[論文レビュー] Leo: Lagrange Elementary Optimization

Aso M. Aladdin, Tarik A. Rashid|arXiv (Cornell University)|Apr 1, 2023

Metaheuristic Optimization Algorithms Research被引用数 4

ひとこと要約

Leo: Lagrange Elementary Optimization は、血液中のヒトアルブミン割合にインspiredされた、自己適応型の進化的アルゴリズムであり、グローバル最適化を向上させるために設計されている。フィットネス駆動型の遺伝子クロスオーバーを用いて、知能的エージェントの探索と開拓をガイドし、19個のベンチマーク関数およびCECC06 2019テスト関数において、DA、PSO、GA、FDO、LPB、FOXよりも優れた収束性と安定性を示した。統計的検証により、その頑健性が確認された。

ABSTRACT

Global optimization problems are frequently solved using the practical and efficient method of evolutionary sophistication. But as the original problem becomes more complex, so does its efficacy and expandability. Thus, the purpose of this research is to introduce the Lagrange Elementary Optimization (Leo) as an evolutionary method, which is self-adaptive inspired by the remarkable accuracy of vaccinations using the albumin quotient of human blood. They develop intelligent agents using their fitness function value after gene crossing. These genes direct the search agents during both exploration and exploitation. The main objective of the Leo algorithm is presented in this paper along with the inspiration and motivation for the concept. To demonstrate its precision, the proposed algorithm is validated against a variety of test functions, including 19 traditional benchmark functions and the CECC06 2019 test functions. The results of Leo for 19 classic benchmark test functions are evaluated against DA, PSO, and GA separately, and then two other recent algorithms such as FDO and LPB are also included in the evaluation. In addition, the Leo is tested by ten functions on CECC06 2019 with DA, WOA, SSA, FDO, LPB, and FOX algorithms distinctly. The cumulative outcomes demonstrate Leo's capacity to increase the starting population and move toward the global optimum. Different standard measurements are used to verify and prove the stability of Leo in both the exploration and exploitation phases. Moreover, Statistical analysis supports the findings results of the proposed research. Finally, novel applications in the real world are introduced to demonstrate the practicality of Leo.

研究の動機と目的

• 複雑なグローバル最適化問題における収束性と安定性を向上させる、新しい進化的最適化アルゴリズムの開発。
• 問題の複雑性が増すに従い、スケーラビリティと適応性に欠ける既存のメタヒューリスティクスの限界を克服すること。
• ヒト血液中のアルブミン割合から生物学的インスピレーションを得て、最適化における探索効率を向上させること。
• 標準的および最近のベンチマークセットにおいて、Leoの性能を既存のアルゴリズムと比較して検証すること。
• 新しい実用的応用を通じて、実世界への適用可能性を実証すること。

提案手法

• Leo は、ヒト血液中のアルブミン割合にインスパイアされた自己適応メカニズムを用い、最適化過程において探索行動を動的に調整する。
• 知能的エージェントは遺伝子クロスオーバーにより生成され、フィットネス関数値が探索空間内での移動をガイドする。
• フィットネスの進行状況と集団の多様性に基づいて、探索と開拓のバランスをとるため、探索エージェントの行動を調整する。
• 探索プロセスの収束ダイナミクスをモデル化・制御するために、ラグランジュにインスパイアされたフレームワークが用いられる。
• フィットネス評価と遺伝子再結合を繰り返し適用することで、集団をグローバル最適解へと refining する。
• アルゴリズムの安定性と性能を検証するために、統計的検定と収束指標が適用される。

実験結果

リサーチクエスチョン

• RQ1 生物学的インスパイアされた進化的アルゴリズムは、複雑なベンチマーク関数において優れた収束性と安定性を達成できるか？
• RQ2 PSO、GA、DA、FDO、LPB といった既存のアルゴリズムと比較して、Leo は解の品質と収束速度の面でどのように異なるか？
• RQ3 Leo に組み込まれた自己適応メカニズムは、探索と開拓のバランスをどの程度向上させるか？
• RQ4 CECC06 2019 セットを含む多様で困難なテスト関数において、Leo は頑健な性能を維持できるか？
• RQ5 Leo は、合成ベンチマークを越えて、実世界の最適化問題に効果的に応用できるか？

主な発見

• Leo は19個の古典的ベンチマーク関数において優れた性能を発揮し、収束精度と安定性の面で DA、PSO、GA、FDO、LPB を上回った。
• CECC06 2019 テストセットにおいて、Leo はグローバル最適解の特定において、DA、WOA、SSA、FDO、LPB、FOX に対して一貫した優位性を示した。
• 統計的分析により、Leo の結果が競合アルゴリズムの結果よりも顕著に優れていることが確認され、p値は結果の信頼性を示した。
• Leo は向上した集団の多様性と高速な収束を示し、探索と開拓のバランスが効果的にとられていることが示された。
• 複数回の実行において安定した性能を維持し、フィットネス値の分散が低く抑えられ、頑健性が確認された。
• 新しい実世界の応用が効果的に実装され、Leo の理論的ベンチマークを超えた実用的有用性が検証された。