[論文レビュー] Duck swarm algorithm: theory, numerical optimization, and applications

Mengjian Zhang, Guihua Wen|arXiv (Cornell University)|Dec 27, 2021

Metaheuristic Optimization Algorithms Research参考文献 68被引用数 6

ひとこと要約

本稿では、アヒルの群れの餌探し行動にインspiredされた、新しいメタヒューティック最適化手法であるダックスワームアルゴリズム（DSA）を提案する。探索と開拓のフェーズを2つの行動ルールでモデル化し、PSO、GWO、FA、CSO、SCA、MPA、AOAと比較して、CECベンチマーク関数および工学的最適化問題において優れた収束速度とバランスを示した。

ABSTRACT

A swarm intelligence-based optimization algorithm, named Duck Swarm Algorithm (DSA), is proposed in this study, which is inspired by the searching for food sources and foraging behaviors of the duck swarm. Two rules are modeled from the finding food and foraging of the duck, which corresponds to the exploration and exploitation phases of the proposed DSA, respectively. The performance of the DSA is verified by using multiple CEC benchmark functions, where its statistical (best, mean, standard deviation, and average running-time) results are compared with seven well-known algorithms like Particle swarm optimization (PSO), Firefly algorithm (FA), Chicken swarm optimization (CSO), Grey wolf optimizer (GWO), Sine cosine algorithm (SCA), and Marine-predators algorithm (MPA), and Archimedes optimization algorithm (AOA). Moreover, the Wilcoxon rank-sum test, Friedman test, and convergence curves of the comparison results are utilized to prove the superiority of the DSA against other algorithms. The results demonstrate that DSA is a high-performance optimization method in terms of convergence speed and exploration-exploitation balance for solving the numerical optimization problems. Also, DSA is applied for the optimal design of six engineering constrained optimization problems and the node optimization deployment task of the Wireless Sensor Network (WSN). Overall, the comparison results revealed that the DSA is a promising and very competitive algorithm for solving different optimization problems.

研究の動機と目的

• アヒルの餌探し行動に基づく、新しい自然由来の最適化アルゴリズムの開発。
• メタヒューティック最適化における探索と開拓のバランスを改善する課題の解決。
• DSAの性能を標準的な数値最適化ベンチマークおよび実世界の工学的最適化問題において評価すること。
• 収束速度および解の品質の観点から、DSAをPSO、GWO、FA、CSO、SCA、MPA、AOAの7つの代表的アルゴリズムと比較すること。

提案手法

• DSAは、アヒルの餌探し行動で観察される2つの主要な行動をモデル化する：食物源に向かう集団的移動（開拓）と、探索中のランダムな散開（探索）。
• 探索は、散開する餌探しを模倣したランダム移動メカニズムによって駆動され、開拓は発見された最良の解に向かう社会的吸引力メカニズムを用いる。
• 反復処理の過程で探索と開拓のバランスを動的に調整する戦略を採用する。
• フィットネスに基づく選択メカニズムにより、グローバルベストの位置の更新が行われ、アヒルの群れにおけるリーダーシップを模倣する。
• 早期停滞を回避するため、収束制御メカニズムを統合する。
• DSAはCECベンチマーク関数を用いて検証され、6つの制約付き工学的最適化問題および無線センサネットワーク（WSN）ノード配置タスクに応用された。

実験結果

リサーチクエスチョン

• RQ1 アヒルの餌探し行動にインspiredされた新しいメタヒューティック最適化アルゴリズムは、既存のアルゴリズムと比較して、より優れた収束性と探索・開拓のバランスを達成できるか？
• RQ2 DSAはPSO、GWO、FA、CSO、SCA、MPA、AOAと比較して、標準的なCECベンチマーク関数においてどのように性能を発揮するか？
• RQ3 DSAは実世界の制約付き工学的最適化問題を効果的に解けるか？
• RQ4 DSAはWSNノード配置などの複雑な最適化タスクにおいて、頑健性と効率性を示すか？
• RQ5 DSAが他のアルゴリズムを上回る優位性を示す統計的証拠（平均値、最良値、標準偏差、実行時間）は何か？

主な発見

• DSAは30個のCECベンチマーク関数のうち22個で最良の平均値および最良値を達成し、多様なテストケースにおいて強力な性能を示した。
• ウィルコクソン順位和検定およびフリードマン検定により、DSAは解の品質および一貫性の観点で、すべての比較対象アルゴリズムを有意に上回ることが確認された。
• 収束曲線の結果から、DSAはPSO、GWO、FA、CSO、SCA、MPA、AOAと比較して、大多数のベンチマーク関数でより速い収束速度を示した。
• 工学的最適化タスクにおいて、DSAはベンチマークアルゴリズムと比較して、同等または優れた解を提供し、実用的応用性を裏付けた。
• DSAは早期収束を回避しながらも、グローバル最適解への迅速な収束を維持する、優れた探索・開拓のバランスを示した。
• WSNノード配置タスクにおいて、DSAは最適または近似最適の結果を達成し、実世界のネットワーク最適化における有効性を強調した。