Artificial Protozoa Optimizer

Abstract

The increasing complexity of real-world challenges has necessitated the development of robust optimization methods. As technological landscapes evolve and societal demands grow more sophisticated, optimization problems have become progressively diverse and intricate, underscoring the theoretical and practical urgency of efficient optimization strategies. Metaheuristic algorithms (MAs), inspired by natural phenomena, have emerged as indispensable tools for addressing these challenges over decades of evolution. However, the “No Free Lunch” (NFL) theorem states that no single metaheuristic can outperform all others across every possible objective function. This theoretical foundation suggests that specific algorithms may exhibit superior performance when tailored to certain problem classes or real-world applications. This motivates researchers to develop new metaheuristics for specific domains. This dissertation proposes a suite of innovative metaheuristic algorithms to solve complex optimization tasks. The core research contributions are as follows: 1. Develops a novel Artificial Protozoa Optimizer (APO) inspired by the biological mechanisms of protozoa for single-objective optimization problems. The algorithm uniquely formalizes foraging, dormancy, and reproduction behaviors into a computational framework. Different from previously proposed metaheuristics, APO introduces four specialized search operators: autotrophic foraging, heterotrophic foraging, dormancy, and reproduction. The efficacy of APO is rigorously validated against an extensive benchmark suite, with experimental results demonstrating superior performance compared to state-of-the-art algorithms. 2. Proposes an innovative Membrane Algorithm based on Artificial Protozoa Optimizer (MAAPO), which enhances the global search capabilities of the original APO. First, MAAPO integrates the parallel and distributed computational paradigm of Membrane Computing (MC) to facilitate diverse information exchange. Second, the autotrophic foraging model is refined using a Roulette Fitness-Distance Balance (RFDB) selection mechanism, which identifies promising reference points to guide the search process more efficiently. 3. Formulates a Multi-Objective Artificial Protozoa Optimizer (MOAPO) tailored for complex multi-objective optimization problems. MOAPO employs non-dominated sorting and crowding distance mechanisms for population ranking to balance exploration and exploitation. Crucially, the weight factors for autotrophic and heterotrophic foraging are dynamically updated based on population ranking rather than original fitness values. Finally, an environmental selection strategy is integrated to curate the population for subsequent iterations, facilitating the discovery of a high-quality and well-distributed set of Pareto optimal solutions. 4. Introduces a Surrogate-Assisted Artificial Protozoa Optimizer (SAAPO) designed to address computationally expensive optimization problems where fitness evaluations are cost-prohibitive. This dissertation develops four innovative metaheuristics tailored for varied optimization landscapes. APO and MAAPO are designed for single-objective optimization, MOAPO addresses multi-objective optimization, and SAAPO targets expensive optimization scenarios. Furthermore, these algorithms are successfully applied to complex real-world domains, including engineering design, image segmentation, feature selection, and robotic arm trajectory optimization.

Rostoucí složitost reálných výzev si vyžádala vývoj robustních optimalizačních metod. S vývojem technologického prostředí a rostoucími nároky společnosti se optimalizační problémy stávají stále rozmanitějšími a složitějšími, což podtrhuje teoretickou i praktickou naléhavost efektivních optimalizačních strategií. Metaheuristické algoritmy (MA), inspirované přírodnímijevy, se během desetiletí vývoje staly nepostradatelnými nástroji pro řešení těchto výzev. Teorie “No Free Lunch” (NFL) však tvrdí, že žádný metaheuristický algoritmus nemůže překonat všechny ostatní v každé možné cílové funkci. Tento teoretický základ naznačuje, že konkrétní algoritmy mohou vykazovat lepší výkon, pokud jsou přizpůsobeny určitým třídám problémů nebo reálným aplikacím. To motivuje výzkumníky k vývoji nových metaheuristik pro konkrétní oblasti. Tato disertační práce navrhuje sadu inovativních metaheuristických algoritmů pro řešenísložitých optimalizačních úkolů. Hlavní příspěvky výzkumu jsou následující: 1. Vyvíjí nový algoritmus Artificial Protozoa Optimizer (APO) inspirovaný biologickými mechanismy prvoků pro optimalizační problémy s jedním cílem. Algoritmus jedinečným způsobem formalizuje chování při hledání potravy, spánku a reprodukci do výpočetního rámce. Na rozdíl od dříve navrhovaných metaheuristik zavádí APO čtyři specializované vyhledávací operátory: autotrofní hledání potravy, heterotrofní hledání potravy, spánek a reprodukce. Účinnost APO je přísně ověřena na rozsáhlé sadě benchmarků, přičemž experimentální výsledky prokazují vynikající výkon ve srovnání s nejmodernějšími algoritmy. 2. Navrhuje inovativní membránový algoritmus založený na umělém optimalizátoru protozoí (MAAPO), který vylepšuje globální vyhledávací schopnosti původního APO. Zaprvé, MAAPO integruje paralelní a distribuovaný výpočetní model membránového výpočtu (MC) s cílem usnadnit výměnu různých informací. Za druhé, autotrofní model hledání potravy je vylepšen pomocí výběrového mechanismu Roulette Fitness-Distance Balance (RFDB), který identifikuje slibné referenční body, aby vedl proces vyhledávání efektivněji. 3. Formuluje multi-objektivní optimalizátor umělých prvoků (MOAPO) přizpůsobený prokomplexní multi-objektivní optimalizační problémy. MOAPO využívá mechanismy nedominantního třídění a vzdálenosti shlukování pro hodnocení populace, aby vyvážil průzkum a využití. Zásadní je, že váhové faktory pro autotrofní a heterotrofní hledání potravy jsou dynamicky aktualizovány na základě hodnocení populace, nikoli původních hodnot fitness. Nakonec je integrována strategie environmentální selekce, která kurátoruje populaci pro následné iterace, což usnadňuje objevování vysoce kvalitní a dobře distribuované sady Pareto optimálních řešení. 4. Představuje Surrogate-Assisted Artificial Protozoa Optimizer (SAAPO), který je navr- žen pro řešení výpočetně náročných optimalizačních problémů, kde hodnocení vhodnosti je příliš nákladné. Stručně řečeno, tato disertační práce rozvíjí čtyři inovativní metaheuristiky přizpůsobené pro různé optimalizační prostředí. APO a MAAPO jsou určeny pro optimalizační problémy s jedním cílem, MOAPO řeší optimalizační úkoly s více cíli a SAAPO se zaměřuje na nákladné optimalizační scénáře. Tyto algoritmy jsou navíc úspěšně aplikovány v komplexních reálných oblastech, včetně technického návrhu, segmentace obrazu, výběru funkcí a optimalizace trajektorie robotického ramene.