[論文レビュー] Curved Space Optimization: A Random Search based on General Relativity Theory

Fereydoun Farrahi Moghaddam, Reza Farrahi Moghaddam+1 more|arXiv (Cornell University)|Aug 10, 2012

Metaheuristic Optimization Algorithms Research参考文献 40被引用数 97

ひとこと要約

本論文は、一般相対性理論の時空曲率の概念を応用してランダムサーチを強化する、新しいグローバル最適化手法である曲がった空間最適化（CSO）を提案する。有望な点の周囲で探索空間を動的に曲げることで、探索と活用の両方を維持したまま、局所最適解の回避を改善し、さまざまな次元における単峰性および多峰性のベンチマーク関数において、最先端の手法よりも優れた性能を発揮し、収束が速く、関数評価回数が少ない。

ABSTRACT

Designing a fast and efficient optimization method with local optima avoidance capability on a variety of optimization problems is still an open problem for many researchers. In this work, the concept of a new global optimization method with an open implementation area is introduced as a Curved Space Optimization (CSO) method, which is a simple probabilistic optimization method enhanced by concepts of general relativity theory. To address global optimization challenges such as performance and convergence, this new method is designed based on transformation of a random search space into a new search space based on concepts of space-time curvature in general relativity theory. In order to evaluate the performance of our proposed method, an implementation of CSO is deployed and its results are compared on benchmark functions with state-of-the art optimization methods. The results show that the performance of CSO is promising on unimodal and multimodal benchmark functions with different search space dimension sizes.

研究の動機と目的

• グローバル最適化における探索と活用のバランスを保つという、長年の課題に取り組むこと。
• 収束性が向上し、局所最適解を効果的に回避できる、シンプルで確率的な最適化手法を開発すること。
• 一般相対性理論の原則を、新しい最適化フレームワークに統合すること。
• CSOの性能を、さまざまな次元における多様なベンチマーク関数で評価すること。
• 曲率に基づく探索空間変換が、ランダムサーチにおける探索と活用の両方を向上させることを示すこと。

提案手法

• CSOは、一般相対性理論にインspiredされた曲率効果を用いて探索空間を変換し、以前に訪問された点を重力源として扱う。
• 本手法は、高い性能を示す解の周囲に人工的な時空曲率を導入し、将来の探索をグローバル最適解へと誘導する。
• 曲率の深さと半径は、アリコロニー最適化にインspiredされたメカニズムを用いて動的に制御され、探索と活用のバランスをとる。
• 基本的なCSOの実装が作成され、次元が異なる標準的なベンチマーク関数でテストされた。
• アルゴリズムは、探索プロセス中に曲率パラメータを自己適応的に調整するメカニズムを用いる。
• 性能評価は、有名なベンチマーク関数における関数評価回数（NFE）、平均値、標準偏差を用いて行われた。

実験結果

リサーチクエスチョン

• RQ1 曲率に基づく探索空間変換は、グローバル最適化におけるランダムサーチの性能を向上させることができるか？
• RQ2 CSOは、単峰性および多峰性のベンチマーク関数において、最先端のグローバル最適化手法と比較してどのように性能を発揮するか？
• RQ3 適応的曲率メカニズムは、CSOにおける探索と活用のトレードオフをどの程度向上させるか？
• RQ4 CSOは、高次元問題を含むさまざまな探索空間次元においても、優れた性能を維持できるか？
• RQ5 一般相対性理論の原則の統合は、より効率的で頑健な最適化アルゴリズムを生み出すことができるか？

主な発見

• Michalewicz関数（n=10）において、CSOは平均値 -9.6588 を達成し、他のすべての手法を上回った。
• Shubert関数（n=2）において、CSOはわずか100,000回の関数評価で平均値 -210.4822 を達成し、他の手法よりも顕著に優れていた。
• Ackley関数（n=30）において、CSOはわずか114,992回の評価で平均値 3.789e-4 を達成し、RGA、PSO、GSAを上回った。
• 回転したハイペリエリプソイド関数（n=30）において、CSOは114,992回の評価で平均値 0.0003789 を達成し、RGA、PSO、GSAを上回った。
• 2次元のBranin関数において、CSOはわずか15,000回の評価で平均値 0.3978873577 を達成し、他の手法と同等の結果を得たが、評価回数がはるかに少なかった。
• Shubert関数（n=2）において、CSOは100,000回の評価で平均値 -210.4822 を達成し、他の手法が最大500,000回の評価を要したのに対し、顕著に優れていた。