[論文レビュー] Cuckoo Search via Levy Flights

Xin‐She Yang, Suash Deb+3 more|arXiv (Cornell University)|Mar 8, 2010

Diffusion and Search Dynamics参考文献 9被引用数 295

ひとこと要約

この論文は、特定のカッコウの巣くばり行動と、鳥や昆虫のLévy飛行による餌さがし行動にインspiredされた、Cuckoo Search (CS) と呼ばれる新しいメタヒューリスティック最適化アルゴリズムを紹介している。Lévy飛行によるグローバル探索と、ホストネスト選択メカニズムによるローカル強化を組み合わせることで、特に調整パラメータが少なく、マルチモーダル最適化においても、遺伝的アルゴリズム（GA）や粒子群最適化（PSO）よりも高速な収束と高い成功確率を達成している。

ABSTRACT

In this paper, we intend to formulate a new metaheuristic algorithm, called Cuckoo Search (CS), for solving optimization problems. This algorithm is based on the obligate brood parasitic behaviour of some cuckoo species in combination with the Levy flight behaviour of some birds and fruit flies. We validate the proposed algorithm against test functions and then compare its performance with those of genetic algorithms and particle swarm optimization. Finally, we discuss the implication of the results and suggestion for further research.

研究の動機と目的

• 複雑な最適化問題を解くための、新たな自然界にインspiredされたメタヒューリスティックアルゴリズムの開発。
• カッコウの巣くばり行動とLévy飛行ダイナミクスを統合することで、探索効率の向上。
• PSO や GA などの既存のアルゴリズムと比較して、制御パラメータの数を削減。
• 標準的なマルチモーダルテスト関数におけるアルゴリズムの性能の検証。
• 多様な最適化の地形において、ロバスト性と高速な収束性の両立を示すこと。

提案手法

• アルゴリズムは3つの理想化されたルールを使用する：各カッコウはランダムに選ばれたホストネストに1つの卵（新しい解）を産む。最も優れたネストが次世代に生き残る。また、最悪のネストの一部は、新しいランダムな解に置き換えられる。
• 新しい解は、確率的方程式 x(t+1)_i = x(t)_i + α ⊕ Lévy(λ) を用いたLévy飛行によって生成される。ここで α はステップサイズを表し、⊕ は要素ごとの乗算を表す。
• Lévy飛行のステップ長は、重たい尾をもつパワー則分布（t−λ, 1 < λ ≤ 3）に従い、グローバル探索のための長距離ジャンプと、ローカルな微調整のための短いステップを両立可能にする。
• アルゴリズムは固定された n ネストの集団を維持し、エリート選択メカニズムによって最良の解が保存される。
• 発見確率 pa は、低品質なネストの置き換えを制御し、探索と開拓のバランスを保つ。
• 各解の適応度は、目的関数値に基づいて評価され、値が大きいほど優れた解であるとされる。

実験結果

リサーチクエスチョン

• RQ1 カッコウの巣くばり行動とLévy飛行行動にインspiredされたメタヒューリスティックアルゴリズムは、PSO や GA と比較してグローバル最適化において優れていると言えるか？
• RQ2 Lévy飛行の統合が、探索と開拓のバランスを探索プロセスでどのように向上させるか？
• RQ3 発見確率 pa がアルゴリズムの収束性とロバスト性に与える影響は何か？
• RQ4 CS における制御パラメータの数は、PSO や GA と比較してどうなっており、アルゴリズムのチューニングと一般化性能にどのような影響を与えるか？
• RQ5 CS は、複雑な地形を示すマルチモーダルテスト関数において、より高速な収束と高い成功確率を達成できるか？

主な発見

• Cuckoo Search は、テストされたすべての10のベンチマーク関数において、グローバル最適解を100％の成功率で発見した。これは、PSO や GA と比較して顕著に優れている。
• Michalewicz 関数（d=16）において、CS は平均して 3,221 ± 519 回の関数評価で到達したが、PSO は 6,922 ± 537 回、GA は 89,325 ± 7,914 回を要した。
• De Jong の関数（d=256）において、CS は 100％の成功率で 4,971 ± 754 回の評価でグローバル最小値に到達した。一方、PSO は 17,040 ± 1,123 回、GA は 25,412 ± 1,237 回を要した。
• Griewank の関数において、CS は 10,912 ± 4,050 回の評価で 100％の成功率を達成したが、PSO は 55,970 ± 4,223 回、GA は 70,925 ± 7,652 回を要した。
• 発見確率 pa に対して感度が低く、さまざまな問題において微調整なしでロバストな性能を示した。
• 特に高次元およびマルチモーダル関数（例：Rastrigin 関数や Schwefel 関数）において、高速な収束性と高い効率性を示した。