[論文レビュー] BSAS: Beetle Swarm Antennae Search Algorithm for Optimization Problems

Jiangyu Wang, Huanxin Chen|arXiv (Cornell University)|Jul 27, 2018

Metaheuristic Optimization Algorithms Research参考文献 4被引用数 47

ひとこと要約

BSASは群れを用いたカブトムシの触角探索法を強化し、フィードバック型のステップサイズ更新を導入することで、RCモデルのパラメータ推定におけるグローバル最適化を向上させる。

ABSTRACT

Beetle antennae search (BAS) is an efficient meta-heuristic algorithm. However, the convergent results of BAS rely heavily on the random beetle direction in every iterations. More specifically, different random seeds may cause different optimized results. Besides, the step-size update algorithm of BAS cannot guarantee objective become smaller in iterative process. In order to solve these problems, this paper proposes Beetle Swarm Antennae Search Algorithm (BSAS) which combines swarm intelligence algorithm with feedback-based step-size update strategy. BSAS employs k beetles to find more optimal position in each moving rather than one beetle. The step-size updates only when k beetles return without better choices. Experiments are carried out on building system identification. The results reveal the efficacy of the BSAS algorithm to avoid influence of random direction of Beetle. In addition, the estimation errors decrease as the beetles number goes up.

研究の動機と目的

• 解析解が得られない複雑な最適化問題に対してメタヒューリスティクスの利用を促進する。
• BASに関するランダムな探索方向と固定されたステップサイズの減衰に関連する制約を特定する。
• 群衆探索とフィードバックベースの更新を統合してBSASを提案する。
• 結合RC建物モデルのパラメータ推定におけるBSASの有効性を示す。

提案手法

• 各イテレーションで複数の方向を探索するためにk匹のカブトムシを導入する。
• BASと同様に各カブトシに対して2ビームアンテナ探索を適用して候補位置を求める。
• 群がより良い解を見つけた場合にのみ、位置とステップサイズを更新するフィードバックベースのルールを用いる。
• より良い位置が見つからない場合にステップサイズと感知長を更新するかを決定する確率p_deltaを組み込む。
• 更新が発生した場合、更新規則 d^t および delta^t は減少関数に従う（論文の式3と式4）。
• MAEを目的指標として RC-model パラメータ識別に対してBSASをBASと評価・比較する。

実験結果

リサーチクエスチョン

• RQ1 BSASはBASと比べてランダムなカブトムシの方向への感度を低減しますか？
• RQ2 カブトムシの数kを増やすことが収束と解の品質にどう影響しますか？
• RQ3 BSASは高次元のRCモデルに対してBASよりも堅牢なパラメータ推定を提供できますか？
• RQ4 フィードバックベースの更新戦略が局所解の回避に与える影響は何ですか？

主な発見

• BSASはランダムな探索方向への依存を減らし、BASより安定した最適化結果をもたらす。
• カブトムシの群れサイズkを増やすとMAE結果の分布がより圧縮され、平均MAEが低くなる。
• k=1でもBSASはBASを上回り、フィードバック型ステップサイズ戦略の利点を示している。
• 複数の実験でRCモデルのパラメータ推定においてBSASがBASより改善を示す。
• 提案手法は高次元問題における局所解への早期収束を緩和する。