[논문 리뷰] Cuckoo Search via Levy Flights

Xin‐She Yang, Suash Deb외 3명|arXiv (Cornell University)|2010. 03. 08.

Diffusion and Search Dynamics참고 문헌 9인용 수 295

한 줄 요약

이 논문은 특정 쿠크루 종의 난소기생 행동과 새 및 곤충의 레비 비행 행동을 모방한 새로운 메타휴리스틱 최적화 알고리즘인 쿠크루 서치(Cuckoo Search, CS)를 소개한다. 레비 비행을 통한 전역 탐색과 호스트-농장 선택 메커니즘을 통한 국소 집중화를 조합함으로써, CS는 기존의 유전 알고리즘(GA)과 입자 군집 최적화(PSO)보다 더 빠른 수렴 속도와 높은 성공률을 보이며, 특히 조정 가능한 파rameter 수가 적은 다모드 최적화 문제에서 뛰어난 성능을 발휘한다.

ABSTRACT

In this paper, we intend to formulate a new metaheuristic algorithm, called Cuckoo Search (CS), for solving optimization problems. This algorithm is based on the obligate brood parasitic behaviour of some cuckoo species in combination with the Levy flight behaviour of some birds and fruit flies. We validate the proposed algorithm against test functions and then compare its performance with those of genetic algorithms and particle swarm optimization. Finally, we discuss the implication of the results and suggestion for further research.

연구 동기 및 목표

• 복잡한 최적화 문제를 해결하기 위한 새로운 천연 기반 메타휴리스틱 알고리즘을 개발하기 위해.
• 쿠쿠의 난소기생 행동과 레비 비행 역학을 통합하여 탐색 효율을 향상시키기 위해.
• 기존 알고리즘인 PSO와 GA와 비교해 제어 파rameter 수를 줄이기 위해.
• 표준 다모드 테스트 함수에서 알고리즘 성능을 검증하기 위해.
• 다양한 최적화 환경에서 강건성과 더 빠른 수렴성을 입증하기 위해.

제안 방법

• 알고리즘은 세 가지 이상화된 규칙을 사용한다: 각 쿠크루가 무작위로 선택된 호스트 농장에 한 개의 난자(새로운 해)를 낳으며, 가장 좋은 농장이 다음 세대에 생존하고, 일부 열악한 농장은 새로운 무작위 해로 교체된다.
• 새로운 해는 확률적 방정식 x(t+1)_i = x(t)_i + α ⊕ Lévy(λ)를 사용해 레비 비행을 통해 생성되며, 여기서 α는 스텝 크기이고 ⊕는 요소별 곱셈을 나타낸다.
• 레비 비행의 스텝 길이는 무거운 尾 꼬리의 멱법칙 분포(t−λ, 1 < λ ≤ 3)를 따르며, 이는 전역 탐색을 위한 장거리 점프와 국소 정밀화를 위한 짧은 스텝을 모두 가능하게 한다.
• 알고리즘은 고정된 n개의 농장 인구를 유지하며, 최상의 해는 엘리트 선택 메커니즘을 통해 보존된다.
• 발견 확률 pa는 열악한 품질의 농장을 교체하는 데 영향을 주며, 탐색과 탐색의 균형을 조절한다.
• 각 해의 적합도는 목적 함수 값에 기반하여 평가되며, 더 높은 값일수록 더 좋은 해를 의미한다.

실험 결과

연구 질문

• RQ1 쿠쿠의 난소기생 행동과 레비 비행 행동을 모방한 메타휴리스틱 알고리즘이 PSO와 GA와 같은 기존 알고리즘보다 전역 최적화에서 뛰어난 성능을 보일 수 있는가?
• RQ2 레비 비행의 통합이 탐색 및 탐색 균형 조절 과정에서 어떻게 향상되는가?
• RQ3 발견 확률 pa는 알고리즘의 수렴성과 강건성에 어떤 영향을 미치는가?
• RQ4 CS의 제어 파rameter 수는 PSO와 GA와 비교해 어떻게 되며, 이는 알고리즘 튜닝과 일반화에 어떤 영향을 미치는가?
• RQ5 CS는 복잡한 지형을 가진 다모드 테스트 함수에서 더 빠른 수렴 속도와 더 높은 성공률을 달성하는가?

주요 결과

• 쿠크루 서치는 테스트한 10개의 기준 함수 전부에서 전역 최적해를 찾는 데 100%의 성공률를 기록했으며, PSO와 GA를 크게 앞서는 성능을 보였다.
• Michalewicz 함수(d=16)에서 CS는 평균적으로 3,221 ± 519회 함수 평가만으로도 충분했고, PSO는 6,922 ± 537회, GA는 89,325 ± 7,914회가 필요했다.
• De Jong의 함수(d=256)에서 CS는 전역 최소값을 4,971 ± 754회 평가로 100% 성공률로 찾았으며, PSO는 17,040 ± 1,123회, GA는 25,412 ± 1,237회가 필요했다.
• Griewank의 함수에서 CS는 10,912 ± 4,050회 평가로 100% 성공률를 달성했고, PSO는 55,970 ± 4,223회, GA는 70,925 ± 7,652회가 필요했다.
• 알고리즘이 발견 확률 pa에 민감하지 않아, 다양한 문제에서 정밀 조정 없이도 강건한 성능을 보였다.
• 특히 고차원 및 다모드 함수인 Rastrigin의 함수와 Schwefel의 함수에서 CS는 더 빠른 수렴 속도와 높은 효율성을 보였다.