[논문 리뷰] Firefly Algorithm for optimization problems with non-continuous variables: A Review and Analysis

Surafel Luleseged Tilahun, Jean Medard T Ngnotchouye|arXiv (Cornell University)|2016. 02. 25.

Metaheuristic Optimization Algorithms Research인용 수 4

한 줄 요약

이 논문은 이산 변수(이진 및 정수 변수 포함)를 가진 최적화 문제를 위한 파이어플라이 알고리즘(Firefly Algorithm, FA)의 수정 사항을 검토하고 분석한다. 연속 공간에서의 업데이트 후 이산 값으로의 디스cretization를 통한 방법과 직접 이산 공간에서의 업데이트를 통한 방법을 비교하며, 이 두 접근법의 주요 강점과 약점, 그리고 이산 문제에서 FA의 성능을 향상시키기 위한 향후 연구 방향을 규명한다.

ABSTRACT

Firefly algorithm is a swarm based metaheuristic algorithm inspired by the flashing behavior of fireflies. It is an effective and an easy to implement algorithm. It has been tested on different problems from different disciplines and found to be effective. Even though the algorithm is proposed for optimization problems with continuous variables, it has been modified and used for problems with non-continuous variables, including binary and integer valued problems. In this paper a detailed review of this modifications of firefly algorithm for problems with non-continuous variables will be discussed. The strength and weakness of the modifications along with possible future works will be presented.

연구 동기 및 목표

• 이산 변수(이진 및 정수 변수 포함)를 가진 최적화 문제를 해결하기 위해 파이어플라이 알고리즘(Firefly Algorithm, FA)의 수정 사항을 체계적으로 검토하고 분석하는 것.
• 이산 최적화 문제를 위한 다양한 FA 변종의 강점과 약점을 평가하는 것.
• 현재 접근법의 한계, 특히 최적의 이산 값에서 멀리 떨어진 연속 공간에서의 업데이트 후 디스cretization에 의존하는 방식이 최적해에서 벗어날 수 있다는 점을 규명하는 것.
• 적응형 파rameter 제어, 하이브리드 탐색 메커니즘, 문제 특화 수정 사항의 일반화와 같은 향후 연구 방향을 제안하는 것.
• 수렴성과 해 품질 측면에서 연속 공간 업데이트 후 디스cretization와 직접적인 이산 공간 업데이트의 효과성을 비교하는 것.

제안 방법

• 표준 파이어플라이 알고리즘을 수정하여, 연속 공간에서의 업데이트 규칙을 적용하고, 그 후 시그모이드 또는 hyperbolic tangent 함수를 통해 이산 값으로 변환한다. 업데이트 공식은 $ x_i := x_i + \beta_0 e^{-\gamma r_{ij}^2} (x_j - x_i) $ 이다.
• 랜덤 이동 성분을 도입하여 $ x_i := x_i + \alpha (\text{rand}() - 0.5) $ 를 적용하며, $ \alpha $ 는 반복 과정에서 감소하여 탐색과 이용의 균형을 이룬다.
• 빛의 강도를 기반으로 한 유인 메커니즘을 사용하며, 더 밝은 파이어플라이(낮은 목표 함수 값)가 다른 파이어플라이를 유인한다. 빛의 강도는 $ \beta = \beta_0 e^{-\gamma r^2} $ 로 모델링된다.
• 공급자 선정 및 배낭 문제와 같은 문제에 특화된 수정 사항을 도입하여, 문제의 구조와 제약 조건에 맞게 업데이트 규칙을 조정한다.
• 일부 변종에서는 국소 탐색과 랜덤 비행 전략을 적용하여, 상위 성능을 보이는 파이어플라이가 국소 탐색 또는 랜덤 변형을 통해 해를 개선한다.
• 특수한 업데이트 메커니즘을 제안하여, 특이점 문제를 피하고 수치적 안정성을 향상시키기 위해 $ \beta = \frac{\beta_0}{\omega + r} $ 와 같은 공식을 사용한다.

실험 결과

연구 질문

• RQ1 파이어플라이 알고리즘을 사용해 이진 및 정수 최적화 문제를 해결할 때, 연속 공간에서의 업데이트 후 시그모이드 함수를 이용한 디스cretization 방식은 얼마나 효과적인가?
• RQ2 특히 최적의 연속 공간 해가 가장 가까운 이산 해에서 멀리 떨어져 있을 경우, 이산 문제에 대해 연속 공간 업데이트를 사용하는 데는 어떤 한계가 있는가?
• RQ3 문제 특화의 코딩 및 거리 척도에 기반한 직접적인 이산 공간 업데이트 방식이 연속 공간 기반의 디스cretization 방식과 비교해 수렴성과 해 품질 측면에서 어떻게 다른가?
• RQ4 적응형 $ \alpha $, 동적 $ \beta $ 와 같은 파arameter 제어 전략은 비연속 문제에서 FA의 성능을 어떻게 향상시키는가?
• RQ5 하이브리드 탐색 또는 적응형 스텝 크기와 같은 향후 연구 방향은 파이어플라이 알고리즘의 이산 최적화 문제 해결 능력을 어떻게 향상시킬 수 있는가?

주요 결과

• 첫 번째 유형의 수정 사항—연속 공간 업데이트 후 시그모이드 또는 tanh 함수를 이용한 디스cretization—는 널리 사용되지만, 최적의 이산 값에서 멀리 떨어진 연속 최적해로 해가 유도될 수 있다는 점에서 문제를 야기할 수 있다.
• 두 번째 유형의 수정 사항—문제 특화의 코딩과 거리 척도에 기반한 직접적인 이산 공간 업데이트—는 연속 공간 근사의 함정을 피함으로써 더 우수한 성능을 제공한다.
• 배낭 문제 및 공급자 선정 문제와 같은 문제에서는 문제 특화의 FA 수정 사항이 표준 FA에 비해 수렴성과 해 품질을 크게 향상시킨다.
• 반복 과정에서 스텝 크기 $ \alpha $ 를 감소시키는 것은 탐색에서 이용으로의 전환을 통해 해 품질을 향상시키며, 적응형 또는 동적 $ \alpha $ 는 성능 향상에 더 기여할 수 있다.
• 가장 밝은 파이어플라이에 국소 탐색을 적용하고 상위 성능을 보이는 개체에 랜덤 비행 전략을 적용함으로써 국소 정밀 조정이 가능해지고 조기 수렴을 방지할 수 있다.
• 향후 연구는 연속 및 이산 탐색 메커니즘의 융합, 문제 특화 수정 사항의 일반화, 알고리즘 성능에 반응하는 적응형 파arameter 개발에 초점을 맞춰야 한다.