[논문 리뷰] BSAS: Beetle Swarm Antennae Search Algorithm for Optimization Problems

Jiangyu Wang, Huanxin Chen|arXiv (Cornell University)|2018. 07. 27.

Metaheuristic Optimization Algorithms Research참고 문헌 4인용 수 47

한 줄 요약

BSAS는 벌레 떼를 사용하고 피드백 기반의 스텝 크기 업데이트를 통해 무작위 방향 의존성을 줄여 전역 최적화를 개선하고 RC 모델 매개변수 추정에서의 글로벌 최적화 성능을 향상시킵니다.

ABSTRACT

Beetle antennae search (BAS) is an efficient meta-heuristic algorithm. However, the convergent results of BAS rely heavily on the random beetle direction in every iterations. More specifically, different random seeds may cause different optimized results. Besides, the step-size update algorithm of BAS cannot guarantee objective become smaller in iterative process. In order to solve these problems, this paper proposes Beetle Swarm Antennae Search Algorithm (BSAS) which combines swarm intelligence algorithm with feedback-based step-size update strategy. BSAS employs k beetles to find more optimal position in each moving rather than one beetle. The step-size updates only when k beetles return without better choices. Experiments are carried out on building system identification. The results reveal the efficacy of the BSAS algorithm to avoid influence of random direction of Beetle. In addition, the estimation errors decrease as the beetles number goes up.

연구 동기 및 목표

• 해석적 해가 존재하지 않는 복잡한 최적화 문제에서 메타휴리스틱의 활용을 고무한다.
• 무작위 탐색 방향과 고정된 스텝 크기 감소와 관련된 BAS의 한계를 식별한다.
• 군집 탐색과 피드백 기반 업데이트를 통합하여 BSAS를 제안한다.
• 모델이 집약된 RC 건물 모델의 매개변수 추정에서 BSAS의 효과를 입증한다.

제안 방법

• 다음 반복에서 여러 방향을 탐색하기 위해 k마리의 벌레를 도입한다.
• BAS와 같이 각 벌레에 대해 후보 위치를 찾기 위해 두 빔 안테나 탐색을 적용한다.
• 무리에서 더 나은 해가 발견되었을 때만 위치와 스텝 크기를 업데이트하는 피드백 기반 규칙을 사용한다.
• 더 나은 해가 발견되지 않은 경우 스텝 크기와 감지 길이가 업데이트되는지 여부를 결정하는 확률 p_delta를 도입한다.
• 업데이트가 발생할 때 d^t와 delta^t 업데이트 규칙은 감소 함수(논문의 식 3 및 4)에 따른다.
• MAE를 목표 지표로 사용하여 RC 모델 매개변수 식별에서 BSAS를 BAS와 평가 및 비교한다.

실험 결과

연구 질문

• RQ1 BSAS가 BAS에 비해 무작위 벌레 방향에 대한 민감도를 감소시키는가?
• RQ2 벌레 수 k를 증가시키면 수렴 및 해의 품질에 어떤 영향을 미치는가?
• RQ3 높은 차원의 RC 모델에 대해 BAS보다 BSAS가 더 robust한 매개변수 추정치를 제공할 수 있는가?
• RQ4 피드백 기반 업데이트 전략이 국소 최적해 회피에 미치는 영향은 무엇인가?

주요 결과

• BSAS는 무작위 탐색 방향에 대한 의존도를 줄여 BAS보다 더 안정적인 최적화를 제공한다.
• 벌레 떼 크기 k를 늘리면 MAE 결과의 분포가 더 촘촘해지고 평균 MAE가 낮아진다.
• k=1인 경우에도 BSAS가 BAS를 능가하여 피드백 기반 스텝 사이즈 전략의 이점을 강조한다.
• 다수의 실험에서 RC 모델에 대한 매개변수 추정이 BAS보다 개선된 BSAS를 보여준다.
• 제안된 접근법은 고차원 문제에서 국소 최적해로의 조기 수렴을 완화한다.