《Biomimetics》:A Secretary Bird Optimizer with Good Point Set Initialization and Trend-Aware Search for Benchmark and Portfolio Optimization
编辑推荐:
被接受的种群位移提供了方向性信息,这些信息可在后续的无导数搜索中重复利用。本文开发了佳点集与趋势感知秘书鸟优化算法(Good Point Set and Trend-Aware Secretary Bird Optimization Algorithm,GT-
被接受的种群位移提供了方向性信息,这些信息可在后续的无导数搜索中重复利用。本文开发了佳点集与趋势感知秘书鸟优化算法(Good Point Set and Trend-Aware Secretary Bird Optimization Algorithm,GT-SBOA),将维度容许的数论初始化与由个体及种群中心运动形成的辅助搜索方向相结合。在每个完整扫描周期中,辅助更新应用于表现较差的半数种群,所有目标函数调用均计入共同的评估预算。评估涵盖了29个CEC2017函数、双组分消融实验、方向权重敏感性分析以及五个OR-Library投资组合实例。在D=30的比较中,GT-SBOA在十一种算法中的平均排名为2.4138,取得了14个最低平均误差,并且相对于SBOA具有显著的胜/平/负记录(16/4/9)。四方法比较显示,在D=50时GT-SBOA位列第一,在D=100时位列第三,表明其综合优势具有维度依赖性。投资组合评估在全方法比较中保留了原生初始化,并使用GD(Generational Distance)和IGD(Inverted Generational Distance)评估前沿精度与覆盖范围,同时设置了与父算法的共同初始化对照。这些比较界定了在固定评估预算下,位移引导更新能够提供有用搜索信息的条件。
论文解读:基于佳点集初始化与趋势感知搜索的秘书鸟优化算法
研究背景与问题
群体智能优化算法在处理无梯度或梯度信息获取成本高昂的优化问题时具有重要价值,其核心挑战在于如何在有限的评估预算内有效平衡全局探索与局部精化。初始种群的分布决定了算法运行的起点信息质量,而更新规则则决定了如何将这些信息转化为后续候选解。秘书鸟优化算法(Secretary Bird Optimization Algorithm,SBOA)作为一种新兴的群体智能元启发式算法,通过模拟秘书鸟的捕猎与逃生行为进行搜索,但其存在两个主要局限:一是初始种群采用独立随机采样,可能导致有限样本下的覆盖不均匀;二是算法虽采用贪婪选择保留改进解,但并未显式保留被接受位移作为方向性信号供后续复用。现有SBOA变体如UTFSBOA和ISBOA分别从不同角度改进了搜索过程,但尚未有研究系统性地探索将经过贪婪选择存活的位移信息作为辅助搜索方向的策略。为此,研究人员提出了GT-SBOA,旨在结合确定性数论初始化与位移引导的辅助更新机制,在相同评估预算下提升搜索效率。
研究方法与关键技术
研究人员采用了以下关键技术方法:第一,佳点集初始化(Good Point Set,GPS),基于华罗庚和王元提出的余弦构造方法,选取与维度相关的素数(D=30时取67,D=50时取103,D=100时取211)生成确定性初始点集,避免了重复余弦坐标缺陷;第二,趋势感知搜索轨迹,在每次完整扫描周期中,计算每个个体经捕猎和逃生阶段更新后的被接受位移,进而得到质心位移和复合搜索方向,对表现最差的半数种群施加基于个体和群体运动信息的辅助候选解生成;第三,评估预算统一核算,将所有目标函数调用(包括初始化、父代更新、辅助更新及修复后评估)纳入同一预算计数器,确保比较公平性;第四,采用CEC2017基准函数集(29个函数,排除F2)和五个OR-Library投资组合实例(恒生指数31只、DAX 100指数85只、FTSE 100指数89只、S&P 100指数98只、日经225指数225只资产)进行全面评估。
研究结果
4.2 性能与统计比较
在D=30条件下,GT-SBOA与SBOA、UTFSBOA、ISBOA、RIME、ECO、PO、SBO、DE、PSO和GWO共十一种算法进行比较。结果显示,GT-SBOA的平均排名最低(2.4138),在14个函数上取得最低平均误差。相对于SBOA,其均值胜/平/负记录为16/0/13,显著性胜/平/负记录为16/4/9。Friedman检验统计量为69.115,经Holm校正后的跨函数排名比较显示GT-SBOA显著优于除UTFSBOA外的所有比较算法。
4.3 组分贡献与方向权重
消融实验比较了四种变体:SBOA(无任何组分)、GPS-SBOA(仅使用修正初始化器)、T-SBOA(仅使用辅助更新)、GT-SBOA(两者兼用)。完整配置GT-SBOA的平均排名最高(2.0345),其与单组分变体的比较描述了在相等评估预算下去除该组分的影响。方向权重敏感性分析测试了λ从0到1的六种设置,结果显示混合设置λ=0.5具有最低平均排名,λ=0.9紧随其后。
4.4 维度依赖性与计算成本
在D=50的四方法比较中,GT-SBOA的平均排名为1.9483,位列第一;在D=100时排名降至2.5690,位列第三(次于ISBOA和UTFSBOA)。这表明GT-SBOA的综合优势具有明显的维度依赖性,在高维空间中辅助更新的收益相对减弱。计算时间方面,GT-SBOA的更新运行时间略高于SBOA,但仍在可接受范围内。
5.2 前沿精度、覆盖率与风险解释
在五个OR-Library投资组合实例上,GT-SBOA在GD指标上的平均排名为1.40,在IGD指标上的平均排名为1.00,均为最优。在匹配期望收益的风险标准差差距方面,GT-SBOA在所有五个数据集上均优于SBOA,例如port1的差距仅为0.043基点(SBOA为0.049基点)。共同初始化控制实验(禁用GPS)显示,GT-SBOA(RI)相对于SBOA在GD上获得4/0/1的显著性胜/平/负记录,在IGD上获得5/0/0的记录,证实了所提出搜索更新的有效性。
结论
GT-SBOA结合了维度容许的佳点初始化器与源自被接受的个体和质心位移的辅助方向。修正后的生成器消除了重复余弦坐标。辅助阶段在每个完整扫描周期中明确激活,其目标函数调用与捕猎和逃生更新共享同一预算。这种表述使评估分配及由此产生的父代扫描次数减少变得明确。CEC2017比较显示,GT-SBOA在D=30和D=50时在其各自比较集中按平均排名位列第一,而在D=100时位列第三(次于ISBOA和UTFSBOA)。在D=30时,其对SBOA的显著性胜/平/负记录为16/4/9。组分比较使用了与主基准相同的父算法和完整方法记录,将其结论与一致的实验基础联系起来。主投资组合比较保留了GPS作为GT-SBOA的一部分,并移除了应用特定的候选池和外部添加的基础投资组合。针对SBOA的共同初始化控制隔离了所提出的搜索更新,而匹配收益的风险差距提供了超越归一化距离的金融解释。所得证据支持将位移复用视为有限搜索努力的分配,其价值取决于维度和景观特征。未来发展方向可考察选择性定位和自适应方向权重,以及包含额外操作约束的投资组合扩展。