[論文レビュー] A Review of the Family of Artificial Fish Swarm Algorithms: Recent Advances and Applications

Farhad Pourpanah, Ran Wang+3 more|arXiv (Cornell University)|Nov 11, 2020

Metaheuristic Optimization Algorithms Research参考文献 134被引用数 5

ひとこと要約

本稿は、連続最適化を対象として、人工フィッシュ群原始（AFSA）およびその変種について包括的なレビューを提供している。主な焦点は、パrameter調整、ハイブリッド化、多目的最適化、動的最適化における改善である。多様な問題タイプにおける性能を分析し、適応的クラッタリング要因や近接領域に基づく追従行動といった重要な改善を強調するとともに、理論的分析および実世界応用分野における今後の研究方向性を同定している。

ABSTRACT

The Artificial Fish Swarm Algorithm (AFSA) is inspired by the ecological behaviors of fish schooling in nature, viz., the preying, swarming and following behaviors. Owing to a number of salient properties, which include flexibility, fast convergence, and insensitivity to the initial parameter settings, the family of AFSA has emerged as an effective Swarm Intelligence (SI) methodology that has been widely applied to solve real-world optimization problems. Since its introduction in 2002, many improved and hybrid AFSA models have been developed to tackle continuous, binary, and combinatorial optimization problems. This paper aims to present a concise review of the continuous AFSA, encompassing the original ASFA, its improvements and hybrid models, as well as their associated applications. We focus on articles published in high-quality journals since 2013. Our review provides insights into AFSA parameters modifications, procedures and sub-functions. The main reasons for these enhancements and the comparison results with other hybrid methods are discussed. In addition, hybrid, multi-objective and dynamic AFSA models that have been proposed to solve continuous optimization problems are elucidated. We also analyse possible AFSA enhancements and highlight future research directions for advancing AFSA-based models.

研究の動機と目的

• 2013年以降の人工フィッシュ群原始（AFSA）の進化と改善を体系的にレビューすること。
• AFSAの変種におけるパrameterの変更、手順の強化、およびサブ関数設計を分析すること。
• 連続最適化問題を解くために、ハイブリッド型、多目的型、動的型のAFSAモデルを評価すること。
• 現在の研究におけるギャップを特定し、AFSAベースのモデルの理論的および実証的進展のための今後の方向性を提案すること。
• 画像処理、特徴選択、エネルギー管理など、多様な分野におけるAFSAの応用を分類すること。

提案手法

• 2013年以降に発表された、AFSAおよびその変種に焦点を当てた、高インパクトの学術雑誌および国際会議の系統的文献レビューを実施する。
• パrameter調整、手順的変更、他のメタヒューティックスとの統合に基づいて、AFSAの改善を分類する。
• 捕食行動、群れ形成、追従行動の役割を、探索ダイナミクスおよび収束行動の指揮に分析する。
• 探索と搾取の両方を向上させるために、AFSAと他のアルゴリズム（例：PSO、GWO）を組み合わせたハイブリッドモデルを評価する。
• 多峰性および動的問題における個体群の多様性を維持するために、適応的クラッタリング要因と距離に基づく近接領域を調査する。
• 理論的根拠を得るために、Big-O表記および確率過程理論を用いて実行時間効率と収束行動を評価する。

実験結果

リサーチクエスチョン

• RQ1 AFSAのパrameterおよび手順は、収束速度と解の品質を向上させるためにどのように変更されたか？
• RQ2 複雑な探索空間において、局所最適解からの脱出と個体群の多様性維持を可能にする主なメカニズムは何か？
• RQ3 ハイブリッドAFSAモデルは、連続最適化タスクにおいて単独のアルゴリズムに比べてどのように優れているか？
• RQ4 AFSAは、最先端の手法と比較して、多峰性、多目的、動的最適化問題に対してどれほど効果的か？
• RQ5 AFSAにおける理論的基盤として現在欠けている点は何か。また、収束性と効率性の保証を得るためにはどのように発展させられるか？

主な発見

• AFSAの変種は連続最適化において優れた性能を示しており、収束速度の向上と初期パrameter設定へのロバストネスが向上している。
• PSOやGWOと組み合わせたハイブリッドモデルは、単独のアルゴリズムよりも優れた結果を達成しており、ベンチマークテストでは誤差率が低く抑えられている（例：PSOベースのハイブリッドでは4.1e-4、単独PSOでは5.19e-06）。
• 適応的クラッタリング要因と距離に基づく追従行動により、多様性の維持が向上し、複数のピークを検出可能な効果的な多峰性最適化が可能になった。
• 動的AFSAモデルは、クラッタリング要因メカニズムにより個体群の多様性を保つことで、移動する最適解の追跡に有望である。
• 強力な実証的結果にもかかわらず、収束性および計算複雑性に関する理論的分析はまだ十分に発展していないため、研究の大きなギャップが残っている。
• AFSAは画像セグメンテーション、故障診断、エネルギー管理、無線センサーネットワークなど、実世界の分野において成功裏に応用されており、実用的価値を示している。