[논문 리뷰] Leo: Lagrange Elementary Optimization

Aso M. Aladdin, Tarik A. Rashid|arXiv (Cornell University)|2023. 04. 01.

Metaheuristic Optimization Algorithms Research인용 수 4

한 줄 요약

Leo: Lagrange Elementary Optimization는 혈액 내 인간 알부민 비율을 영감으로 삼아 개발된 새로운 자기적응형 진화 알고리즘으로, 전역 최적화를 향상시키기 위해 고안되었다. 이 알고리즘은 적합도 기반 유전자 교배를 통해 지능형 에이전트의 탐색과 이용을 이끌어내며, 19개의 벤치마크 함수와 CECC06 2019 테스트 함수에서 DA, PSO, GA, FDO, LPB, FOX와 비교해 뛰어난 수렴성과 안정성을 보였다. 통계적 검증을 통해 알고리즘의 강건성이 확인되었다.

ABSTRACT

Global optimization problems are frequently solved using the practical and efficient method of evolutionary sophistication. But as the original problem becomes more complex, so does its efficacy and expandability. Thus, the purpose of this research is to introduce the Lagrange Elementary Optimization (Leo) as an evolutionary method, which is self-adaptive inspired by the remarkable accuracy of vaccinations using the albumin quotient of human blood. They develop intelligent agents using their fitness function value after gene crossing. These genes direct the search agents during both exploration and exploitation. The main objective of the Leo algorithm is presented in this paper along with the inspiration and motivation for the concept. To demonstrate its precision, the proposed algorithm is validated against a variety of test functions, including 19 traditional benchmark functions and the CECC06 2019 test functions. The results of Leo for 19 classic benchmark test functions are evaluated against DA, PSO, and GA separately, and then two other recent algorithms such as FDO and LPB are also included in the evaluation. In addition, the Leo is tested by ten functions on CECC06 2019 with DA, WOA, SSA, FDO, LPB, and FOX algorithms distinctly. The cumulative outcomes demonstrate Leo's capacity to increase the starting population and move toward the global optimum. Different standard measurements are used to verify and prove the stability of Leo in both the exploration and exploitation phases. Moreover, Statistical analysis supports the findings results of the proposed research. Finally, novel applications in the real world are introduced to demonstrate the practicality of Leo.

연구 동기 및 목표

• 복잡한 전역 최적화 문제에서 수렴성과 안정성을 향상시키는 새로운 진화 최적화 알고리즘을 개발하는 것.
• 문제 복잡성이 증가함에 따라 기존 메타휴리스틱의 확장성과 적응성에 대한 한계를 해결하는 것.
• 혈액 내 인간 알부민 비율에서 생물학적 영감을 얻어 최적화의 탐색 효율을 향상시키는 것.
• 표준 및 최신 벤치마크 세트에서 기존 알고리즘과의 성능을 검증하는 것.
• 새로운 실생활 적용 사례를 통해 Leo의 실용적 적용 가능성을 입증하는 것.

제안 방법

• Leo는 인간 알부민 비율을 영감으로 삼아 최적화 과정에서 탐색 행동을 동적으로 조정하는 자기적응 메커니즘을 사용한다.
• 지능형 에이전트는 유전자 교배를 통해 생성되며, 적합도 함수 값이 그들의 탐색 공간 내 이동을 이끈다.
• 적합도 진행 상황과 인구 다양성에 기반해 탐색 에이전트 행동을 조절하여 탐색과 이용의 균형을 이룬다.
• 탐색 과정의 수렴 동역학을 모델링하고 제어하기 위해 라그랑주 기반 프레임워크를 사용한다.
• 적합도 평가와 유전자 재조합을 반복적으로 적용하여 인구를 전역 최적해 쪽으로 정밀하게 개선한다.
• 알고리즘의 안정성과 성능을 검증하기 위해 통계적 검정과 수렴 지표를 적용한다.

실험 결과

연구 질문

• RQ1 생물학적 영감을 얻은 진화 알고리즘이 복잡한 벤치마크 함수에서 뛰어난 수렴성과 안정성을 달성할 수 있는가?
• RQ2 PSO, GA, DA, FDO, LPB와 같은 기존 알고리즘과 비교해 Leo의 해 품질과 수렴 속도는 어떻게 다른가?
• RQ3 Leo의 자기적응 메커니즘이 탐색과 이용의 균형을 얼마나 효과적으로 향상시키는가?
• RQ4 CECC06 2019 세트를 포함한 다양한 도전적인 테스트 함수에서 Leo는 강건한 성능을 유지하는가?
• RQ5 Leo는 합성 벤치마크를 넘어서 실생활 최적화 문제에 효과적으로 적용될 수 있는가?

주요 결과

• Leo는 19개의 고전적 벤치마크 함수에서 DA, PSO, GA, FDO, LPB를 능가하는 뛰어난 성능을 보였으며, 수렴 정확도와 안정성 측면에서 슈퍼리어했다.
• CECC06 2019 테스트 세트에서 Leo는 전역 최적해를 찾는 데서 DA, WOA, SSA, FDO, LPB, FOX를 일관되게 능가하는 성과를 보였다.
• 통계 분석을 통해 Leo의 결과가 경쟁 알고리즘보다 유의미하게 뛰어나다는 것이 확인되었으며, p-값을 통해 결과의 높은 신뢰도가 입증되었다.
• Leo는 개선된 인구 다양성과 더 빠른 수렴을 보이며 탐색과 이용의 효과적인 균형을 확보했다.
• 다수의 런에서 안정된 성능을 유지했고, 적합도 값의 변동성이 낮아 강건성을 확인했다.
• 새로운 실생활 적용 사례가 성공적으로 구현되어, Leo의 이론적 벤치마크를 넘는 실용적 유용성이 입증되었다.