[論文レビュー] Review of Metaheuristics and Generalized Evolutionary Walk Algorithm

Xin‐She Yang|arXiv (Cornell University)|May 18, 2011

Metaheuristic Optimization Algorithms Research参考文献 27被引用数 72

ひとこと要約

本稿は、自然にインspiredされたメタヒューティックスをレビューし、多様性（グローバルな探索）と強化（ローカルな特化）の主要な要素を1つの制御パラメータ α と適応的ステップサイズを用いて統合する、包括的な一般化進化的ウォークアルゴリズム（GEWA）を提案する。GEWAは、既存のアルゴリズムと同等の性能を示し、グローバル最適化のための単純で効果的なフレームワークを提供する。これは、より広範な応用や理論的分析の可能性を秘めている。

ABSTRACT

Metaheuristic algorithms are often nature-inspired, and they are becoming very powerful in solving global optimization problems. More than a dozen of major metaheuristic algorithms have been developed over the last three decades, and there exist even more variants and hybrid of metaheuristics. This paper intends to provide an overview of nature-inspired metaheuristic algorithms, from a brief history to their applications. We try to analyze the main components of these algorithms and how and why they works. Then, we intend to provide a unified view of metaheuristics by proposing a generalized evolutionary walk algorithm (GEWA). Finally, we discuss some of the important open questions.

研究の動機と目的

• 過去30年間に開発された主な自然にインスパイアされたメタヒューティックスアルゴリズムを包括的にレビューすること。
• メタヒューティクス間で共通する要素を特定し、それらを1つのアルゴリズム的フレームワークに統合すること。
• 多様なメタヒューティクスの本質を捉える一般化モデルとして、一般化進化的ウォークアルゴリズム（GEWA）を提案すること。
• 収束性や性能比較といった、メタヒューティクス分析における未解決の理論的課題を浮き彫りにすること。
• より知的で自己適応的かつ生物学的に正確なメタヒューティクスシステムの開発を促進するための今後の研究を刺激すること。

提案手法

• 本稿は、多様性（グローバルな探索）と強化（ローカルな特化）のバランスに注目し、メタヒューティクスのコアな要素を分析する。
• 解の更新が探索と活用のトレードオフを制御する1つのパラメータ α によって支配される包括的モデルとして、一般化進化的ウォークアルゴリズム（GEWA）を導入する。
• GEWAは、適応的ステップサイズを伴うランダムウォークメカニズムを用い、ステップサイズと長さスケールの比は通常 0.001 から 0.01 の間である。
• 最良の解を保持し、最悪の解を置き換えることでエリート主義を組み込み、収束を促進する。
• 微分を一切使用せず、関数評価のみに依存する。連続変数、離散変数、または混合変数の最適化問題に適応可能である。
• GEWAは柔軟性と汎用性を備えており、粒子群最適化（PSO）、差分進化（DE）、ククー・サーチなどのアルゴリズムで観察される挙動を模倣可能である。

実験結果

リサーチクエスチョン

• RQ1 多様なメタヒューティクスアルゴリズムを、1つの包括的フレームワークに統合する方法は何か？
• RQ2 探索と活用のバランスがメタヒューティクスの効率に果たす役割は何か？
• RQ3 確率的要素と決定論的要素を併せ持つメタヒューティクスが、完全に確率的または完全に決定論的な手法を上回る理由は何か？
• RQ4 多くのメタヒューティクスに収束の証明が存在しないにもかかわらず、それらの成功の背後にある数学的基盤は何か？
• RQ5 普遍的に受け入れられた指標が存在しない中で、メタヒューティクス間の性能比較をどのように標準化できるか？

主な発見

• 一般化進化的ウォークアルゴリズム（GEWA）は、粒子群最適化（PSO）や差分進化（DE）といった既存のメタヒューティクスと同等の性能を達成する。
• GEWAの性能は制御パラメータ α に敏感であり、探索と活用の最適なバランスを得るためには 0.25 から 0.7 の範囲でチューニングする必要がある。
• ステップサイズの選定、特に問題の長さスケールに対する比が収束性と効率に顕著な影響を与える。最適な比は通常 0.001 から 0.01 の間である。
• エリート主義と最良解の選択は、GEWAに内蔵されており、明示的なメモリ構造を必要とせずに収束性を向上させる。
• 予備的な結果から、GEWAは他のメタヒューティクスと同等の効率性を示しており、汎用最適化フレームワークとしての可能性が示唆される。
• 実用的な成功は見られるものの、大多数のメタヒューティクスにおいて数学的収束解析は未解決のままであり、これは重要な未解決の研究課題を示している。