[論文レビュー] GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering Challenges and Beyond

Rebwar Khalid Hamad, Tarik A. Rashid|arXiv (Cornell University)|Jul 19, 2023

Metaheuristic Optimization Algorithms Research被引用数 5

ひとこと要約

本論文では、群れにおけるガチョウのバランスと保護行動にインspiredされた、新しいメタヒューティック最適化手法であるGOOSEアルゴリズムを紹介する。19のベンチマーク関数および実世界の工学的問題（溶接ビーム設計や経済的負荷配分など）に対して評価された結果、GOOSEアルゴリズムはGA、PSO、DA、FDO、WOA、SSA、その他の最先端アルゴリズムと比較して、優れた収束速度と解の正確性を示した。

ABSTRACT

This study proposes the GOOSE algorithm as a novel metaheuristic algorithm based on the goose's behavior during rest and foraging. The goose stands on one leg and keeps his balance to guard and protect other individuals in the flock. The GOOSE algorithm is benchmarked on 19 well-known benchmark test functions, and the results are verified by a comparative study with genetic algorithm (GA), particle swarm optimization (PSO), dragonfly algorithm (DA), and fitness dependent optimizer (FDO). In addition, the proposed algorithm is tested on 10 modern benchmark functions, and the gained results are compared with three recent algorithms, such as the dragonfly algorithm, whale optimization algorithm (WOA), and salp swarm algorithm (SSA). Moreover, the GOOSE algorithm is tested on 5 classical benchmark functions, and the obtained results are evaluated with six algorithms, such as fitness dependent optimizer (FDO), FOX optimizer, butterfly optimization algorithm (BOA), whale optimization algorithm, dragonfly algorithm, and chimp optimization algorithm (ChOA). The achieved findings attest to the proposed algorithm's superior performance compared to the other algorithms that were utilized in the current study. The technique is then used to optimize Welded beam design and Economic Load Dispatch Problem, three renowned real-world engineering challenges, and the Pathological IgG Fraction in the Nervous System. The outcomes of the engineering case studies illustrate how well the suggested approach can optimize issues that arise in the real-world.

研究の動機と目的

• 休息および採餌中のガチョウの自然的行動にインspiredした、新しいメタヒューティック最適化アルゴリズムの開発。
• 複雑な実世界の工学的最適化問題を解く際、既存のメタヒューティックアルゴリズムの限界を克服すること。
• 標準ベンチマーク関数上で、提案されたGOOSEアルゴリズムの性能を既存のアルゴリズムと比較して検証すること。
• 溶接ビーム設計や経済的負荷配分を含む実用的工学的課題におけるアルゴリズムの有効性を示すこと。
• IgGフラグメントが神経系に存在する病理的データ最適化のような複雑なデータ最適化におけるアルゴリズムの性能を評価すること。

提案手法

• GOOSEアルゴリズムは、ガチョウが片足で立ちバランスを保ち、群れを保護する行動を模倣し、最適化のための探索メカニズムに変換する。
• アルゴリズムは、探索空間内の多様性を維持するためのバランスに基づく探索フェーズと、有望な解へ向かうように個体を誘導する保護メカニズムを用いる。
• 現在の集団の適応度分布に基づいて動的に調整される適応的パラメータを統合する。
• 探索プロセス中に高品質な解を優先するため、適応度に基づく選択メカニズムを採用する。
• 収束を向上させ、早期停滞を回避するために、局所探索とグローバル探索の両方の戦略を統合する。
• 社会的および環境的フィードバックに基づく個体の位置の反復的更新を実行する、集団ベースのフレームワークで実装される。

実験結果

リサーチクエスチョン

• RQ1 標準ベンチマーク関数において、GOOSEアルゴリズムは既存のメタヒューティックアルゴリズムと比較して、より優れた収束速度と解の正確性を達成できるか？
• RQ2 WOA、SSA、DAといった最近のアルゴリズムと比較して、現代的および古典的ベンチマーク関数においてGOOSEアルゴリズムはどのように性能を発揮するか？
• RQ3 溶接ビーム設計や経済的負荷配分といった実世界の工学的最適化問題を、GOOSEアルゴリズムはどの程度効果的に解けるか？
• RQ4 IgGフラグメントが神経系に存在するような複雑な生物学的または病理的データ最適化において、GOOSEアルゴリズムはどの程度有効であるか？
• RQ5 ガチョウのバランスと保護行動が、アルゴリズムの探索と活用のトレードオフをどのように向上させるか？

主な発見

• GOOSEアルゴリズムは、19の有名なベンチマーク関数において優れた性能を発揮し、収束速度および解の質においてGA、PSO、DA、FDOを上回った。
• 10の現代的ベンチマーク関数において、GOOSEアルゴリズムはWOA、SSA、DAと同等または優れた結果を示し、安定性と頑健性が向上した。
• 古典的ベンチマーク関数において、FDO、FOX、BOA、ChOA、WOAと比較して、GOOSEアルゴリズムは上位に位置づけられ、一貫した優位性を示した。
• 溶接ビーム設計問題において、GOOSEアルゴリズムはすべての比較対象アルゴリズムよりも低い目的関数値を達成し、構造的効率の向上を示した。
• 経済的負荷配分問題において、GOOSEアルゴリズムは燃料コストを低減させ、収束特性が向上したより最適かつ安定した解を提供した。
• 病理的IgGフラグメント最適化において、GOOSEアルゴリズムは複雑な生物学的データのフィッティングにおいて優れた性能を示し、医療診断分野への応用可能性を示唆した。