[논문 리뷰] Golden Tortoise Beetle Optimizer: A Novel Nature-Inspired Meta-heuristic Algorithm for Engineering Problems

Omid Tarkhaneh, Neda Alipour외 2명|arXiv (Cornell University)|2021. 04. 04.

Metaheuristic Optimization Algorithms Research참고 문헌 59인용 수 15

한 줄 요약

이 논문은 최적화에서 탐색과 이용의 균형을 이루기 위해 황금 거북개미벌레의 색소변색 성적 행동과 천적 방어 메커니즘을 모방한 새로운 자연 기반 메타휴리스틱 알고리즘인 골든 터티올 비틀기어러티브 오프티마이저(GTBO)를 소개한다. GTBO는 24개의 벤치마크 함수와 두 가지 실제 공학 문제에서 다섯 가지 기준 알고리즘을 능가하며, 수렴성 향상, 국소 최적해 회피, 성능의 통계적 유의성에서 뛰어난 성능을 보였다.

ABSTRACT

This paper proposes a novel nature-inspired meta-heuristic algorithm called the Golden Tortoise Beetle Optimizer (GTBO) to solve optimization problems. It mimics golden tortoise beetle's behavior of changing colors to attract opposite sex for mating and its protective strategy that uses a kind of anal fork to deter predators. The algorithm is modeled based on the beetle's dual attractiveness and survival strategy to generate new solutions for optimization problems. To measure its performance, the proposed GTBO is compared with five other nature-inspired evolutionary algorithms on 24 well-known benchmark functions investigating the trade-off between exploration and exploitation, local optima avoidance, and convergence towards the global optima is statistically significant. We particularly applied GTBO to two well-known engineering problems including the welded beam design problem and the gear train design problem. The results demonstrate that the new algorithm is more efficient than the five baseline algorithms for both problems. A sensitivity analysis is also performed to reveal different impacts of the algorithm's key control parameters and operators on GTBO's performance.

연구 동기 및 목표

• 최적화에서 탐색과 이용을 효과적으로 균형 잡는 새로운 자연 기반 메타휴리스틱 알고리즘을 개발하는 것.
• 기존 알고리즘의 국소 최적해 회피 및 복잡한 공학 문제에서의 빠른 수렴성에 대한 한계를 해결하는 것.
• 성적 유혹을 위한 색소변색과 방패 기반 방어 행동과 같은 생물학적 행동을 수학적 연산자로 모델링하여 해를 생성하는 것.
• 벤치마크 함수와 실제 공학 설계 문제에서 기존 알고리즘과의 성능 비교를 통한 GTBO의 유효성 검증.
• 핵심 제어 파라미터와 연산자에 대한 민감도 분석을 수행하여 최적 알고리즘 설정을 안내하는 것.

제안 방법

• GTBO는 황금 거북개미벌레의 이중 행동 전략에서 영감을 얻었으며, 짝짓기 유혹을 위해 색소를 전환하고 천적을 물리치기 위해 꼬리 끝을 이용하는 것이다.
• 알고리즘은 글로벌 탐색을 향상시키기 위해 색소 전환 연산자를 사용하고, 유망한 해 주변의 국소 탐색을 강화하기 위해 생존 연산자를 사용한다.
• 새로운 후보 해는 이 두 연산자의 조합을 통해 생성되며, 다이내믹하게 분산화 및 집중화 단계를 균형 잡는다.
• 알고리즘은 두 가지 핵심 제어 파라미터를 포함한다: 해의 성숙을 제어하는 성숙률(Mr)과 생존 확률을 결정하는 생존률(Sr).
• 해는 거북개미벌레 행동에서 유도된 히우리스틱 규칙을 사용해 반복적으로 갱신되며, 무작위 선택을 통해 국소 최소값에서 벗어나도록 한다.
• Mr와 Sr에 대한 민감도 분석을 수행하였고, 벤치마크 함수 전반에서 개별 및 병합된 연산자의 영향을 평가하였다.

실험 결과

연구 질문

• RQ1 황금 거북개미벌레의 짝짓기 및 생존 행동에서 영감을 얻은 새로운 메타휴리스틱 알고리즘이 최적화에서 탐색과 이용을 효과적으로 균형 잡을 수 있는가?
• RQ2 GTBO는 GA, PSO, ABC, ALO, BWO와 같은 기존 알고리즘과 비교해 수렴 속도, 전역 최적해 탐지 및 국소 최적해 회피 측면에서 어떻게 성능을 발휘하는가?
• RQ3 다양한 종류의 벤치마크 함수에 대해 GTBO의 핵심 제어 파라미터(성숙률 및 생존률)의 최적 설정은 무엇인가?
• RQ4 색소 전환 및 생존 연산자의 개별 및 병합 효과는 GTBO의 성능과 인구 다양성에 어떻게 영향을 미치는가?
• RQ5 GTBO는 비제약 벤치마크 함수와 제약 조건이 있는 공학 문제에서 기준 알고리즘에 비해 통계적으로 유의미한 승리를 거둘 수 있는가?

주요 결과

• GTBO는 24개의 벤치마크 함수에서 뛰어난 성능을 보였으며, GA, PSO, ABC, ALO, BWO보다 수렴 속도와 전역 최적해 탐지 측면에서 뛰어난 성능을 보였다.
• 윌코크슨 부호 순위 검정을 통해 GTBO의 성능가 기준 알고리즘보다 통계적으로 유의미하게 뛰어나다는 것이 확인되었으며, p-값은 높은 유의성 수준을 나타냈다.
• 단모드 함수에서는 GTBO가 강력한 이용 능력과 빠른 수렴성을 보였으며, 특히 성숙률(Mr)이 0.4로 설정되었을 때 두드러진 성능을 보였다.
• 다중모드 함수에서는 GTBO가 강력한 탐색 능력과 국소 최적해 회피 능력을 보였으며, Mr = 0.2–0.4 및 생존률(Sr) = 0.2일 때 최고의 결과를 기록했다.
• 복합 함수에서는 Mr 값이 높을수록(GTBO는 Mr = 0.8–0.9일 때 최고 성능) 성능이 뛰어났으며, 이는 복잡하고 하이브리드된 환경에서 탐색이 더 중요함을 시사한다.
• 색소 전환 및 생존 연산자의 병합 사용이 가장 우수한 결과를 냈으며, 이는 글로벌 및 로컬 탐색 메커니즘 간의 상호보완성이 전체 성능 향상과 인구 다양성 향상에 기여함을 확인했다.