The Archerfish Hunting Optimizer : a new metaheuristic algorithm for global optimization

Abstract

Global optimization solves real-world problems numerically or analytically by minimizing their objective functions. Most of the analytical algorithms are greedy and computationally intractable. Metaheuristics are nature-inspired optimization algorithms. They numerically find near-optimal solutions for optimization problems in a reasonable amount of time. We propose a novel metaheuristic algorithm for global optimization. It is based on the shooting and jumping behaviors of the archerfish for hunting aerial insects. We name it the Archerfish Hunting Optimizer (AHO). AHO’s performance is compared to 12 recent metaheuristic algorithms (the accepted algorithms for the 2020’s competition on single objective bound-constrained numerical optimization) on ten test functions of the benchmark CEC 2020 for unconstrained optimization. The experimental results are evaluated using the Wilcoxon signed-rank and the Friedman tests. The statistical indicators illustrate that the Archerfish Hunting Optimizer has an excellent ability to accomplish higher performance in competition with the well-established optimizers.

L’optimisation globale résout les problèmes du monde réel numériquement ou analytiquement en minimisant leurs fonctions objectives. La plupart des algorithmes analytiques sont gourmands en termes de ressources calculatoires (i.e., temps et mémoire). Les métaheuristiques sont des algorithmes d’optimisation inspirés de la nature. Ils trouvent numériquement une solution quasi-optimale aux problèmes d’optimisation dans un temps raisonnable. Nous proposons un nouvel algorithme métaheuristique pour l’optimisation globale. Il est basé sur les comportements de tir et de saut des poissons archers pour chasser les insectes aériens. Nous l’appelons « Archerfish Hunting Optimizer (AHO) ». Les performances de l’algorithme AHO sont comparées à celles de 12 récents algorithmes métaheuristiques en utilisant dix fonctions de test du benchmark CEC 2020 pour l’optimisation sans contraintes. Les résultats numériques sont évalués en utilisant les tests de Wilcoxon et Friedman. Les indicateurs statistiques montrent que l’algorithme AHO a une excellente capacité à atteindre des performances supérieures en concurrence avec les optimiseurs utilisés.