[論文レビュー] A Novel Meta-Heuristic Optimization Algorithm Inspired by the Spread of Viruses

Zhixi Li, Vincent Tam|arXiv (Cornell University)|Jun 11, 2020

Metaheuristic Optimization Algorithms Research参考文献 27被引用数 7

ひとこと要約

本稿では、連続最適化問題を解くためにウイルス感染ダイナミクスを模倣する新しい自然由来のメタヒューリスティックアルゴリズムであるウイルス拡散最適化（VSO）を提案する。VSOは、解空間における解表現としてウイルスのリボ核酸（RNA）を用い、感染、変異、回復の操作を用いて解空間を適応的に探索する。インポートされた感染メカニズムにより、グローバルサーチが強化され、早期収束を回避する。ベンチマーク関数およびファイナンスポートフォリオ最適化やSVMハイパーパramータチューニングといった実世界の問題において、最先端のアルゴリズムを上回る性能を示した。

ABSTRACT

According to the no-free-lunch theorem, there is no single meta-heuristic algorithm that can optimally solve all optimization problems. This motivates many researchers to continuously develop new optimization algorithms. In this paper, a novel nature-inspired meta-heuristic optimization algorithm called virus spread optimization (VSO) is proposed. VSO loosely mimics the spread of viruses among hosts, and can be effectively applied to solving many challenging and continuous optimization problems. We devise a new representation scheme and viral operations that are radically different from previously proposed virus-based optimization algorithms. First, the viral RNA of each host in VSO denotes a potential solution for which different viral operations will help to diversify the searching strategies in order to largely enhance the solution quality. In addition, an imported infection mechanism, inheriting the searched optima from another colony, is introduced to possibly avoid the prematuration of any potential solution in solving complex problems. VSO has an excellent capability to conduct adaptive neighborhood searches around the discovered optima for achieving better solutions. Furthermore, with a flexible infection mechanism, VSO can quickly escape from local optima. To clearly demonstrate both its effectiveness and efficiency, VSO is critically evaluated on a series of well-known benchmark functions. Moreover, VSO is validated on its applicability through two real-world examples including the financial portfolio optimization and optimization of hyper-parameters of support vector machines for classification problems. The results show that VSO has attained superior performance in terms of solution fitness, convergence rate, scalability, reliability, and flexibility when compared to those results of the conventional as well as state-of-the-art meta-heuristic optimization algorithms.

研究の動機と目的

• 高スケーラビリティと信頼性を備えた、複雑な連続最適化問題を効果的に解く既存のメタヒューリスティックアルゴリズムの限界を克服すること。
• 宿主間でのウイルスの広がりを模倣することで、グローバルサーチを強化し、早期収束を回避する、新たな自然由来の最適化フレームワークを構築すること。
• 局所最適およびグローバル最適の周辺における適応的近傍探索を通じて、解の品質と収束速度を向上させること。
• 標準ベンチマーク関数およびファイナンスポートフォリオ最適化やSVMハイパーパramータチューニングといった実世界の応用において、アルゴリズムの有効性を検証すること。
• 従来のおよび最先端のメタヒューリスティックアルゴリズムと比較して、VSOがフィットネス、収束速度、スケーラビリティ、柔軟性の観点で優位性を示すことを実証すること。

提案手法

• VSOでは、各ホストを潜在的な解としてモデル化し、解空間における解ベクトルをウイルスのリボ核酸（RNA）として表現する。
• アルゴリズムは、感染（解の更新）、変異（多様性の強化）、回復（解の保持）の3つのコア操作を用いて、解の探索と精錬を行う。
• インポートされた感染メカニズムにより、集団が他の集団から最適解を継承できるようになり、グローバル探索を促進し、早期収束を防止する。
• VSOは、発見された局所最適およびグローバル最適の周囲で動的に適応的近傍探索を実施し、解の精錬と収束の改善を図る。
• 柔軟な感染メカニズムにより、局所最適から迅速に脱出でき、探索空間の他の領域を効果的に探索できる。
• 従来のウイルスベース最適化手法とは根本的に異なる、新しい表現方式とウイルス操作を導入する。

実験結果

リサーチクエスチョン

• RQ1 ウイルスに着想を得たメタヒューリスティックアルゴリズムは、高い収束速度と解の品質を備えた、複雑な連続最適化問題を効果的に解くことができるか？
• RQ2 VSOにおけるインポートされた感染メカニズムは、標準的なメタヒューリスティックと比較して、どのようにグローバルサーチを強化し、早期収束を防止するか？
• RQ3 VSOは、標準的なCECベンチマーク関数（CEC17, CEC18）において、PSO、GA、DEといった確立されたアルゴリズムをどの程度上回るか？
• RQ4 ファイナンスポートフォリオ最適化やSVMハイパーパramータチューニングといった実世界の応用において、VSOは優れた性能を発揮できるか？
• RQ5 VSOの適応的近傍探索戦略は、収束性と解の信頼性の向上にどのように寄与するか？

主な発見

• VSOは30次元のCEC17およびCEC18ベンチマーク関数において、解のフィットネスと収束速度の両面で、最先端のアルゴリズムを上回る優れた性能を示した。
• CEC2018ベンチマークスイートにおいて、VSOは30の全テスト関数（ハイブリッドおよびコンポジション関数を含む）において、強力なスケーラビリティと信頼性を示した。
• ファイナンスポートフォリオ最適化において、VSOは従来の手法およびメタヒューリスティック手法と比較して、より高いシャープレシオと低いリスク調整リターンを達成した。
• SVMハイパーパラメータチューニングにおいて、VSOは複数のUCIデータセットにおいて、分類誤差率を低減させ、モデルの汎化性能を向上させた。PSOやDEと比較して優れた性能を示した。
• VSOは、柔軟な感染およびインポートされた感染メカニズムのおかげで、局所最適からの脱出が早く、収束が速く、解の多様性も優れていた。
• 多様な問題タイプ（単峰型、多峰型、シフト関数を含む）において、VSOは高い信頼性と柔軟性を維持した。