[논문 리뷰] Duck swarm algorithm: theory, numerical optimization, and applications

Mengjian Zhang, Guihua Wen|arXiv (Cornell University)|2021. 12. 27.

Metaheuristic Optimization Algorithms Research참고 문헌 68인용 수 6

한 줄 요약

이 논문은 오리 무리의 사냥 및 먹이 탐색 행동을 영감으로 삼아 새로운 메타휴리스틱 최적화 알고리즘인 도드 스웜 알고리즘(DSA)을 제안한다. 탐색과 이용 단계를 모델링하기 위해 두 가지 행동 규칙을 사용하며, PSO, GWO, FA, CSO, SCA, MPA, AOA와 비교해 CEC 기준 함수와 공학 최적화 문제에서 뛰어난 수렴 속도와 균형을 보여준다.

ABSTRACT

A swarm intelligence-based optimization algorithm, named Duck Swarm Algorithm (DSA), is proposed in this study, which is inspired by the searching for food sources and foraging behaviors of the duck swarm. Two rules are modeled from the finding food and foraging of the duck, which corresponds to the exploration and exploitation phases of the proposed DSA, respectively. The performance of the DSA is verified by using multiple CEC benchmark functions, where its statistical (best, mean, standard deviation, and average running-time) results are compared with seven well-known algorithms like Particle swarm optimization (PSO), Firefly algorithm (FA), Chicken swarm optimization (CSO), Grey wolf optimizer (GWO), Sine cosine algorithm (SCA), and Marine-predators algorithm (MPA), and Archimedes optimization algorithm (AOA). Moreover, the Wilcoxon rank-sum test, Friedman test, and convergence curves of the comparison results are utilized to prove the superiority of the DSA against other algorithms. The results demonstrate that DSA is a high-performance optimization method in terms of convergence speed and exploration-exploitation balance for solving the numerical optimization problems. Also, DSA is applied for the optimal design of six engineering constrained optimization problems and the node optimization deployment task of the Wireless Sensor Network (WSN). Overall, the comparison results revealed that the DSA is a promising and very competitive algorithm for solving different optimization problems.

연구 동기 및 목표

• 오리의 사냥 행동을 기반으로 한 새로운 천연 유도 최적화 알고리즘을 개발하기 위해.
• 메타휴리스틱 최적화에서 탐색과 이용의 균형을 맞추는 과제를 해결하기 위해.
• DSA의 성능을 표준 수치 최적화 기준 함수와 실제 공학 문제에서 평가하기 위해.
• 수렴 속도와 해의 품질 측면에서 DSA를 PSO, GWO, FA, CSO, SCA, MPA, AOA와 비교하기 위해.

제안 방법

• DSA는 오리 무리의 사냥 행동에서 관찰된 두 가지 핵심 행동을 모델링한다: 먹이 원천 쪽으로의 집단 이동(이용)과 탐색 중의 무작위 산산이 흩어짐(탐색).
• 탐색은 산만한 사냥을 모방하는 무작위 이동 메커니즘에 의해 주도되며, 이용은 발견된 최고의 해 쪽으로의 사회적 유인 메커니즘을 사용한다.
• 알고리즘은 반복 과정에서 탐색과 이용의 균형을 동적으로 조정하는 전략을 사용한다.
• 적합도 기반 선택 메커니즘이 글로벌 최고 위치 갱신을 이끌며, 오리 무리의 지도력 구조를 모방한다.
• 조기 정체를 방지하기 위해 수렴 제어 메커니즘을 통합한다.
• DSA는 CEC 기준 함수를 사용해 검증되었으며, 6개의 제약 조건이 있는 공학 최적화 문제와 무선 센서 네트워크(WSN) 노드 배치 작업에 적용되었다.

실험 결과

연구 질문

• RQ1 오리 사냥 행동을 영감으로 삼은 새로운 메타휴리스틱 알고리즘이 기존 알고리즘보다 더 나은 수렴과 탐색-이용 균형을 달성할 수 있는가?
• RQ2 DSA는 PSO, GWO, FA, CSO, SCA, MPA, AOA와 비교해 표준 CEC 기준 함수에서 어떻게 성능을 내는가?
• RQ3 DSA는 실제 제약 조건이 있는 공학 최적화 문제를 효과적으로 해결할 수 있는가?
• RQ4 DSA는 WSN 노드 배치와 같은 복잡한 최적화 과제에서 강건성과 효율성을 보여주는가?
• RQ5 DSA가 평균, 최고값, 표준편차 및 실행 시간 측면에서 다른 알고리즘보다 뛰어나다는 통계적 증거는 무엇인가?

주요 결과

• DSA는 30개의 CEC 기준 함수 중 22개에서 최고의 평균값과 최고값을 기록하여 다양한 시험 케이스에서 뛰어난 성능을 보였다.
• 윌코크슨 순위합 검정과 프리드먼 검정을 통해 DSA가 해의 품질과 일관성 측면에서 모든 비교 알고리즘을 유의미하게 뛰어넘는 것으로 확인되었다.
• 수렴 곡선을 통해 대부분의 기준 함수에서 DSA가 PSO, GWO, FA, CSO, SCA, MPA, AOA보다 더 빠른 수렴 속도를 보였다.
• 공학 최적화 과제에서는 벤치마크 알고리즘과 비교해 경쟁력 있거나 뛰어난 해를 제공하여 실용적 적용 가능성을 입증했다.
• 알고리즘이 조기에 수렴을 피하면서도 글로벌 최적해로의 빠른 수렴을 유지하는 강력한 탐색-이용 균형을 보였다.
• WSN 노드 배치 과제에서 DSA는 최적 또는 근접 최적의 결과를 달성하여 실제 네트워크 최적화에서의 효과성을 입증했다.