[論文レビュー] The Plant Propagation Algorithm: Modifications and Implementation

Muhammad Sulaiman, Abdellah Salhi+1 more|arXiv (Cornell University)|Dec 13, 2014

Metaheuristic Optimization Algorithms Research参考文献 18被引用数 7

ひとこと要約

本稿では、イチゴの植物の自然な増殖を模倣した、高次元連続最適化における性能を向上させる改良型プラントプロパゲーションアルゴリズム（MPPA）を提案する。長距離および短距離のランナーを用いた解の生成方法を変更することで、探索と開拓のバランスを図り、MPPAはベンチマーク関数において、人工蜂群（ABC）およびその改良版（MABC）を上回り、高次元における優れた収束性と頑健性を示した。

ABSTRACT

The Plant Propagation Algorithm, epitomised by the Strawberry Algorithm, has been previously successfully tested on low dimensional continuous optimisation problems. It is a neighborhood search algorithm. In this paper, we introduce, robust and efficient version of the algorithm and explain how it can be implemented to compete with one of the best available alternatives, namely the Artificial Bee Colony algorithm and we present an improved and more effective variant on standard continuous optimisation test problem instances in high dimensions. Computational and comparative results are included.

研究の動機と目的

• 高次元連続問題に適した、頑健で効率的かつ実装が簡単な自然由来最適化アルゴリズムの開発。
• 探索と開拓のバランスを向上させるために、元のプラントプロパゲーションアルゴリズム（PPA）の解生成メカニズムを精緻化すること。
• MPPAを、ABCやMABCといった既存のアルゴリズムと比較するため、高次元ベンチマーク関数の包括的セットを用いてテストすること。
• 複雑で多峰的かつ非分離的な最適化問題において、性能を維持または向上させながら、任意のパrameter数を削減すること。
• MPPAを、グローバル最適化分野における最先端メタヒューリスティクスと競合可能な代替手法として確立すること。

提案手法

• アルゴリズムは植物の増殖を模倣する：優れた品質の植物（解）は多数の短ランナー（局所探索）を発生させ、開拓を図る。劣る品質の植物は少数の長ランナー（グローバル探索）を発生させ、探索を強化する。
• MPPAは、ランナーの末端に新しい解を生成するための修正式（5–7）を導入し、探索効率と収束性を向上させた。
• 集団サイズ（NP）、最大世代数（g_max）、1植物あたりの最大ランナーナンバー（n_max）が主な制御パrameterである。
• 解は目的関数を用いて評価され、最良の解は世代を経て繰り返し更新される。
• アルゴリズムは、適応的探索を統合した近隣探索を組み込み、生物学的増殖戦略を模倣している。
• 標準的なCECベンチマーク関数を用いた比較実験が、次元30、60、100で実施された。

実験結果

リサーチクエスチョン

• RQ1 改良型プラントプロパゲーションアルゴリズムは、ABC や MABC といった既存のメタヒューリスティクスを高次元最適化で上回ることができるか？
• RQ2 MPPAの短ランナーや長ランナーの適応的使用は、収束性と解の質にどのように影響するか？
• RQ3 MPPAは、頑健性を維持しながら、任意のパrameter数をどの程度削減できるか？
• RQ4 MPPAは、多峰的および非分離関数において高次元で優れた性能を発揮するか？
• RQ5 多様なベンチマーク関数において、MPPAの平均値と標準偏差はどのように比較されるか？

主な発見

• CEC 2013ベンチマークスイートにおいて、MPPAはすべての次元（30、60、100）で関数F15、F16、F17、F18についてグローバル最適解（0.0）を達成し、複数回の実行において標準偏差がゼロであった。
• F15（Rosenbrock）では、MPPAはすべての次元で平均値0.0、標準偏差0.0を達成し、ABCおよびMABCを上回った。
• F16（Sphere）では、MPPAはすべての次元で平均0.0、標準偏差0.0を達成し、完全な収束を示した。
• F17（Rosenbrock）では、MPPAはすべての次元で平均0.0、標準偏差0.0を達成し、一貫したグローバル最適性を示した。
• F18（Sphere）では、MPPAはすべての次元で平均0.0、標準偏差0.0を達成し、頑健な性能を確認した。
• 一方、ABCおよびMABCは、特に高次元において、より高い平均値と非ゼロの標準偏差を示した。