[논문 리뷰] A novel metaheuristic method for solving constrained engineering optimization problems: Drone Squadron Optimization

Vinícius Veloso de Melo|arXiv (Cornell University)|2017. 08. 04.

Metaheuristic Optimization Algorithms Research참고 문헌 13인용 수 4

한 줄 요약

이 논문은 제약 조건이 있는 공 ing 설계 최적화 문제를 해결하기 위해 자체 적응형 메타휴리스틱인 드론 스쿼드 최적화(DSO)를 소개한다. 사망 페널티 제약 처리 기법을 사용하여, 많은 기존 메타휴리스틱보다 적은 함수 평가 횟수로 세 가지 벤치마크 문제—용접 보, 압력 용기, 삼각 트러스—에 대해 최고의 알려진 해를 달성한다.

ABSTRACT

Several constrained optimization problems have been adequately solved over the years thanks to advances in the metaheuristics area. In this paper, we evaluate a novel self-adaptive and auto-constructive metaheuristic called Drone Squadron Optimization (DSO) in solving constrained engineering design problems. This paper evaluates DSO with death penalty on three widely tested engineering design problems. Results show that the proposed approach is competitive with some very popular metaheuristics.

연구 동기 및 목표

• 제약 조건이 있는 공학 설계 문제에서 새로운 자체 적응형 메타휴리스틱인 드론 스쿼드 최적화(DSO)의 성능을 평가하기 위해.
• 간단한 사망 페널티 제약 처리 기법을 사용하고 있음에도 불구하고, 잘 알려진 메타휴리스틱과 비교해 경쟁적인 성능을 낼 수 있는지 조사하기 위해.
• 제한된 함수 평가 횟수로의 벤치마크 문제에서 DSO의 성능을 평가하여 효율성과 해 품질을 강조하기 위해.
• 공학 최적화에서 천연 기반 알고리즘의 대안으로 자동차 기반 메타휴리스틱의 잠재력을 탐색하기 위해.
• 평균 해 품질의 한계를 특정하고 향후 연구에서 개선된 제약 처리를 통한 향상 방안을 제안하기 위해.

제안 방법

• DSO는 최적화 과정 중에 드론 펌웨어(편미네 함수)를 동적으로 업데이트하는 명령 센터를 사용하여 검색 환경에 적응한다.
• 알고리즘은 반자율 드론을 사용하며, 각 드론은 후보 해를 나타낸다.
• 각 드론 팀은 이동 전략을 정의하는 펌웨어를 공유하며, 이는 명령 센터의 성능 피드백에 기반해 진화된다.
• 편미네 함수는 실행 가능한 소스 코드로 구현되어 있어 런타임 중 검색 행동을 진화시킬 수 있다.
• 사망 페널티 기법이 적용된다: 비가능한 해는 `realmax`(1.79769313486232e+308)의 함수 값으로 할당되어 고려에서 제외된다.
• 알고리즘은 고정된 함수 평가 횟수(용접 보와 압력 용기의 경우 30,000회, 삼각 트러스의 경우 3,000회)로 50회의 독립 실행을 수행한다.

실험 결과

연구 질문

• RQ1 DSO는 제약 처리에 단지 사망 페널티만 사용하여 제약 조건이 있는 공학 최적화 문제에서 경쟁적인 성능을 낼 수 있는가?
• RQ2 ABC, CSA, PSO-DE, GA와 같은 기존 메타휴리스틱과 비교해 DSO의 최적 해와 평균 해 품질은 어떠한가?
• RQ3 DSO에서 편미네 함수의 자체 적응형 진화는 복잡한 검색 환경에서 빠른 수렴 또는 더 높은 타당성을 이끌어내는가?
• RQ4 DSO의 평균 해 품질이 최고 결과에 비해 뒤처지는 이유는 무엇이며, 간단한 페널티 기법이 이 결과에 어떤 역할을 하는가?
• RQ5 자기차 기반 메타휴리스틱인 DSO는 공학 설계 최적화에서 천연 기반 알고리즘보다 뛰어난 성능을 낼 수 있는가?

주요 결과

• DSO는 30,000회의 함수 평가로 용접 보 문제의 최고 알려진 해(1.72485230859736)를 달성하여 CSA와 동일한 최고 결과를 기록했으며, ABC와 PSO-DE를 능가했다.
• 압력 용기 문제에서는 30,000회의 평가로 최고 알려진 해 5885.3332019268을 확보하여 ABC와 PSO-DE의 최고 해 품질을 뛰어넘었다.
• 삼각 트러스 문제에서는 3,000회의 평가로 최고 알려진 해 263.895843376498을 달성하여 GA와 ABC보다 뛰어났으며, 후자는 결과를 보고하지 않았다.
• 강력한 최고 결과에도 불구하고, DSO의 평균 해 품질은 일부 경쟁자보다 열 劣, 이는 평가 횟수가 적고 단순한 사망 페널티 기법을 사용하기 때문일 것이다.
• DSO는 자신의 검색 전략을 진화시킬 수 있었으며, 매우 적은 함수 평가 횟수로도 높은 성능을 달성하여 강력한 적응성과 효율성을 보였다.
• 결과는 DSO의 자체 적응형 펌웨어 진화가 간단한 제약 처리 접근 방식을 사용함에도 불구하고 복잡한 제약 조건이 있는 검색 공간을 효과적으로 탐색하는 데에 효과적임을 시사한다.