[論文レビュー] A novel metaheuristic method for solving constrained engineering optimization problems: Drone Squadron Optimization

Vinícius Veloso de Melo|arXiv (Cornell University)|Aug 4, 2017

Metaheuristic Optimization Algorithms Research参考文献 13被引用数 4

ひとこと要約

本稿では、制約付き工学最適化問題を解くために、自身の摂動関数を探索中に進化させる自己適応的メタヒューリスティックであるドローン・スクワッド最適化（DSO）を紹介する。死亡罰則制約処理機構を用いることで、DSOは溶接ビーム、圧力容器、3本のバーからなるラーメンの3つのベンチマーク問題において、多くの既存のメタヒューリスティックよりも少ない関数評価回数で、最高の既知の解を達成した。

ABSTRACT

Several constrained optimization problems have been adequately solved over the years thanks to advances in the metaheuristics area. In this paper, we evaluate a novel self-adaptive and auto-constructive metaheuristic called Drone Squadron Optimization (DSO) in solving constrained engineering design problems. This paper evaluates DSO with death penalty on three widely tested engineering design problems. Results show that the proposed approach is competitive with some very popular metaheuristics.

研究の動機と目的

• 制約付き工学設計問題における、新しい自己適応的メタヒューリスティック、ドローン・スクワッド最適化（DSO）の評価を目的とする。
• 単純な死亡罰則制約処理機構を用いるにもかかわらず、DSOがwell-establishedなメタヒューリスティックと比較して競争力のある結果を達成できるかどうかを調査することを目的とする。
• 関数評価回数が限られたベンチマーク問題におけるDSOの性能を評価し、効率性と解の質の両面に注目することを目的とする。
• 工学最適化における自然由来のアルゴリズムの代替として、アーティファクト由来のメタヒューリスティックの可能性を検討することを目的とする。
• 平均解の質における限界を特定し、今後の研究において強化された制約処理を用いた改善策を提案することを目的とする。

提案手法

• DSOは、最適化中に探索の様子に応じてドローンのファームウェア（摂動関数）を動的に更新するコマンドセンターを採用している。
• アルゴリズムは、半自律的ドローンを用い、各ドローンが候補解を表している。
• 各ドローンチームは、移動戦略を定義する共通のファームウェアを共有しており、そのファームウェアはコマンドセンターからのパフォーマンスフィードバックに基づいて進化する。
• 摂動関数は実行可能ソースコードとして実装されており、実行時における探索行動の進化を可能としている。
• 死亡罰則機構が適用される：非妥当な解には `realmax`（1.79769313486232e+308）という関数値が割り当てられ、実質的に検討対象から除外される。
• アルゴリズムは、溶接ビームおよび圧力容器問題では30,000回、3本のバーからなるラーメン問題では3,000回の関数評価を固定回数実行し、50回の独立した実行を経て動作する。

実験結果

リサーチクエスチョン

• RQ1 DSOは、制約処理に死亡罰則のみを用いることで、制約付き工学最適化問題で競争力のある性能を達成できるか？
• RQ2 ABC、CSA、PSO-DE、GAといった既存のメタヒューリスティックと比較して、DSOの最良解および平均解の質はどの程度か？
• RQ3 DSOにおける摂動関数の自己適応的進化は、複雑な探索空間において収束速度の向上や妥当性の向上をもたらすか？
• RQ4 なぜDSOの平均解の質は最良結果に比べて劣っているのか？また、単純な罰則機構がこの結果に果たす役割は何か？
• RQ5 アーティファクト由来のメタヒューリスティック、たとえばDSOは、工学設計最適化において自然由来の対比手法を上回ることができるか？

主な発見

• 溶接ビーム問題において、DSOはわずか30,000回の関数評価で、最高の既知の解（1.72485230859736）を達成し、CSAと同等の最良結果を記録した。ABCおよびPSO-DEを上回った。
• 圧力容器問題では、DSOは30,000回の評価で最高の既知の解（5885.3332019268）を達成し、最良解の質においてABCおよびPSO-DEを上回った。
• 3本のバーからなるラーメン問題では、DSOはたった3,000回の評価で最高の既知の解（263.895843376498）を達成し、GAおよびABCを上回った。GAおよびABCは結果が報告されていなかった。
• 最良の結果は強く示されたが、DSOの平均解の質は一部の競合手法より劣っていた。これは、評価回数が少ないことと、単純な死亡罰則機構が原因である可能性が高い。
• DSOは、自身の探索戦略を進化させることに成功し、極めて少ない関数評価回数で高い性能を発揮した。これは、高い適応性と有効性を示している。
• 結果から、DSOの自己適応的ファームウェア進化は、基本的な制約処理アプローチであっても、複雑で制約のある探索空間を効果的に探索できることを示唆している。