我國智能優化算法的研究現狀
——基于CiteSpace的可視化分析

陳丹妮 趙劍冬 鄧熊娜 黃 鵬

(廣東技術師范大學計算機科學學院 廣東 廣州 510665)

0 引 言

近年來,人工智能開始進入國家戰略規劃。智能優化算法作為人工智能的分支,主要指模擬自然界的現象規律或者生物種群的社會生活而提出計算方法,典型的智能優化算法包括遺傳算法、粒子群算法、模擬退火算法、蟻群算法、差分進化算法等。智能優化算法為許多復雜困難問題的求解提供了可行有效的策略,已經受到越來越多的關注[1]。然而,目前尚未發現關于我國智能優化算法研究現狀的可視化知識圖譜分析。在此背景下,本文借助文獻分析工具CiteSpace,對中文核心期刊上與智能優化算法相關的研究文獻進行可視化分析,旨在為該領域研究工作者提供參考。

1 數據來源與研究方法

1.1 數據來源

本研究以中國知網CNKI學術期刊全文數據庫為數據來源,運用CNKI的高級檢索功能,在中文核心期刊來源下,以“智能優化算法”“智能優化”或“優化算法”為關鍵詞,時間段設置為2000年至2020年,共檢索到3 682記錄。檢索時間為2020年5月27日,檢索表達式為“關鍵詞=智能優化算法OR關鍵詞=優化算法OR關鍵詞=智能優化AND年Between(2000,2020)AND核心期刊=Y(精確匹配)”。在此基礎上,剔除重復數據、組稿方向以及專題導讀等無關文獻,共選取3 672篇中文核心期刊文獻作為研究樣本。

1.2 研究方法

本研究使用的文獻分析工具為CiteSpace。這是一款對文獻進行分析和可視化的工具[2]。本研究使用CiteSpace5.1R6版本作為研究工具,處理條件為:時間區間設置為2000年至2020年;時間切片設置為3年;對象數據之間的連接強度設置為Cosine類型;分析數據的閾值為Ntop=50。節點類型依次選擇keyword、author、instruction進行共現分析,最終生成相關知識圖譜。其中,在對關鍵詞共現分析時,采用LLR對數似然率對關鍵詞進行聚類分析。

2 智能優化算法研究的態勢分析

2.1 發文量分析

圖1顯示了自2000年以來智能優化算法研究文獻在中文核心期刊每年發文量和累計發文量的變化趨勢。不難看出2000年以來我國智能優化算法研究在核心期刊的發文量整體上處于一個穩中有進的狀態。其中,2000年—2006年處于一個快速發展階段,2006年之后增速稍有減弱,但依舊有所增長;2007年—2008年以及2016年—2017年的發文量有較為明顯的上升。此外,中國知網預測該領域在2020年度的中文核心期刊發文量將達到333篇,說明智能優化算法研究領域仍處于持續增長階段。

圖1 中文核心期刊智能優化算法研究發文量變化圖

2.2 文獻期刊來源分析

本研究樣本的3 672篇文獻來源于585個不同中文核心期刊,每個期刊的平均發文量約為6篇,發文量達40篇及以上的期刊有12個,具體見表1。其中《計算機工程與應用》的發文量最高,2000年以來共出刊了142篇關于智能優化算法研究論文。除了發文量可以體現出每個期刊在該領域下的重要性和影響力。目前,在評價期刊學術影響力方面,被引頻次通常被作為重要的評價指標[3],學術影響力與被引頻次呈正相關[4]。因此,表1列發文量最高的12個期刊的同時,也展示該期刊上智能優化算法相關研究的每篇文獻平均被引率。

從表1中的數據可以得知,除了《計算機工程與應用》期刊外,《計算機應用研究》《計算機工程》《計算機應用》《計算機科學》等期刊的發文量也不少。此外,《電子學報》《控制與決策》《系統仿真學報》《系統工程與電子技術》這四個期刊每篇智能優化算法相關研究文獻的被引率是名列前茅的。因此,可以說明這幾個期刊在對智能優化算法領域研究方面的重要性和影響力也是較大的。

2.3 發文機構分析

對發文機構的分析主要依靠CiteSpace工具,將節點類型設置為“instruction”進行運算分析。得出的知識圖譜(見圖2)中有387個節點和105條連線,網絡密度為0.001 4,可見機構間的合作度較低。

圖2 智能優化算法研究機構分析圖

其中,上海理工大學管理學院以54篇的發文量居首,中國科學院大學、河南師范大學計算機與信息工程學院、中南大學信息科學與工程學院、東北大學信息科學與工程學院、華東理工大學信息科學與工程學院等緊隨其后,是目前國內智能優化算法研究領域的主力軍。在對智能優化算法研究方面,上海理工大學管理學院的發文量多于高校的計算機類學院,并且位居榜首的主要原因在于其教師團隊中,馬良和劉勇等學者在智能優化方面的深入研究和探索。其中馬良在本研究的文獻樣本中,發文量位居榜首。

2.4 研究學者分析

對研究學者的分析主要依靠CiteSpace工具,將節點類型設置為“author”進行運算分析。得出的知識圖譜(見圖3(a))中有621個節點和466條連線,網絡密度為0.002 4,可見作者間的合作度也并不高,但作者間的合作高于機構間的合作。從作者網絡圖中可以看出目前我國該領域的研究學者大部分處于單打獨斗的情況。與此同時,也形成一些比較有代表性的合作群。例如,河南師范大學計算機與信息工程學院的張新明、竇智、劉尚旺、劉國奇、康強等學者(見圖3(b));中南大學信息科學與工程學院的桂衛華、吳敏、李明、陽春華、王勇等學者(見圖3(c));上海理工大學管理學院的馬良和劉勇等學者;中國科學院成都計算機應用研究所的王鵬和王輝等學者;沈陽建筑大學的侯祥林和賈連光等學者。

(a)

(b) (c)圖3 智能優化算法研究作者分析圖

2.5 主要文獻分析

表2展示了在本研究樣本3 672篇中文核心期刊文獻中,被引頻次前十篇文獻的信息。

表2 被引頻次Top10的文獻

其中,陳海焱等[5]學者在傳統粒子群算法中引入了下降搜索算子,提高例子的收斂速度和精度并將其應用到動態經濟調度問題上。劉書雷等[6]學者提出了一種基于多目標遺傳算法的QoS全局最優服務動態選擇算法,從全局最優的角度把服務動態選擇問題轉化為一個帶QoS約束的多目標服務組合優化問題,有效地解決了局部最優方法的不足。彭喜元等[7]學者以蟻群算法和粒子群算法作為群智能理論的代表,闡述了這兩種典型算法的基本原理和研究現狀。張麗平等[8]學者從數學角度在傳統粒子群算法的基礎上提出隨機慣性權重選擇策略,以此增強算法的全局搜索能力。針對粒子群算法容易早熟陷入局部最優的缺陷,胥小波等[9]學者在粒子的運動過程中融入混沌,讓粒子群在穩定和混沌之間不斷交替從而逐步趨向最優,這極大地提高算法的全局尋優能力。在解決估計前向神經網絡隱含層神經元數目問題上,夏克文等[10]學者利用黃金分割法的原理提出了一種隱含層節點數的尋優算法。高海昌[11]、董立立[12]、吳一全[13]等學者分別從旅行商問題、機械優化設計、圖像閾值分割的應用角度論述遺傳算法、粒子群算法、模擬退火算法、蟻群算法等智能優化算法的特點。

3 智能優化算法研究的熱點和趨勢

3.1 關鍵詞共現分析

為了把握我國智能優化算法研究領域的熱點,對研究熱點的分析主要依靠CiteSpace工具,將節點類型設置為“keyword”進行運算分析。得出的關鍵詞共現圖譜(圖4中只展示詞頻排名前30的關鍵詞)中有255個節點和934條連線,網絡密度為0.028 8。

圖4 智能優化算法研究關鍵詞共現圖

關鍵詞出現的次數越高,表明該領域內學者對該關鍵詞的關注度越高;關鍵詞中心度越高,表明該關鍵詞在該研究領域內重要程度越高。表3列出了智能優化算法研究前15個高頻關鍵詞,同時列出該關鍵詞的中心度。

由表3可以看出中文核心期刊在不同智能優化算法之間的研究主要集中遺傳算法、粒子群算法、蟻群算法和模擬退火算法等。其中值得注意的是,在出現頻次上2016年提出的鯨魚優化算法高于1983年提出的模擬退火算法,在中心度上高于1995年提出的粒子群算法和1996年提出的蟻群算法,可見鯨魚優化算法在國內智能優化算法研究中具有較高的重要性,并且獲得我國研究學者較高的關注度。在各類智能優化算法下,中文核心期刊較多關注全局優化、神經網絡、多目標優化、函數優化、參數優化等主題,其中神經網絡和全局優化在智能優化算法研究中具有較高的重要性。

表3 出現頻次Top15的關鍵詞

3.2 關鍵詞突現分析

為了更好地把握2000年以來,在中文核心期刊上智能優化算法研究領域中不同關鍵詞和主題詞的興起和衰落,本研究使用CiteSpace軟件的突現度分析Burstness功能,并節選出突現度最高的前20個主題,見圖5。可以看出我國學者目前將智能優化算法應用于壓縮感知、圖像分割、任務調度等方面,而且到2020年依舊突現性較強。由此可見,在未來幾年智能優化算法仍會這幾個應用領域上發揮作用。此外,2015年至今,反向學習、深度學習、蝙蝠算法、差分進化、鯨魚優化算法等熱點在國內智能優化算法研究領域獲得較大的關注度。例如:孫輝等[14]提出了在粒子群算法中引入方向學習策略,提升粒子群逃離局部最優的能力,從而增強全局搜索能力。鄒華福等[15]在群搜索優化算法中應用反向學習機制和差分進化變異策略,在擴大了種群搜索范圍的同時,還避免了無效搜索,使算法在全局探勘和局部開采之間取得平衡。范純龍等[16]利用差分進化搜索圖像敏感點,并對基于深度學習模型決策定義的損失函數進行優化,實現了有效的黑盒攻擊。唐賢倫等[17]用粒子群算法優化卷積神經網絡參數和卷積層之間特征圖連接結構,有效提高了網絡訓練效率和識別率。為了提高算法的收斂速度和精度,趙青杰等[18]提出了動態自適應權重和柯西變異的蝙蝠優化算法。郝曉弘等[19]在鯨魚優化算法中引入混沌映射和非線性策略。

圖5 智能優化算法研究關鍵詞突現分析圖

3.3 關鍵詞聚類分析

在對關鍵詞共現分析和突現分析之后,在CiteSpace中選擇Log-Likelihood Rate算法對關鍵詞進行聚類,聚類標簽使用關鍵詞表示。本研究關鍵詞的聚類結果如圖6所示,一共得到8個聚類?？梢钥闯雒總€聚類塊都有所重疊,沒有較大的明顯區別。在此基礎上,使用CiteSpace的TimeLine視圖功能,可以更加清晰地展示隨著時間變化這八個聚類下各包含哪些主題(見圖7)。在第一個聚類“優化算法”中,主要包括優化算法的一些應用,例如背包問題、圖像配準、目標跟蹤、功率分配、分布式電源等應用領域。在第二個聚類“遺傳算法”中,主要包括遺傳算法的改進和應用,例如混合優化、禁忌搜索、啟發式、有限元法等改進設計以及路徑優化、動態規劃、室內定位、多目標跟蹤等應用領域。在第三個聚類“神經網絡”中,主要包括智能優化算法與機器學習的結合,例如深度學習、強化學習、卷積神經網絡,圖像分割等。在第四聚類“優化”中,主要包括傳統數學方法,例如最小二乘法、小波變換、支持向量機、粗糙集等。在第五個聚類“壓縮感知”中,主要包括智能優化算法與壓縮感知技術上的結合,例如函數優化、參數辨識、異構網絡、圖像處理等。第六個聚類“全局優化”中,主要包括通過不同優化算法和各類優化策略實現全局優化,例如:蟻群算法、模擬退火算法、差分進化算法、煙花算法、鯊魚優化算法、灰狼優化算法等優化算法以及反向學習、并行計算、混沌優化等優化策略。第七個聚類“智能優化”中,主要包括比較少見的優化算法和應用領域,例如:螢火蟲算法、五行環優化算法、代理模型、模式識別、車輛路徑問題、復雜曲面等。第八個聚類“粒子群算法”中,主要基于粒子群算法的改進和應用。

圖6 智能優化算法研究關鍵詞突現分析圖

圖7 智能優化算法研究關鍵詞突現分析圖

4 結 語

利用文獻計量工具CiteSpace對中文核心期刊上智能優化算法研究文獻的發文量變化、期刊來源、發文機構、研究學者、主要文獻、研究熱點與趨勢等進行了系統分析,結果如下:

(1) 智能優化算法研究現在處于持續上升階段,近二十年來,發文量在整體上呈穩步增長狀態,預估在今后幾年內依舊會處于穩中有進的狀態。

(2) 在中文核心期刊上智能優化算法研究領域中,上海理工大學、中國科學院大學、河南師范大學、中南大學、東北大學、華東理工大學等高校是主要領軍機構。

(3) 整體上,智能優化算法研究學者合作群不多,大部分處于單打獨斗的狀態。與此同時,張新明、竇智、劉尚旺、劉國奇、康強等學者,桂衛華、吳敏、李明、陽春華、王勇等學者,馬良和劉勇等學者,王鵬和王輝等學者,侯祥林和賈連光等學者均已形成有代表性的合作群。

(4) 目前中文核心期刊上智能優化算法研究中,研究熱點和趨勢是遺傳算法、粒子群算法、蟻群算法、鯨魚優化算法等優化算法,反向學習、代理模型等優化策略,深度學習、壓縮感知、圖像分割等應用領域。