[論文レビュー] PSA: A novel optimization algorithm based on survival rules of porcellio scaber

Yinyan Zhang, Zhang, Pei+1 more|arXiv (Cornell University)|Sep 28, 2017

Metaheuristic Optimization Algorithms Research参考文献 17被引用数 10

ひとこと要約

本稿では、イヌダマムシ *Porcellio scaber* の生存行動——特に良好な環境への集積と、劣悪な条件下での探索的移動——を模倣した新しい生物にインspiredされた最適化手法、Porcellio Scaber Algorithm (PSA) を提案する。このアルゴリズムは、微分可能・非微分可能・局所最適解を有する問題を含む非制約最適化問題を効果的に解き、Michalewicz、Goldstein-Price、Alpine-1 といったベンチマーク関数において、理論的最適解に非常に近い結果を示し、グローバル・ミニマの特定に高い成功率を示している。

ABSTRACT

Bio-inspired algorithms such as neural network algorithms and genetic algorithms have received a significant amount of attention in both academic and engineering societies. In this paper, based on the observation of two major survival rules of a species of woodlice, i.e., porcellio scaber, we present an algorithm called the porcellio scaber algorithm (PSA) for solving general unconstrained optimization problems, including differentiable and non-differential ones as well as the case with local optima. Numerical results based on benchmark problems are presented to validate the efficacy of PSA.

研究の動機と目的

• イヌダマムシ *Porcellio scaber* の生存行動にインspiredされ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。
• 微分可能・非微分可能な関数、局所最適解を有するマルチモーダル関数を含む一般の非制約最適化問題への対応。
• 多様な問題タイプにわたる標準ベンチマーク問題を用いた、アルゴリズムの有効性の検証。
• 初期位置が悪くとも、グローバル解または近似グローバル解を一貫して得られる性能の確認。

提案手法

• アルゴリズムは、2つの主要な生存行動——最良環境（グローバル・ミニマ）への集積と、不利な状態下での探索的移動——をモデル化する。
• 各イテレーションで、各エージェント（イヌダマムシ）は目的関数 f(x) を用いて環境を評価し、集積と探索の重み付き組み合わせに基づいた移動意思決定を行う。
• 集積成分は、現在の最良位置への移動を促進し、x^{k+1}_i = argmin f(x^k_j) としてモデル化され、既知の最良解への収束を保証する。
• 探索成分は、ランダムな方向センシング（τ）を用い、新たな方向の環境状態を検出することで、局所最適解からの脱出を可能にする。
• 探索と活用のバランスを調整する重み付き意思決定ルール（λ）が採用され、λ=0.8、0.6、0.9 が異なる実験で性能チューニングに使用された。
• アルゴリズムは MaxStep ステップにわたりエージェントの位置を繰り返し更新し、既知のグローバル・オプティマに近いかどうかで収束を評価する。

実験結果

リサーチクエスチョン

• RQ1 *Porcellio scaber* の生存行動を、メタヒューリスティック最適化アルゴリズムとして効果的に抽象化できるか？
• RQ2 PSA は微分可能・非微分可能・マルチモーダルな目的関数を有する標準ベンチマーク問題において、どの程度の性能を示すか？
• RQ3 初期位置が悪くとも、アルゴリズムは一貫してグローバル・ミニマに収束できるか？
• RQ4 重みパrameter λ が、探索と活用のバランスに与える影響は何か？

主な発見

• 2次元 Michalewicz 関数では、PSA は f(x*) ≈ -1.8013 の解に到達し、理論的グローバル・ミニマの -1.801 に非常に近い結果を示した。
• Goldstein-Price 関数では、PSA が x* ≈ [-0.000033, -1.00006] で f(x*) ≈ 3.000001 を達成し、グローバル・ミニマの 3 に非常に近い値に収束した。
• 非微分可能な Alpine-1 関数では、PSA は x* ≈ [0, 0] で f(x*) ≈ 8.48×10⁻⁶ に収束し、理論的最小値 0 に近い結果を得た。
• 複数回の実行および多様な問題タイプにわたり、グローバル解または近似グローバル解の特定に高い成功率を示した。
• グローバル最適解に正確に到達できなかった場合でも、一貫してグローバル・ミニマに近い解が得られたことから、強いロバストネスを示した。
• λ を用いた集積と探索の動的バランスにより、局所最適解を有する複雑な探索空間を効果的に走破できた。