[논문 리뷰] Bio-inspired Optimization: metaheuristic algorithms for optimization

Pravin S. Game, Vinod Vaze외 1명|arXiv (Cornell University)|2020. 02. 24.

Metaheuristic Optimization Algorithms Research참고 문헌 64인용 수 13

한 줄 요약

이 논문은 진화, 군집 행동, 번식 행동과 같은 자연 현상에서 영감을 얻은 생물학적으로 유도된 메타휴리스틱 최적화 알고리즘에 대한 종합적인 개요를 제시한다. 복잡한 실세계 최적화 문제를 해결하는 데 있어 그 기작, 분류 및 적용 사례를 설명하며, 局부 최적해에서 벗어나 효율적으로 전역 최적해를 찾을 수 있는 능력을 강조한다.

ABSTRACT

In today's day and time solving real-world complex problems has become fundamentally vital and critical task. Many of these are combinatorial problems, where optimal solutions are sought rather than exact solutions. Traditional optimization methods are found to be effective for small scale problems. However, for real-world large scale problems, traditional methods either do not scale up or fail to obtain optimal solutions or they end-up giving solutions after a long running time. Even earlier artificial intelligence based techniques used to solve these problems could not give acceptable results. However, last two decades have seen many new methods in AI based on the characteristics and behaviors of the living organisms in the nature which are categorized as bio-inspired or nature inspired optimization algorithms. These methods, are also termed meta-heuristic optimization methods, have been proved theoretically and implemented using simulation as well used to create many useful applications. They have been used extensively to solve many industrial and engineering complex problems due to being easy to understand, flexible, simple to adapt to the problem at hand and most importantly their ability to come out of local optima traps. This local optima avoidance property helps in finding global optimal solutions. This paper is aimed at understanding how nature has inspired many optimization algorithms, basic categorization of them, major bio-inspired optimization algorithms invented in recent time with their applications.

연구 동기 및 목표

• 자연 생물학적 과정이 메타휴리스틱 최적화 알고리즘 설계에 어떻게 영향을 주는지 분석하기.
• 최근 수십 년 간 개발된 주요 생물학적으로 유도된 최적화 알고리즘을 분류하기.
• 이러한 알고리즘이 대규모이고 복잡한 최적화 문제를 해결하는 데 있어 이론적 및 실용적 효과성을 검토하기.
• 특히 局부 최적해를 피하는 데서 전통적 최적화 방법에 비해 가지는 장점들을 부각하기.
• 이 알고리즘이 공학 및 산업 분야 전반에 걸쳐 널리 적용 가능한지를 보여주기.

제안 방법

• 진화 과정, 군집 지능, 번식 행동과 같은 생물학적 영감을 바탕으로 메타휴리스틱 알고리즘을 검토하고 분류한다.
• 메타휴리스틱이 복잡한 해 공간에서의 탐색 과정을 이끄는 고수준 전략으로서의 개념적 프레임워크를 논의한다.
• 자연 유도 알고리즘에서의 선택, 변이, 교배, 국소 탐색 기법 등의 알고리즘 구성 요소를 분석한다.
• 모의 실험 기반 추론과 사례 연구를 통해 알고리즘의 행동 양상과 수렴 성질을 설명한다.
• 정확한 도함수 정보가 필요 없이 다양한 문제 구조에 유연하고 적응 가능하게 적용 가능한 점을 강조한다.
• 연구는 공개된 시뮬레이션 결과와 실제 구현 사례를 바탕으로 하여 이러한 방법의 강건성과 확장성 검증한다.

실험 결과

연구 질문

• RQ1 자연 생물학적 과정은 메타휴리스틱 최적화 알고리즘 설계에 어떻게 영향을 주는가?
• RQ2 생물학적으로 유도된 최적화 프레임워크 내에서 주요 분류와 대표적인 알고리즘은 무엇인가?
• RQ3 이러한 알고리즘은 대규모 및 복잡한 문제 영역에서 전통적 최적화 기법보다 어떻게 뛰어나게 작용하는가?
• RQ4 생물학적으로 유도된 알고리즘이 어떻게 局부 최적해에서 벗어나 전역 최적해로 수렴하는가?
• RQ5 이러한 알고리즘의 주요 산업 및 공학 분야 응용은 무엇인가?

주요 결과

• 생물학적으로 유도된 메타휴리스틱 알고리즘은 기존 방법이 실패하거나 확장성 문제가 발생하는 대규모 조합 최적화 문제를 효과적으로 해결한다.
• 이 알고리즘들은 확률적 탐색과 적응형 탐색 기법 덕분에 局부 최적해를 효과적으로 피하는 데 뛰어난 성능을 보인다.
• 논문은 자연에서 영감을 얻은 알고리즘이 탄력적이고 구현이 쉽고 정확한 수학적 모델이 필요 없이 다양한 문제 유형에 적응 가능하다는 점을 확인한다.
• 시뮬레이션과 실제 응용 사례에서 이러한 방법이 합리적인 시간 내에 근사 최적해 또는 최적해에 도달하는 것으로 나타났다.
• 이 방법은 공학 설계, 스케줄링, 네트워크 최적화 등 다양한 분야에 성공적으로 적용되었다.
• 연구는 생물학적 행동을 기반으로 한 메타휴리스틱이 복잡한 최적화 과제에서 정확한 방법과 전통적 휴리스틱 방법에 대한 강력한 대안을 제공한다는 점을 입증한다.