[논문 리뷰] ASBSO: An Improved Brain Storm Optimization With Flexible Search Length and Memory-Based Selection

Yang Yu, Shangce Gao외 3명|arXiv (Cornell University)|2021. 01. 27.

Metaheuristic Optimization Algorithms Research참고 문헌 47인용 수 24

한 줄 요약

이 논문은 적응형 스텝 길이와 기억 기반 선택 메커니즘을 통합하여 검색의 유연성, 강건성 및 해의 품질을 향상시키는 개선된 뇌파동 최적화(ASBSO) 알고리즘을 제안한다. 이전 개선 기록을 바탕으로 동적으로 스텝 길이를 선택함으로써, ASBSO는 57개의 벤치마크 함수와 실제 문제에서 표준 BSO 및 $1/5$ 성공 규칙을 능가한다.

ABSTRACT

Brain storm optimization (BSO) is a newly proposed population-based optimization algorithm, which uses a logarithmic sigmoid transfer function to adjust its search range during the convergent process. However, this adjustment only varies with the current iteration number and lacks of flexibility and variety which makes a poor search effciency and robustness of BSO. To alleviate this problem, an adaptive step length structure together with a success memory selection strategy is proposed to be incorporated into BSO. This proposed method, adaptive step length based on memory selection BSO, namely ASBSO, applies multiple step lengths to modify the generation process of new solutions, thus supplying a flexible search according to corresponding problems and convergent periods. The novel memory mechanism, which is capable of evaluating and storing the degree of improvements of solutions, is used to determine the selection possibility of step lengths. A set of 57 benchmark functions are used to test ASBSO's search ability, and four real-world problems are adopted to show its application value. All these test results indicate the remarkable improvement in solution quality, scalability, and robustness of ASBSO.

연구 동기 및 목표

• 단지 반복 기반 스텝 길이 조정에 의존하는 표준 뇌파동 최적화(BSO)의 유연성 부족과 경직된 검색 행동을 해결한다.
• 다양한 수렴 단계에 맞게 조정된 다수의 적응형 스텝 길이를 도입하여 BSO의 탐색과 이용의 균형을 향상시킨다.
• 각 스텝 길이 전략의 향상 정도를 평가하고 저장하는 새로운 기억 메커니즘을 개발한다.
• 적응형 및 기억 기반 검색 전략을 통해 복잡하고 다모드적이며 실제 문제에 대한 BSO의 성능을 향상시킨다.
• 다양한 테스트 함수에서 해의 품질, 수렴 속도 및 강건성 측면에서 ASBSO가 BSO 및 기타 변종보다 뛰어나다는 것을 입증한다.

제안 방법

• 다양한 수렴 단계에서의 탄력적 검색을 가능하게 하기 위해 네 가지 다른 척도 매개변수를 사용하는 다중 스텝 길이 생성 전략을 도입한다.
• 각 스텝 길이 전략이 시간이 지남에 따라 달성한 적합도 향상 정도를 기록하는 기억 기반 선택 메커니즘을 구현한다.
• 저장된 향상 값들을 사용하여 선택 확률을 계산하고, 더 높은 품질의 해를 도출하는 전략을 우선시한다.
• 표준 BSO 프레임워크에 적응형 스텝 길이와 기억 메커니즘을 통합하여 고정된 로그 시그모이드 기반 스텝 길이 조정 방식을 대체한다.
• 집단 분할을 위해 K-means 클러스터링을 적용하고, 표준 BSO와 유사한 적합도 평가 및 선택 과정을 사용하지만, 기억 기반 스텝 길이 선택에 의해 향상된 개체 생성을 수행한다.
• 추가된 복잡성에도 불구하고 전체 시간 복잡도가 여전히 $O(N^2)$로 유지되어 계산 효율성을 유지한다.

실험 결과

연구 질문

• RQ1 적응형 스텝 길이 메커니즘이 뇌파동 최적화의 검색의 유연성과 수렴 성능을 향상시킬 수 있는가?
• RQ2 고정 또는 무작위 선택과 비교해 기억 기반의 스텝 길이 선택 전략이 더 나은 해의 품질과 강건성을 제공하는가?
• RQ3 다양한 벤치마크 함수에서 ASBSO는 표준 BSO 및 $1/5$ 성공 규칙에 비해 해의 품질과 수렴 속도 측면에서 어떻게 비교되는가?
• RQ4 ASBSO는 합성 벤치마크를 넘어서 실제 문제 최적화에서 높은 성능을 유지할 수 있는가?
• RQ5 제안된 기억 메커니즘은 반복 과정에서 높은 성능을 내는 스텝 길이 전략을 효과적으로 식별하고 우선시하는가?

주요 결과

• ASBSO는 CEC’13 및 CEC’17의 57개의 벤치마크 함수에서 표준 BSO를 뚜렷이 능가하여 더 뛰어난 해의 품질과 수렴 속도를 달성한다.
• ASBSO와 BSO의 $1/5$ 성공 규칙 간 비교에서 Wilcoxon 부호 순위 검정 결과 p-value < 0.01을 기록하여 제안된 적응형 스텝 길이 메커니즘이 통계적으로 뛰어나다는 것을 입증한다.
• 기억 기반 선택 메커니즘(IMS)은 CEC’13 함수에서 특히 표준 적합도 기반 기억 선택(SFMS)보다 뚜렷이 뛰어난 성능을 보인다.
• 추가된 기억 및 스텝 길이 계산에도 불구하고 동일한 $O(N^2)$ 시간 복잡도를 유지하여 계산 효율성은 경쟁 수준을 유지한다.
• CEC’11의 실제 문제에서 ASBSO는 합성 테스트 함수를 넘어서도 뛰어난 성능을 보이며 실용적 적용 가능성을 확인한다.
• 제안된 방법은 이전 개선 데이터를 바탕으로 스텝 길이를 동적으로 조정함으로써 탐색과 이용을 모두 향상시켜 다양한 문제 유형에서 강건성을 향상시킨다.