[論文レビュー] Ebola Optimization Search Algorithm (EOSA): A new metaheuristic algorithm based on the propagation model of Ebola virus disease

Olaide N. Oyelade, Absalom E. Ezugwu|arXiv (Cornell University)|Jun 2, 2021

Viral Infections and Outbreaks Research被引用数 11

ひとこと要約

本稿では、エボラウイルス病の伝播ダイナミクスに着想を得た新しいメタヒューリスティック、エボラ最適化探索アルゴリズム（EOSA）を提案する。このアルゴリズムは、1階微分方程式を用いてモデル化されたエボラウイルス病の伝播ダイナミクスに基づいており、感受性あり、感染、隔離、入院、回復、死亡という6つの集団状態を模倣することで探索行動を誘導する。47個の古典的関数および30個の制約付きIEEE CEC-2017ベンチマーク関数において、PSO、GA、ABCと比較して優れた性能を示し、特に高次元および大スケール問題において顕著な優位性を示している。

ABSTRACT

The Ebola virus and the disease in effect tend to randomly move individuals in the population around susceptible, infected, quarantined, hospitalized, recovered, and dead sub-population. Motivated by the effectiveness in propagating the disease through the virus, a new bio-inspired and population-based optimization algorithm is proposed. This paper presents a novel metaheuristic algorithm named Ebola optimization algorithm (EOSA). To correctly achieve this, this study models the propagation mechanism of the Ebola virus disease, emphasising all consistent states of the propagation. The model was further represented using a mathematical model based on first-order differential equations. After that, the combined propagation and mathematical models were adapted for developing the new metaheuristic algorithm. To evaluate the proposed method's performance and capability compared with other optimization methods, the underlying propagation and mathematical models were first investigated to determine how they successfully simulate the EVD. Furthermore, two sets of benchmark functions consisting of forty-seven (47) classical and over thirty (30) constrained IEEE CEC-2017 benchmark functions are investigated numerically. The results indicate that the performance of the proposed algorithm is competitive with other state-of-the-art optimization methods based on scalability analysis, convergence analysis, and sensitivity analysis. Extensive simulation results indicate that the EOSA outperforms other state-of-the-art popular metaheuristic optimization algorithms such as the Particle Swarm Optimization Algorithm (PSO), Genetic Algorithm (GA), and Artificial Bee Colony Algorithm (ABC) on some shifted, high dimensional and large search range problems.

研究の動機と目的

• エボラウイルス病の生物学的伝播メカニズムに着想を得た新しいメタヒューリスティック最適化アルゴリズムの開発。
• エボラウイルス病の伝播ダイナミクスを1階微分方程式を用いてモデル化し、感受性あり、感染、隔離、入院、回復、死亡という重要な集団状態を捉えること。
• 疫学的モデルを基に、集団ベースの探索アルゴリズムに適応させ、グローバル最適化を実現すること。
• スケーラブルで、シフト付き、高次元の問題に対して、EOSAの性能を最先端のメタヒューリスティクスと比較すること。
• 収束性、スケーラビリティ、感度解析を通じて、アルゴリズムのロバストネスを検証すること。

提案手法

• エボラウイルス病（EVD）の伝播プロセスは、感受性あり、感染、隔離、入院、回復、死亡という6つの集団状態の間の遷移を表す1階微分方程式の連立系を用いてモデル化される。
• 感染拡散、隔離、回復のダイナミクスが数学的に表現され、現実的な伝播パターンを模倣する。
• EOSAにおける集団ベースの探索メカニズムは、個体がこれらのEVD状態を通過する様子を模倣しており、解候補は各コンパートメント内の個体を表す。
• 探索エージェントは、微分方程式から導出された感染確率、隔離率、回復ダイナミクスに基づいて位置を更新する。
• 現在の状態分布に基づいて適応的パラメータを組み込むことで、探索と開拓のバランスを図る。
• アルゴリズムは、47個の古典的関数および30個の制約付きIEEE CEC-2017ベンチマーク関数上でテストされ、多様な問題タイプにおける性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 エボラウイルス病の伝播ダイナミクスを1階微分方程式を用いて効果的にモデル化できるか、最適化を誘導するのに適しているか。
• RQ2 提案されたEOSAアルゴリズムは、PSO、GA、ABCといった既存のメタヒューリスティクスと比較して、収束速度および解の質においてどのように差をつけるか。
• RQ3 EOSAは高次元、シフト付き、大規模最適化問題においてどの程度の性能を示すか。
• RQ4 EOSAはパrameter設定に対してどの程度感受性を示し、多様なベンチマーク関数においてもロバストネスを維持できるか。
• RQ5 EVDの疫学的モデルを意味的に再利用して、メタヒューリスティック最適化の探索メカニズムとして活用できるか。

主な発見

• EOSAは47個の古典的ベンチマーク関数において競争力のある性能を示し、優れた収束性と安定性を確認した。
• 30個の制約付きIEEE CEC-2017ベンチマーク関数において、EOSAはPSO、GA、ABCを上回り、特に高次元および大範囲問題において平均および最良解の質で優位性を示した。
• スケーラビリティ解析により、探索空間の次元が増加してもEOSAが一貫した性能を維持することが確認された。
• 収束解析から、EOSAはPSOやABCと比較して、シフト付きおよび回転付き関数においてより速い収束速度を達成していることが判明した。
• 感度解析から、EOSAは特に感染率および回復率パラメータにおいて、パラメータの変動に対してロバストであることが示された。
• シミュレートされた疾患状態分布に基づいて動的に探索行動を調整することで、探索と開拓のバランスを効果的に実現している。