[論文レビュー] Golden Tortoise Beetle Optimizer: A Novel Nature-Inspired Meta-heuristic Algorithm for Engineering Problems

Omid Tarkhaneh, Neda Alipour+2 more|arXiv (Cornell University)|Apr 4, 2021

Metaheuristic Optimization Algorithms Research参考文献 59被引用数 15

ひとこと要約

本稿では、ゴールデンタートルバッタの色変化による求愛行動および捕食者防御機構を模倣することで、最適化における探索と活用のバランスを図る、新規の自然由来メタヒューリスティックアルゴリズム「ゴールデンタートルバッタ最適化（GTBO）」を提案する。GTBOは24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、5つのベンチマークアルゴリズムを上回り、収束性、局所最適解の回避、性能の統計的有意性において優れた結果を示した。

ABSTRACT

This paper proposes a novel nature-inspired meta-heuristic algorithm called the Golden Tortoise Beetle Optimizer (GTBO) to solve optimization problems. It mimics golden tortoise beetle's behavior of changing colors to attract opposite sex for mating and its protective strategy that uses a kind of anal fork to deter predators. The algorithm is modeled based on the beetle's dual attractiveness and survival strategy to generate new solutions for optimization problems. To measure its performance, the proposed GTBO is compared with five other nature-inspired evolutionary algorithms on 24 well-known benchmark functions investigating the trade-off between exploration and exploitation, local optima avoidance, and convergence towards the global optima is statistically significant. We particularly applied GTBO to two well-known engineering problems including the welded beam design problem and the gear train design problem. The results demonstrate that the new algorithm is more efficient than the five baseline algorithms for both problems. A sensitivity analysis is also performed to reveal different impacts of the algorithm's key control parameters and operators on GTBO's performance.

研究の動機と目的

• 最適化における探索と活用のバランスを効果的に行う、新しい自然由来メタヒューリスティックアルゴリズムの開発。
• 複雑な工学的問題において、局所最適解を回避できず、高速収束が難しい既存のアルゴリズムの限界を解決すること。
• 求愛のための色の切り替えとシールドを用いた防御行動といった生物学的行動を、解の生成に用いる数学的演算子にモデル化すること。
• ベンチマーク関数および実世界の工学的設計問題において、GTBOの性能を既存のアルゴリズムと比較して検証すること。
• 主な制御パラメータおよび演算子の感度分析を行い、アルゴリズムの最適な設定を導くこと。

提案手法

• GTBOは、ゴールデンタートルバッタの二重行動戦略に着想を得ている：求愛を引きつけるために色を切り替え、捕食者を撃退するためにアナルフォークを使用する。
• アルゴリズムは、グローバルな探索を強化するための色切り替え演算子と、有望な解の周囲での局所探索を強化する生存演算子を用いる。
• 新たな候補解は、これらの2つの演算子の組み合わせにより生成され、多様化段階と強化段階の動的バランスがとられる。
• アルゴリズムは成熟率（Mr）と生存率（Sr）の2つの制御パラメータを組み込み、解の成熟を制御し、生存確率を決定する。
• カマキリ行動に由来するヒューリスティックなルールに従い、解を反復的に更新する。ランダム選択により、局所最小値からの脱出が支援される。
• MrとSrの感度分析を実施し、ベンチマーク関数全体で個々の演算子および併用時の影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 ゴールデンタートルバッタの求愛行動および生存戦略に着想を得た新規メタヒューリスティックアルゴリズムは、最適化における探索と活用のバランスを効果的に実現できるか？
• RQ2 GA、PSO、ABC、ALO、BWOといった既存のアルゴリズムと比較して、GTBOは収束速度、グローバル最適解の検出、局所最適解の回避においてどのように優れているか？
• RQ3 異なる種類のベンチマーク関数において、GTBOの最適な制御パラメータ（成熟率と生存率）の設定は何か？
• RQ4 色切り替え演算子と生存演算子の個別的および併用効果は、GTBOの性能および集団の多様性にどのように影響するか？
• RQ5 GTBOは、制約なしのベンチマーク関数および制約ありの工学的問題において、ベースラインアルゴリズムに対して統計的に有意に優れた性能を示せるか？

主な発見

• GTBOは24のベンチマーク関数において優れた性能を発揮し、収束速度およびグローバル最適解の検出においてGA、PSO、ABC、ALO、BWOを上回った。
• ウィルコクソン符号順位検定により、GTBOの性能がベースラインアルゴリズムよりも統計的に優れていることが確認され、p値は高い有意水準を示した。
• 単峰性関数では、GTBOは強力な活用性能と高速収束を示し、特に成熟率（Mr）を0.4に設定した場合に顕著であった。
• 多峰性関数では、GTBOは強力な探索性能と局所最適解回避能力を示し、Mr = 0.2–0.4および生存率（Sr）= 0.2の組み合わせで最良の結果が得られた。
• 合成関数では、より高いMr値（0.8–0.9）が最良の性能をもたらし、複雑でハイブリッドなランドスケープにおいて探索の重要性が顕著になった。
• 色切り替え演算子と生存演算子の併用が最良の結果をもたらした。これにより、グローバル探索とローカル探索のメカニズムの相乗効果が、全体の性能および集団の多様性を向上させたことが確認された。