[論文レビュー] Eagle Strategy Using Lévy Walk and Firefly Algorithms For Stochastic Optimization

Xin‐She Yang, Suash Deb|arXiv (Cornell University)|Apr 23, 2010

Metaheuristic Optimization Algorithms Research参考文献 13被引用数 60

ひとこと要約

本論文では、Lévy歩行に基づく大域的探索と、フィアーフォー・アルゴリズムに依存する局所的強化を組み合わせたハイブリッドメタヒューリスティックな最適化手法「Eagle Strategy」を提案する。この手法は、確率的最適化問題において、粒子群最適化（PSO）を著しく上回り、ノイズが混在する多様なテスト関数において、平均で90％の関数評価回数の削減で、グローバル最適解の探索に100％の成功率を達成した。

ABSTRACT

Most global optimization problems are nonlinear and thus difficult to solve, and they become even more challenging when uncertainties are present in objective functions and constraints. This paper provides a new two-stage hybrid search method, called Eagle Strategy, for stochastic optimization. This strategy intends to combine the random search using Lévy walk with the firefly algorithm in an iterative manner. Numerical studies and results suggest that the proposed Eagle Strategy is very efficient for stochastic optimization. Finally practical implications and potential topics for further research will be discussed.

研究の動機と目的

• ノイズが混在する目的関数および制約条件を伴う確率的最適化問題を解く挑戦に応えること。
• 不確実性が存在する環境下でも探索効率と収束速度を向上させるハイブリッドメタヒューリスティックの開発。
• Lévy歩行による長距離探索と、フィアーフォー・アルゴリズムによる局所的強化を組み合わせ、グローバル最適化の性能を向上させること。
• Eagle Strategyの性能を、PSOなどの既存のアルゴリズムと比較し、ベンチマークとしての確率的テスト関数を用いて評価すること。
• 不確実性を伴う工学的設計問題やNP困難問題への実用的応用の可能性を検討すること。

提案手法

• Eagle Strategyは二段階の探索を採用する：第一に、重みのないLévy飛行を用いて、重ね合わせのない大域的探索を実現する。
• 第二に、有望な解（獲物）を検出すると、解の品質と距離に基づく吸引力と移動ルールを有するフィアーフォー・アルゴリズムに基づく局所探索に切り替える。
• Lévy飛行は、指数λをパrameterとする安定分布を用いて生成され、重ね合わせのない重ね尾を持つため、効率的な大域的探索が可能になる。
• フィアーフォー・アルゴリズムでは、目的関数値に比例する光の強度と、距離に基づく吸引力を用い、収束を制御するための光吸収係数γを導入する。
• ハイブリッド手法は、反復的に大域的Lévy歩行と局所的フィアーフォー探索を交互に実行することで、探索と活用のバランスを保つ。
• ノイズが混在する目的関数の期待値を推定するためにモンテカルロサンプリングを用い、各解について複数回の評価を実施してμ_f_iを近似する。

実験結果

リサーチクエスチョン

• RQ1 Lévy歩行とフィアーフォー・アルゴリズムを組み合わせることで、確率的最適化における収束速度と成功確率が向上するか？
• RQ2 Eagle Strategyは、グローバル最適解が既知のノイズ混在で多峰性の強いテスト関数を解く際、PSOと比較してどのように性能を発揮するか？
• RQ3 集団サイズを変化させた場合、Eagle Strategyの性能と計算コストにどのような影響が生じるか？
• RQ4 Eagle Strategyは、目的関数や制約条件における不確実性を効果的に扱えるか？
• RQ5 このハイブリッド手法は、確率的条件下での巡回セールスマン問題などのNP困難問題に対しても拡張可能か？

主な発見

• Eagle Strategyは、Easom、De Jong、Shubertを含むすべてのテストされた確率的関数において、グローバル最適解の探索に100％の成功率を達成した。一方、PSOは90％～98％の成功率であった。
• Easom関数に関しては、Eagle Strategyは平均で12.7×10³回の関数評価で十分だったが、PSOは185.9×10³回を要し、評価回数は93％削減された。
• 高次元のAckley関数（d=128）において、Eagle Strategyは54×10³回の評価で100％の成功率を達成したが、PSOは1170×10³回で92％の成功率にとどまった。
• Rosenbrock、Rastrigin、Griewankを含むすべてのベンチマーク関数において、Eagle StrategyはPSOを上回り、平均関数評価回数が低く、成功率が高かった。
• 2.5％のガウスノイズ下でも、Eagle Strategyは多様で複雑かつ多峰性の強いテスト関数において、高い性能を維持した。
• 高次元（例：De Jong関数のd=256）でも、Eagle Strategyは70.7×10³回の評価で100％の成功率を達成したが、PSOは852×10³回を要した。