[論文レビュー] Randomized Memetic Artificial Bee Colony Algorithm

Sandeep Kumar, Vivek Kumar Sharma+1 more|arXiv (Cornell University)|Aug 1, 2014

Metaheuristic Optimization Algorithms Research参考文献 60被引用数 16

ひとこと要約

本稿では、探索と開拓のバランスを向上させるために、解探索式におけるステップサイズをランダム化することでMemetic ABCアルゴリズムを強化した、新しいメタヒューリスティックであるランダム化Memetic Artificial Bee Colony（RMABC）を提案する。現在の最良解の近傍でランダム化されたステップサイズを用いて新たな解を生成することで、RMABCはMeABC、GABC、HJABC、BSFABC、MABCと比較して、ベンチマーク関数および工学的最適化問題において優れた収束性と性能を達成する。

ABSTRACT

Artificial Bee Colony (ABC) optimization algorithm is one of the recent population based probabilistic approach developed for global optimization. ABC is simple and has been showed significant improvement over other Nature Inspired Algorithms (NIAs) when tested over some standard benchmark functions and for some complex real world optimization problems. Memetic Algorithms also become one of the key methodologies to solve the very large and complex real-world optimization problems. The solution search equation of Memetic ABC is based on Golden Section Search and an arbitrary value which tries to balance exploration and exploitation of search space. But still there are some chances to skip the exact solution due to its step size. In order to balance between diversification and intensification capability of the Memetic ABC, it is randomized the step size in Memetic ABC. The proposed algorithm is named as Randomized Memetic ABC (RMABC). In RMABC, new solutions are generated nearby the best so far solution and it helps to increase the exploitation capability of Memetic ABC. The experiments on some test problems of different complexities and one well known engineering optimization application show that the proposed algorithm outperforms over Memetic ABC (MeABC) and some other variant of ABC algorithm(like Gbest guided ABC (GABC),Hooke Jeeves ABC (HJABC), Best-So-Far ABC (BSFABC) and Modified ABC (MABC) in case of almost all the problems.

研究の動機と目的

• 固定ステップサイズによる制限が、早期収束や最適解の飛躍を引き起こす可能性があるMemetic ABCの欠点を是正する。
• 探索（多様化）と強化（集中化）のバランスを、探索プロセス内で向上させる。
• 複雑な現実世界の最適化問題における収束速度と解の品質を向上させる。
• より優れた性能を実現するため、ランダム化された局所探索を統合したArtificial Bee Colonyアルゴリズムの変種を開発する。
• 多様なテスト問題および工学的応用において、既存のABC変種と比較して提案手法の優位性を実証する。

提案手法

• ゴールデンセクションサーチに基づく固定ステップサイズの代わりに、Memetic ABCの解探索式にランダム化ステップサイズを導入する。
• 確率的ステップサイズを用いて、これまでに得られた最良解の近傍で新たな候補解を生成する。
• 元のABCアルゴリズムのグローバルサーチ能力を維持しながら、局所探索の精度を向上させる。
• ステップサイズの大きさを制御するためのランダム値を用い、局所探索における多様性を高め、局所最適解に閉じ込められるリスクを低減する。
• 解の更新メカニズムを除き、元のABCアルゴリズムの構造（従属蜂フェーズとオンラッカー蜂フェーズを含む）を保持する。
• 計算効率と収束速度を維持するため、ランダム化ステップサイズを局所探索フェーズでのみ適用する。

実験結果

リサーチクエスチョン

• RQ1 Memetic ABCにおけるステップサイズのランダム化は、収束特性と解の品質を向上させることができるか？
• RQ2 提案されたRMABCアルゴリズムは、元のMemetic ABCと比較して、より優れた探索と開拓のバランスを達成できるか？
• RQ3 標準ベンチマーク関数において、RMABCはGABC、HJABC、BSFABC、MABCなどの他のABC変種と比較してどのように性能を発揮するか？
• RQ4 RMABCは、より高い精度と高速な収束性を示しながら、複雑な現実世界の工学的最適化問題を効果的に解けるか？
• RQ5 ランダム化されたステップサイズの使用は、探索プロセスにおける早期収束のリスクを低減するか？

主な発見

• RMABCは、収束速度と解の品質の両面で、MeABC、GABC、HJABC、BSFABC、MABCと比較して、ほぼすべてのテストベンチマーク関数において優れている。
• ランダム化ステップサイズは、探索を犠牲にすることなく、アルゴリズムの局所探索能力を顕著に向上させている。
• 有名な工学的最適化問題において、RMABCは比較されたすべての変種と比較して、より優れた最適解を達成した。
• 提案手法は、複雑性が異なる問題においても強力な性能を示しており、優れた一般化能力を示している。
• 実験結果から、ステップサイズのランダム化が、正確なグローバル解を飛ばすリスクを効果的に軽減することが確認された。
• 複数回の実行において、RMABCの収束行動は、元のMemetic ABCと比較してより安定的で一貫性がある。