[論文レビュー] ASBSO: An Improved Brain Storm Optimization With Flexible Search Length and Memory-Based Selection

Yang Yu, Shangce Gao+3 more|arXiv (Cornell University)|Jan 27, 2021

Metaheuristic Optimization Algorithms Research参考文献 47被引用数 24

ひとこと要約

本稿では、適応的ステップ長と記憶に基づく選択メカニズムを統合することで、探索の柔軟性、ロバスト性、解の品質を向上させる、拡張されたブレインストーミング最適化（ASBSO）を提案する。履歴的な改善記録に基づいてステップ長を動的に選択することで、ASBSOは57のベンチマーク関数および実世界の問題において、標準的BSOおよび$1/5$成功ルールを上回る性能を発揮する。

ABSTRACT

Brain storm optimization (BSO) is a newly proposed population-based optimization algorithm, which uses a logarithmic sigmoid transfer function to adjust its search range during the convergent process. However, this adjustment only varies with the current iteration number and lacks of flexibility and variety which makes a poor search effciency and robustness of BSO. To alleviate this problem, an adaptive step length structure together with a success memory selection strategy is proposed to be incorporated into BSO. This proposed method, adaptive step length based on memory selection BSO, namely ASBSO, applies multiple step lengths to modify the generation process of new solutions, thus supplying a flexible search according to corresponding problems and convergent periods. The novel memory mechanism, which is capable of evaluating and storing the degree of improvements of solutions, is used to determine the selection possibility of step lengths. A set of 57 benchmark functions are used to test ASBSO's search ability, and four real-world problems are adopted to show its application value. All these test results indicate the remarkable improvement in solution quality, scalability, and robustness of ASBSO.

研究の動機と目的

• 反復回数に基づくステップ長調整に依存するのみである標準的ブレインストーミング最適化（BSO）の柔軟性に欠ける、硬直的な探索行動を是正すること。
• 異なる収束段階に適した複数の適応的ステップ長を導入することで、BSOにおける探索と開拓のバランスを改善すること。
• 各ステップ長戦略の改善度を評価・記録する新しい記憶メカニズムを構築すること。
• 適応的かつ記憶に基づく探索戦略を導入することで、複雑で多峰的、実世界の最適化問題におけるBSOの性能を向上させること。
• 多様なテスト関数において、解の品質、収束速度、ロバスト性の観点から、ASBSOがBSOおよび他の変種を上回ることを実証すること。

提案手法

• 異なる収束段階に応じた柔軟な探索を可能にするために、4つの異なるスケールパラメータを用いた複数のステップ長生成戦略を導入する。
• 各ステップ長戦略が時間経過とともに達成するフィットネス改善を記録する記憶ベースの選択メカニズムを実装する。
• 蓄えられた改善値を用いて選択確率を計算し、より優れた解を生成する戦略を優遇する。
• 固定された対数シグモイドベースのステップ長調整に置き換えることで、標準BSOフレームワークに適応的ステップ長と記憶メカニズムを統合する。
• 集団の分割にK-meansクラスタリングを適用し、個体の生成を記憶に従うステップ長選択により強化するが、その他のフィットネス評価と選択プロセスはBSOと類似させる。
• 追加の複雑性にもかかわらず、全体の時間計算量が$O(N^2)$のまま維持されるように、計算効率を維持する。

実験結果

リサーチクエスチョン

• RQ1 適応的ステップ長メカニズムは、ブレインストーミング最適化の探索の柔軟性と収束性能を向上させることができるか？
• RQ2 ステップ長の選択に記憶に基づく戦略を用いることで、固定またはランダム選択と比較して、より優れた解の品質とロバスト性が達成できるか？
• RQ3 多様なベンチマーク関数において、ASBSOは標準的BSOおよび$1/5$成功ルールと比較して、解の品質と収束速度の点で優れているか？
• RQ4 ASBSOは、合成ベンチマークを越えて、実世界の最適化問題においても高い性能を維持できるか？
• RQ5 提案された記憶メカニズムは、反復を経て優れたステップ長戦略を特定し、優遇するのに有効であるか？

主な発見

• ASBSOは、CEC’13およびCEC’17の57のベンチマーク関数において、標準的BSOを著しく上回り、より優れた解の品質と収束速度を達成した。
• Wilcoxon符号順位検定の結果、ASBSOと$1/5$成功ルールを用いたBSOを比較した際、p値が0.01未満であった。これは、提案された適応的ステップ長メカニズムの統計的優位性を示している。
• 記憶に基づく選択メカニズム（IMS）は、標準的フィットネスベースの記憶選択（SFMS）を著しく上回った。特にCEC’13関数において顕著な優位性を示した。
• 追加の記憶とステップ長計算にもかかわらず、ASBSOは標準的BSOと同等の$O(N^2)$の計算量を維持し、競争可能な計算効率を保った。
• CEC’11の実世界問題においてもASBSOは優れた性能を示し、合成テスト関数にとどまらない実用的応用可能性を確認した。
• 提案手法は、履歴的な改善データに基づくステップ長の動的適応により、探索と開拓の両方を強化し、多様な問題タイプにわたるロバスト性を向上させた。