[論文レビュー] Egret Swarm Optimization Algorithm: An Evolutionary Computation Approach for Model Free Optimization

Zuyan Chen, Adam Francis+3 more|arXiv (Cornell University)|Jul 29, 2022

Metaheuristic Optimization Algorithms Research被引用数 4

ひとこと要約

本論文は、アオミドラシとユウレイドリの協同獲物行動にインspiredされた、新たなメタヒューリスティック最適化手法であるEgret Swarm Optimization Algorithm（ESOA）を提案する。ESOAは、待機戦略、攻撃的戦略、識別条件を統合し、探索と活用のバランスを図り、PSO、GA、DE、GWO、HHOと比較して、36個のベンチマーク関数および2つの実世界の工学的問題において優れた性能と頑健性を示した。

ABSTRACT

A novel meta-heuristic algorithm, Egret Swarm Optimization Algorithm (ESOA), is proposed in this paper, which is inspired by two egret species' (Great Egret and Snowy Egret) hunting behavior. ESOA consists of three primary components: Sit-And-Wait Strategy, Aggressive Strategy as well as Discriminant Conditions. The performance of ESOA on 36 benchmark functions as well as 2 engineering problems are compared with Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Differential Evolution (DE), Grey Wolf Optimizer (GWO), and Harris Hawks Optimization (HHO). The result proves the superior effectiveness and robustness of ESOA. The source code used in this work can be retrieved from https://github.com/Knightsll/Egret_Swarm_Optimization_Algorithm; https://ww2.mathworks.cn/matlabcentral/fileexchange/115595-egret-swarm-optimization-algorithm-esoa.

研究の動機と目的

• 非凸的で勾配フリーな最適化問題における、既存のメタヒューリスティックアルゴリズムの探索と活用のバランスの制限を解決すること。
• アオミドラシとユウレイドリの協同的かつ適応的な獲物行動を模倣する、新たな自然由来のアルゴリズムを開発すること。
• ESOAの性能を標準ベンチマーク関数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。
• 最先端のアルゴリズムと比較して、ESOAの収束速度、解の品質、安定性における優位性を示すこと。
• モデルフリー最適化分野における広範な応用とさらなる研究を支援するため、オープンソース実装を提供すること。

提案手法

• ESOAは、雪の白いミドリドリの待機戦略をモデル化し、エージェントが静止して獲物を検知・捕獲する行動を模倣することで、局所探索または活用フェーズを表す。
• ESOAは、アオミドラシの攻撃的戦略を取り入れ、獲物を積極的に追跡する動きを模倣することで、グローバル探索と集団の多様化を表す。
• 識別条件は、適応度の向上と収束基準に基づき、エージェントが待機戦略と攻撃的戦略の間を動的に切り替えるかどうかを決定する。
• アルゴリズムは、行動モデルに基づいて導出された速度と位置更新ルールを使用して、反復的に位置を更新する探索エージェントの集合を用いる。
• 制約処理はペナルティ関数を用いて統合され、Belegundu問題ではペナルティ係数φを10^100、スプリング設計問題では10^5に設定した。
• アルゴリズムは、36個のCEC1997およびCEC2017ベンチマーク関数および2つの工学的問題（Belegundu問題および引張/圧縮スプリング設計問題）を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 アオミドラシの獲物行動にインspiredされた新規メタヒューリスティックアルゴリズムは、既存の手法と比較して、探索と活用のバランスをより良く達成できるか？
• RQ2 ESOAは、単峰性、多峰性、ハイブリッド、合成関数を含む多様な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 複雑な最適化問題において、ESOAの収束行動と複数回の独立実行における安定性はいかがなものか？
• RQ4 ESOAは、高い精度と頑健性を備えて、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？
• RQ5 合成的および実用的問題において、PSO、GA、DE、GWO、HHOと比較して、ESOAの性能と計算効率はどのように異なるか？

主な発見

• CEC1997およびCEC2017ベンチマークセットにおいて、ESOAは36関数中24関数で最良の平均性能を達成し、優れたグローバルサーチ能力を示した。
• Belegundu問題において、ESOAは最良の最適解-30665.18896を達成し、最良値および平均値の両面でPSO（-30663.21135）および他のアルゴリズムを上回った。
• 引張/圧縮スプリング設計問題において、ESOAは平均フィットネス0.012855を達成し、標準偏差7.34×10^-5が最小であり、高い安定性を示した。
• Belegundu問題において、ESOAは全アルゴリズムの中で2番目に低い標準偏差を示し、絶対的最良平均を達成していなくても、その頑健性を裏付けた。
• すべてのテスト関数において、ESOAの収束行動はPSO、GA、DE、GWO、HHOと比較して一貫して速く、より安定していた。
• ESOAのソースコードはGitHubおよびMathWorks File Exchangeで公開されており、再現性およびモデルフリー最適化分野におけるさらなる研究を可能にしている。