A Performance Analysis of Basin Hopping Compared to Established Metaheuristics for Global Optimization

在过去几十年中，许多用于全局数值优化的元启发式算法已被提出。其中，盆地跳跃（Basin Hopping）非常简单和直接易行，尽管在其原始物理化学社区之外很少使用。在这项工作中，我们旨在比较盆地跳跃及其两个种群变体与已知元启发式算法差分进化、粒子群优化和协方差矩阵适应进化策略的现成实现。我们使用IOH profiler环境进行数值实验，并使用BBOB测试函数集和两个困难的实际问题。实验以两种不同但互补的方式进行：通过在固定函数评估预算下测量性能，并考虑固定目标值。总的结论是，盆地跳跃及其新引入的种群变体在合成基准函数上几乎与协方差矩阵适应相当，而在两个难以处理的团簇能量最小化问题上优于它。因此，所提出的分析表明，盆地跳跃可以被认为是全局数值优化问题的良好选择，与更为成熟的元启发式算法一起使用，特别是如果想在未知问题上获得快速和可靠的结果。

比较不同元启发式算法在全局数值优化中的表现。

将 Basin Hopping 及其两个种群变体与 Differential Evolution、Particle Swarm Optimization 和 Covariance Matrix Adaptation Evolution Strategy 进行比较，发现 Basin Hopping 及其种群变体在一些测试函数上表现优秀。

使用 IOH profiler 环境和 BBOB 测试函数集进行了实验，通过固定函数评估次数和固定目标值两种方式进行了评估，发现 Basin Hopping 及其种群变体在某些测试函数上的表现优于 Covariance Matrix Adaptation，且在两个难度较高的实际问题上表现优秀。

目前已有许多元启发式算法用于全局数值优化，例如 Differential Evolution、Particle Swarm Optimization 和 Covariance Matrix Adaptation Evolution Strategy。