[논문 리뷰] A Novel Meta-Heuristic Optimization Algorithm Inspired by the Spread of Viruses

Zhixi Li, Vincent Tam|arXiv (Cornell University)|2020. 06. 11.

Metaheuristic Optimization Algorithms Research참고 문헌 27인용 수 7

한 줄 요약

이 논문은 연속 최적화 문제를 해결하기 위해 바이러스 감염 동역학을 모델링하는 새로운 자연 유도 메타휴리스틱 알고리즘인 바이러스 확산 최적화(VSO)를 제안한다. VSO는 해를 표현하기 위해 바이러스의 라이보핵산(RNA)을 사용하며, 감염, 돌연변이, 회복 작동을 통해 해 공간을 적응적으로 탐색한다. 수입된 감염 메커니즘을 통해 전역 탐색 능력을 향상시키고 조기 수렴을 방지하며, 벤치마크 함수와 금융 포트폴리오 최적화, SVM 초매개변수 튜닝과 같은 실생활 문제에서 최신 기술보다 뛰어난 성능을 보였다.

ABSTRACT

According to the no-free-lunch theorem, there is no single meta-heuristic algorithm that can optimally solve all optimization problems. This motivates many researchers to continuously develop new optimization algorithms. In this paper, a novel nature-inspired meta-heuristic optimization algorithm called virus spread optimization (VSO) is proposed. VSO loosely mimics the spread of viruses among hosts, and can be effectively applied to solving many challenging and continuous optimization problems. We devise a new representation scheme and viral operations that are radically different from previously proposed virus-based optimization algorithms. First, the viral RNA of each host in VSO denotes a potential solution for which different viral operations will help to diversify the searching strategies in order to largely enhance the solution quality. In addition, an imported infection mechanism, inheriting the searched optima from another colony, is introduced to possibly avoid the prematuration of any potential solution in solving complex problems. VSO has an excellent capability to conduct adaptive neighborhood searches around the discovered optima for achieving better solutions. Furthermore, with a flexible infection mechanism, VSO can quickly escape from local optima. To clearly demonstrate both its effectiveness and efficiency, VSO is critically evaluated on a series of well-known benchmark functions. Moreover, VSO is validated on its applicability through two real-world examples including the financial portfolio optimization and optimization of hyper-parameters of support vector machines for classification problems. The results show that VSO has attained superior performance in terms of solution fitness, convergence rate, scalability, reliability, and flexibility when compared to those results of the conventional as well as state-of-the-art meta-heuristic optimization algorithms.

연구 동기 및 목표

• 고규모 및 고신뢰성의 복잡한 연속 최적화 문제를 해결하는 데 있어 기존 메타휴리스틱 알고리즘의 한계를 해결하기 위해.
• 병원체가 숙주 간에 퍼지는 방식을 모방하여 전역 탐색 능력을 향상시키고 조기 수렴을 방지하는 새로운 자연 유도 최적화 프레임워크를 개발하기 위해.
• 국소 최적점과 전역 최적점 주변의 적응형 이웃 탐색을 통해 해 품질과 수렴 속도를 향상시키기 위해.
• 표준 벤치마크 함수와 금융 포트폴리오 최적화, SVM 초매개변수 튜닝과 같은 실생활 응용 분야에서 알고리즘의 효과성을 검증하기 위해.
• 적합도, 수렴 속도, 확장성, 유연성 측면에서 기존 및 최신 기술의 메타휴리스틱 알고리즘보다 VSO가 뛰어난 성능을 보임을 입증하기 위해.

제안 방법

• VSO는 각 숙주를 잠재적 해로 모델링하며, 해 공간 내 해 벡터를 바이러스의 라이보핵산(RNA)으로 표현한다.
• 알고리즘은 감염(해 갱신), 돌연변이(다양성 향상), 회복(해 유지)이라는 세 가지 핵심 작동을 통해 해를 탐색하고 개선한다.
• 수입된 감염 메커니즘을 통해 군집이 다른 군집으로부터 최적점을 이관받을 수 있어 전역 탐색 능력 향상과 조기 수렴 방지를 도모한다.
• VSO는 발견된 국소 최적점과 전역 최적점 주변에서 동적으로 적응형 이웃 탐색을 수행하여 해를 정밀화하고 수렴성을 향상시킨다.
• 유연한 감염 메커니즘을 통해 국소 최적점에서 신속히 탈출하여 해 공간의 다른 영역을 탐색할 수 있도록 한다.
• 기존 바이러스 기반 최적화 접근 방식과 근본적으로 다른 새로운 표현 체계와 바이러스 작동을 도입한다.

실험 결과

연구 질문

• RQ1 바이러스 유도 메타휴리스틱 알고리즘이 고속 수렴성과 높은 해 품질을 갖추고 복잡한 연속 최적화 문제를 효과적으로 해결할 수 있는가?
• RQ2 VSO의 수입된 감염 메커니즘이 표준 메타휴리스틱과 비교해 전역 탐색 능력을 향상시키고 조기 수렴을 방지하는 데 어떻게 기여하는가?
• RQ3 VSO가 표준 CEC 벤치마크 함수에서 PSO, GA, DE와 같은 확립된 알고리즘보다 어느 정도 뛰어난 성능을 보이는가?
• RQ4 VSO는 금융 포트폴리오 최적화 및 SVM 초매개변수 튜닝과 같은 실생활 응용 분야에서 뛰어난 성능을 달성할 수 있는가?
• RQ5 VSO의 적응형 이웃 탐색 전략이 수렴성 향상과 해 신뢰성 향상에 어떻게 기여하는가?

주요 결과

• VSO는 30차원 CEC17 및 CEC18 벤치마크 함수에서 최신 기술보다 뛰어난 적합도와 수렴 속도를 기록했다.
• CEC2018 벤치마크 세트에서 VSO는 하이브리드 및 복합 함수 포함 30개의 모든 테스트 함수에서 뛰어난 확장성과 신뢰성을 보였다.
• 금융 포트폴리오 최적화에서 VSO는 기존 및 메타휴리스틱 방법보다 높은 샤프 레이티오와 낮은 리스크 조정 수익률을 달성했다.
• SVM 초매개변수 튜닝에서 VSO는 여러 UCI 데이터셋에서 PSO 및 DE보다 분류 오차율을 낮추고 모델 일반화 능력을 향상시켰다.
• VSO는 빠른 수렴성과 뛰어난 해 다양성을 보였으며, 특히 탄력적인 감염 및 수입된 감염 메커니즘 덕분에 국소 최적점 탈출 능력이 뛰어났다.
• 다양한 문제 유형, 즉 단모달, 다모달, 이동된 함수를 포함한 전반적인 문제 유형에서 높은 신뢰성과 유연성을 유지했다.