ICSCN). – IEEE, 2017.
10. Nabaei A., et. al. Topologies and performance of intelligent algorithms: a comprehensive review
// Artif. Intell. Rev. – 2016. – Vol. 49 (1). – P. 79-103.
11. Fausto F., et. al. From ants to whales: metaheuristics for all tastes // Artif. Intell. Rev. – 2019.
– Vol. 53 (1). – P. 753-810.
12. Sergienko I.V., Hulianytskyi L.F., Sirenko S.I. Classification of applied methods of combinatorial
optimization, Cybern. Syst. Anal., 2009, Vol. 45 (5), pp. 732-741.
13. Kureychik V.V., Rodzin S.I. Vychislitel'nye modeli bioevristik, osnovannykh na fizicheskikh i
kognitivnykh protsessakh (obzor) [Computational models of bio heuristics based on physical
and cognitive processes (review)], Informatsionnye tekhnologii [Information Technology],
2021, Vol. 27, No. 11, pp. 563-574.
14. Lones M.A. Metaheuristics in nature-inspired algorithms, Proc. conf. companion on Genetic
and evolutionary computation companion (GECCO). ACM Press, 2014.
15. Sergeyev Y.D., Kvasov D.E., Mukhametzhanov M.S. On the efficiency of nature-inspired
metaheuristics in expensive global optimization with limited budget, Sci. Rep., 2018, Vol. 8 (1).
16. Rodzin S.I., Skobtsov Yu.A., El'-Khatib S.A. Bioevristiki: teoriya, algoritmy i prilozheniya
[Bioheuristics: theory, algorithms, and applications]. Cheboksary: ID «Sreda», 2019, 224 p.
17. Hong L., Drake J.H., Woodward J.R., Ozcan E. A hyper-heuristic approach to automated generation
of mutation operators for evolutionary programming, Appl. Soft. Comput., 2018,
Vol. 62, pp. 162-175.
18. Yang X.S. Nature-Inspired Optimization Algorithms. Elsevier, 2014.
19. Fister I., et.al. A Brief Review of Nature-Inspired Algorithms for Optimization,
Elektrotehniski Vestnik, 2013, Vol. 80 (3), pp. 1-7.
20. Kumar A. Bio inspired computing – A review of algorithms and scope of applications, Expert
Systems with Applications, 2016, Vol. 59, pp. 20-32.
21. Punnathanam V., Kotecha P. Yin-Yang-pair Optimization: A novel lightweight optimization
algorithm, Eng. Applications of Artificial Intelligence, 2016, Vol. 54, pp. 62-79.
22. Dokeroglu T., Sevinc E., Kucukyilmaz T., Cosar A. A survey on new generation metaheuristic
algorithms, Comput. Ind. Eng., 2019, Vol. 137, pp. 106040.
23. Rodzin S.I., Rodzina L.S. Bioinspirirovannyy poisk resheniy: teoriya i prilozheniya dlya
obrabotki problemno-orientirovannykh znaniy v geoinformatike [Bioinspired search for solutions:
theory and applications for processing problem-oriented knowledge in geoinformatics],
Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2015, No. 4,
pp. 203-216.
24. LaTorre A., et. al. Fairness in bio-inspired optimization research: a prescription of methodological
guidelines for comparing meta-heuristics. – 2020. Published arxiv:2004.09969v1.
25. Del Ser J., et. al. Bio-inspired computation: where we stand and what’s next, Swarm Evol.
Comput., 2019, Vol. 48, pp. 220-250.
26. Kureychik V.V., Kureychik V.M., Rodzin S.I. Teoriya evolyutsionnykh vychisleniy [Theory of
evolutionary computing]. Moscow: Fizmatlit, 2012, 260 p.
27. Liefooghe A., Jourdan L., Talbi E.G. A software framework based on a conceptual unified
model for evolutionary multiobjective optimization: ParadisEO-MOEO, Europ. Jour. of Operational
Research, 2011, Vol. 209 (2), pp. 104-112.
28. Benítez-Hidalgo A., Nebro A.J., García-Nieto J., Oregi I., Ser J.D. jMetalPy: A Python
framework for multi-objective optimization with metaheuristics, Swarm and Evol. Computation,
2019, Vol. 51, pp. 100598.
29. Tian Y., et. al. A MATLAB platform for evolutionary multi-objective optimization, IEEE
Computational Intelligence Magazine, 2017, Vol. 12 (4), pp. 73-87.
30. Petrovskiy A.B. Teoriya prinyatiya resheniy [Theory of decision–making]. Moscow: Izd.
Tsentr «Akademiya», 2009, 400 p.
31. Rodzin S., Rodzina O. Metaheuristics memes and biogeography for trans computational combinatorial
optimization problems, Proc. of the 6th Int. Conf. – Cloud System and Big Data Engineering,
2016, pp. 1-5.
32. El-Khatib S., Rodzin S., Skobtsov Yu. Investigation of optimal heuristical parameters for mixed
ACO-k-means segmentation algorithm for MRI images, Proc. 3rd Int. Scientific Conf. on Information
Technologies in Science, Management, Social Sphere and Medicine (ITSMSSM),
2016, Vol. 51, pp. 216-221.
