[논문 리뷰] Egret Swarm Optimization Algorithm: An Evolutionary Computation Approach for Model Free Optimization

Zuyan Chen, Adam Francis외 3명|arXiv (Cornell University)|2022. 07. 29.

Metaheuristic Optimization Algorithms Research인용 수 4

한 줄 요약

이 논문은 큰고라파와 눈고라파의 협동 사냥 행동에서 영감을 얻어 개발한 새로운 메타휴리스틱 최적화 방법인 Egret 군집 최적화 알고리즘(ESOA)을 제안한다. ESOA는 앉아서 기다리는 전략, 공격 전략, 그리고 구분 조건을 통합하여 탐색과 이용의 균형을 이루며, PSO, GA, DE, GWO, HHO와 비교해 36개의 벤치마크 함수와 두 가지 실생활 공학 문제에서 뛰어난 성능과 강건성을 보였다.

ABSTRACT

A novel meta-heuristic algorithm, Egret Swarm Optimization Algorithm (ESOA), is proposed in this paper, which is inspired by two egret species' (Great Egret and Snowy Egret) hunting behavior. ESOA consists of three primary components: Sit-And-Wait Strategy, Aggressive Strategy as well as Discriminant Conditions. The performance of ESOA on 36 benchmark functions as well as 2 engineering problems are compared with Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Differential Evolution (DE), Grey Wolf Optimizer (GWO), and Harris Hawks Optimization (HHO). The result proves the superior effectiveness and robustness of ESOA. The source code used in this work can be retrieved from https://github.com/Knightsll/Egret_Swarm_Optimization_Algorithm; https://ww2.mathworks.cn/matlabcentral/fileexchange/115595-egret-swarm-optimization-algorithm-esoa.

연구 동기 및 목표

• 비볼록이고 도함수를 요구하지 않는 최적화 문제에서 기존 메타휴리스틱 알고리즘의 탐색과 이용의 균형을 이루는 데에 한계가 있음을 해결하기 위해.
• 큰고라파와 눈고라파의 협동적이고 적응적인 사냥 전략을 모방하는 새로운 천연 기반 알고리즘을 개발하기 위해.
• 표준 벤치마크 함수와 실생활 공학 최적화 문제에서 ESOA의 성능을 평가하기 위해.
• 최신 알고리즘들과 비교해 수렴 속도, 해의 품질, 안정성 측면에서 ESOA의 우수성을 입증하기 위해.
• 모델 기반 최적화 외부에서의 광범위한 응용과 향후 연구를 지원하기 위해 오픈소스 구현을 제공하기 위해.

제안 방법

• ESOA는 눈고라파의 앉아서 기다리는 전략을 모델링하여, 에이전트가 정지해 먹이를 감지하고 포획하는 방식으로 국소 탐색 또는 이용 단계를 나타낸다.
• ESOA는 큰고라파의 공격 전략을 통합하여, 활동적인 이동과 먹이 추적을 통해 글로벌 탐색과 개체군의 다양성 증대를 상징한다.
• 구분 조건은 적합도 향상과 수렴 기준에 따라 에이전트가 앉아서 기다리는 전략과 공격 전략 사이를 동적으로 전환할지 결정한다.
• 알고리즘은 행동 모델에서 유도된 속도 및 위치 갱신 규칙을 사용해 반복적으로 위치를 갱신하는 검색 에이전트의 집단을 사용한다.
• 제약 조건 처리는 페널티 함수를 통해 통합되며, Belegundu 문제의 경우 페널티 계수 φ는 10^100으로 설정되고, 스프링 설계 문제의 경우 10^5로 설정된다.
• 알고리즘은 36개의 CEC1997 및 CEC2017 벤치마크 함수와 두 가지 공학 문제인 Belegundu 문제와 인장/압축 스프링 설계 문제를 사용해 평가되었다.

실험 결과

연구 질문

• RQ1 고라파 사냥 행동에서 영감을 얻은 새로운 메타휴리스틱 알고리즘이 기존 방법보다 탐색과 이용의 균형을 더 잘 이룰 수 있는가?
• RQ2 ESOA는 단모드, 다모드, 하이브리드, 조합 함수를 포함한 다양한 종류의 벤치마크 함수에서 어떻게 성능을 발휘하는가?
• RQ3 복잡한 최적화 문제에서 다수의 독립적인 실행에 걸쳐 ESOA의 수렴 행동과 안정성은 어떠한가?
• RQ4 ESOA는 고정밀도와 강건성을 갖춰 실생활 제약 조건이 있는 공학 최적화 문제를 효과적으로 해결할 수 있는가?
• RQ5 합성 문제와 실용 문제 모두에서 ESOA는 PSO, GA, DE, GWO, HHO와 비교해 성능과 계산 효율성 측면에서 어떻게 성과를 내는가?

주요 결과

• CEC1997 및 CEC2017 벤치마크 세트에서 ESOA는 36개 함수 중 24개에서 평균 성능이 최고로 나타나 전역 탐색 능력이 뛰어남을 입증했다.
• Belegundu 문제에서 ESOA는 최적 결과로 -30665.18896을 달성하여 PSO(-30663.21135) 및 기타 알고리즘보다 최고 및 평균 값 모두에서 뛰어난 성능을 보였다.
• 인장/압축 스프링 설계 문제에서 ESOA는 평균 적합도 0.012855를 기록했으며, 표준편차 7.34×10^-5로 가장 낮아 높은 안정성을 보였다.
• Belegundu 문제에서 ESOA는 모든 알고리즘 중 두 번째로 낮은 표준편차를 기록하여, 최고 평균 성능을 내지 못했음에도 불구하고 강건성을 확인했다.
• 모든 테스트 함수에서 ESOA의 수렴 행동은 PSO, GA, DE, GWO, HHO보다 일관되게 더 빠르고 안정적이었다.
• ESOA의 소스 코드는 GitHub 및 MathWorks File Exchange에서 공개되어 있어 재현 가능성과 모델 기반 최적화 분야의 향후 연구를 지원한다.