[논문 리뷰] A Modification of Particle Swarm Optimization using Random Walk

Rajesh Misra, Kumar S. Ray|arXiv (Cornell University)|2017. 11. 16.

Metaheuristic Optimization Algorithms Research참고 문헌 11인용 수 3

한 줄 요약

이 논문은 전통적인 속도 기반 업데이트를 제약 조건이 있는 편향된 랜덤 워크 메커니즘으로 대체하는 새로운 파티클 스 warm 최적화(PSO)의 변종을 제안한다. 확률적 파rameter K를 도입하고 전역 최적값(gBest) 및 局소 최적값(lBest) 위치와 관성 가중치에 의존하지 않음으로써, 고전적 PSO 및 QPSO에 비해 더 빠른 수렴 속도와 더 나은 성능을 보이며 벤치마크 함수에서 성능 향상을 달성한다.

ABSTRACT

Particle swarm optimization comes under lot of changes after James Kennedy and Russell Eberhart first proposes the idea in 1995. The changes has been done mainly on Inertia parameters in velocity updating equation so that the convergence rate will be higher. We are proposing a novel approach where particles movement will not be depend on its velocity rather it will be decided by constrained biased random walk of particles. In random walk every particles movement based on two significant parameters, one is random process like toss of a coin and other is how much displacement a particle should have. In our approach we exploit this idea by performing a biased random operation and based on the outcome of that random operation, PSO particles choose the direction of the path and move non-uniformly into the solution space. This constrained, non-uniform movement helps the random walking particle to converge quicker then classical PSO. In our constrained biased random walking approach, we no longer needed velocity term (Vi), rather we introduce a new parameter (K) which is a probabilistic function. No global best particle (PGbest), local best particle (PLbest), Constriction parameter (W) are required rather we use a new term called Ptarg which is loosely influenced by PGbest.We test our algorithm on five different benchmark functions, and also compare its performance with classical PSO and Quantum Particle Swarm Optimization (QPSO).This new approach have been shown significantly better than basic PSO and sometime outperform QPSO in terms of convergence, search space, number of iterations.

연구 동기 및 목표

• 고전적 PSO에서 느린 수렴과 조기 수렴 문제를 해결하기 위해 입자 운동 역학을 재정의하기 위해.
• PSO에서 속도 항, 전역 최적값(gBest), 국소 최적값(lBest), 관성 가중치 파라미터에 대한 의존성을 제거하기 위해.
• 편향된 랜덤 워크 기반의 새로운 확률적 이동 메커니즘을 통해 검색 효율성과 해의 품질을 향상시키기 위해.
• 표준 벤치마크 함수에서 제안된 방법을 고전적 PSO 및 양자 PSO(QPSO)와 비교 검증하기 위해.

제안 방법

• 입자는 속도 기반 업데이트 대신 제약 조건이 있는 편향된 랜덤 워크를 통해 이동하며, 이는 확률적 파라미터 K에 의해 지배된다.
• 이동의 방향과 크기는 편향된 랜덤 과정에 의해 결정되며, 해의 공간을 비균일하게 탐색하는 것을 시뮬레이션한다.
• gBest 및 lBest를 대체하기 위해 새로운 목표 위치 항 Ptarg 가 도입되며, 이는 입자의 적합도에 따라 약간의 영향을 받는다.
• 속도 업데이트 식과 관성 가중치(W)를 폐기함으로써, 이러한 파rameter의 튜닝이 필요 없어진다.
• 방향성 있는 탐색을 보장하기 위해 랜덤 워크가 제약 조건이 있다.
• 알고리즘은 이동의 편향을 제어하기 위해 확률적 함수 K를 사용하여, 속도 추적 없이도 적응형 탐색이 가능하도록 한다.

실험 결과

연구 질문

• RQ1 랜덤 워크 메커니즘에 기반한 PSO 변종이 고전적 PSO보다 수렴 속도와 해의 품질 측면에서 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 속도 및 관성 파rameter를 제거함으로써 최적화 성능과 안정성이 향상되는가?
• RQ3 수렴 속도와 해의 공간 커버리지 측면에서 제안된 방법이 QPSO에 비해 어떻게 비교되는가?
• RQ4 제약 조건이 있는 편향된 랜덤 워크가 전역 최적화에서 탐색과 이용의 균형을 효과적으로 유지할 수 있는가?
• RQ5 gBest 및 lBest를 확률적 목표 항 Ptarg 로 대체함으로써 알고리즘 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 테스트된 다섯 개의 모든 벤치마크 함수에서 고전적 PSO보다 유의미하게 더 빠른 수렴 속도를 달성했다.
• 일부 벤치마크 함수에서 알고리즘이 수렴 속도와 해의 정확도 측면에서 QPSO를 뛰어넘었다.
• 속도 및 관성 파rameter의 제거로 알고리즘이 단순화되었으며, 성능은 유지되거나 향상되었다.
• 제약 조건이 있는 편향된 랜덤 워크는 해의 공간 탐색을 더 효과적으로 가능하게 하여 정체를 줄였다.
• W나 gBest와 같은 주요 PSO 파rameter의 수동 튜닝이 필요 없이도 강건한 성능을 보였다.
• 정량적 결과는 고전적 PSO 및 QPSO에 비해 최적 또는 근접 최적 해에 도달하는 데 필요한 반복 횟수가 감소한 것으로 나타났다.