[논문 리뷰] GOOSE Algorithm: A Powerful Optimization Tool for Real-World Engineering Challenges and Beyond

Rebwar Khalid Hamad, Tarik A. Rashid|arXiv (Cornell University)|2023. 07. 19.

Metaheuristic Optimization Algorithms Research인용 수 5

한 줄 요약

이 논문은 떼가 무리에서 균형을 이루고 보호하는 행동을 모방한 새로운 메타휴리스틱 최적화 기법인 GOOSE 알고리즘을 소개한다. 19개의 벤치마크 함수와 용접 보 디자인, 경제적 부하 배분과 같은 실제 공학 문제에서 GA, PSO, DA, FDO, WOA, SSA 및 기타 최신 알고리즘들과 비교하여 GOOSE 알고리즘은 수렴 속도와 해의 정확도 면에서 뛰어난 성능을 보였다.

ABSTRACT

This study proposes the GOOSE algorithm as a novel metaheuristic algorithm based on the goose's behavior during rest and foraging. The goose stands on one leg and keeps his balance to guard and protect other individuals in the flock. The GOOSE algorithm is benchmarked on 19 well-known benchmark test functions, and the results are verified by a comparative study with genetic algorithm (GA), particle swarm optimization (PSO), dragonfly algorithm (DA), and fitness dependent optimizer (FDO). In addition, the proposed algorithm is tested on 10 modern benchmark functions, and the gained results are compared with three recent algorithms, such as the dragonfly algorithm, whale optimization algorithm (WOA), and salp swarm algorithm (SSA). Moreover, the GOOSE algorithm is tested on 5 classical benchmark functions, and the obtained results are evaluated with six algorithms, such as fitness dependent optimizer (FDO), FOX optimizer, butterfly optimization algorithm (BOA), whale optimization algorithm, dragonfly algorithm, and chimp optimization algorithm (ChOA). The achieved findings attest to the proposed algorithm's superior performance compared to the other algorithms that were utilized in the current study. The technique is then used to optimize Welded beam design and Economic Load Dispatch Problem, three renowned real-world engineering challenges, and the Pathological IgG Fraction in the Nervous System. The outcomes of the engineering case studies illustrate how well the suggested approach can optimize issues that arise in the real-world.

연구 동기 및 목표

• 휴식과 사냥 중 새의 자연적 행동에서 영감을 얻어 새로운 메타휴리스틱 최적화 알고리즘을 개발하는 것.
• 기존 메타휴리스틱 알고리즘의 복잡한 실제 공학 최적화 문제 해결 능력의 한계를 해결하는 것.
• 표준 벤치마크 함수에서 제안된 GOOSE 알고리즘의 성능을 기존 알고리즘과 비교하여 검증하는 것.
• 용접 보 디자인 및 경제적 부하 배분과 같은 실질적인 공학 과제에서 알고리즘의 효과성을 입증하는 것.
• 신경계 내 IgG 분획과 같은 병리학적 데이터 최적화에서 알고리즘의 성능을 평가하는 것.

제안 방법

• GOOSE 알고리즘은 떼가 한쪽 다리에 서서 무리를 보호하고 균형을 유지하는 행동을 모델링하여 최적화의 탐색 메커니즘으로 전환한다.
• 알고리즘은 탐색 공간의 다양성을 유지하기 위한 균형 기반 탐색 단계와 유망한 해로 개인을 이끄는 보호 메커니즘을 사용한다.
• 현재 인구 집단의 적합도 분포를 기반으로 적응형 파rameter를 도입하여 탐색 행동을 동적으로 조정한다.
• 알고리즘은 탐색 과정에서 고품질 해를 우선시하기 위해 적합도 기반 선택 메커니즘을 활용한다.
• 국소적 및 전역적 탐색 전략을 통합하여 수렴성을 향상시키고 조기 정체를 방지한다.
• 사회적 및 환경적 피드백에 기반한 개인의 위치를 반복적으로 갱신하는 인구 기반 프레임워크를 사용하여 알고리즘을 구현한다.

실험 결과

연구 질문

• RQ1 GOOSE 알고리즘은 표준 벤치마크 함수에서 기존 메타휴리스틱 알고리즘보다 더 빠른 수렴 속도와 더 높은 해의 정확도를 달성할 수 있는가?
• RQ2 WOA, SSA, DA와 같은 최신 알고리즘과 비교할 때 GOOSE 알고리즘은 현대적 및 고전적 벤치마크 함수에서 어떻게 성능을 내는가?
• RQ3 GOOSE 알고리즘은 용접 보 디자인 및 경제적 부하 배분과 같은 실제 공학 최적화 문제를 어느 정도 해결할 수 있는가?
• RQ4 GOOSE 알고리즘은 신경계 내 IgG 분획과 같은 복잡한 생물학적 또는 병리학적 데이터 최적화에서 얼마나 효과적인가?
• RQ5 새의 균형 잡기 및 보호 행동이 알고리즘의 탐색과 이용의 상호보완성 균형을 향상시키는 데 어떤 역할을 하는가?

주요 결과

• GOOSE 알고리즘은 19개의 잘 알려진 벤치마크 함수에서 GA, PSO, DA, FDO보다 뛰어난 성능을 보였으며, 수렴 속도와 해의 품질 면에서 슈퍼리어한 성능을 보였다.
• 10개의 현대적 벤치마크 함수에서 GOOSE 알고리즘은 WOA, SSA, DA와 비교해도 우수하거나 유사한 결과를 보였으며, 더 뛰어난 안정성과 강건성을 확보했다.
• 고전적 벤치마크 함수에서 GOOSE 알고리즘은 FDO, FOX, BOA, ChOA, WOA와 비교해 상위 성능를 기록했으며, 일관된 슈퍼리어티를 보였다.
• 용접 보 디자인 문제에서 GOOSE 알고리즘은 모든 비교 알고리즘보다 낮은 목적 함수 값을 달성하여 구조적 효율성 향상을 보였다.
• 경제적 부하 배분 문제에서 GOOSE 알고리즘은 연료 비용을 줄이고 수렴 행동을 향상시켜 더 최적화되고 안정적인 해를 제공했다.
• 병리학적 IgG 분획 최적화에서 GOOSE 알고리즘은 복잡한 생물학적 데이터에 강력한 적합성을 보였으며, 의료 진단 분야의 잠재적 응용 가능성을 시사했다.