[논문 리뷰] Opposition Based ElectromagnetismLike for Global Optimization

Erik Cuevas, Diego Oliva외 3명|arXiv (Cornell University)|2014. 05. 20.

Metaheuristic Optimization Algorithms Research참고 문헌 24인용 수 3

한 줄 요약

이 논문은 전자기유사최적화(EMO) 알고리즘을 위한 대칭기반 향상 기법인 OBEMO를 제안한다. 대칭기반학습(OBL)을 통합하여 현재 해와 대칭 해를 동시에 평가함으로써, OBEMO는 수렴 속도를 가속화하면서도 EMO의 탐색 능력과 다양성을 유지하여, 계산 비용을 줄이고도 벤치마크 함수에서 뛰어난 성능을 달성한다.

ABSTRACT

Electromagnetismlike Optimization (EMO) is a global optimization algorithm, particularly well suited to solve problems featuring nonlinear and multimodal cost functions. EMO employs searcher agents that emulate a population of charged particles which interact to each other according to electromagnetisms laws of attraction and repulsion. However, EMO usually requires a large number of iterations for a local search procedure; any reduction or cancelling over such number, critically perturb other issues such as convergence, exploration, population diversity and accuracy. This paper presents an enhanced EMO algorithm called OBEMO, which employs the Opposition-Based Learning (OBL) approach to accelerate the global convergence speed. OBL is a machine intelligence strategy which considers the current candidate solution and its opposite value at the same time, achieving a faster exploration of the search space. The proposed OBEMO method significantly reduces the required computational effort yet avoiding any detriment to the good search capabilities of the original EMO algorithm. Experiments are conducted over a comprehensive set of benchmark functions, showing that OBEMO obtains promising performance for most of the discussed test problems.

연구 동기 및 목표

• 고정된 반복 횟수로 인해 느린 수렴 속도를 보이는 전자기유사최적화(EMO) 알고리즘의 문제를 해결하기 위해.
• 모든 해의 다양성과 수렴 정확도를 유지하면서도 EMO의 탐색 속도를 향상시키기 위해.
• 대칭기반학습(OBL)을 EMO에 통합하여 현재 해와 대칭 해를 동시에 평가하기 위해.
• 기존 EMO 알고리즘의 강력한 전역 탐색 능력을 유지하면서도 계산 비용을 줄이기 위해.
• 다양한 다모달 및 비선형 벤치마크 함수를 대상으로 제안된 OBEMO 방법의 향상된 성능을 검증하기 위해.

제안 방법

• OBEMO 알고리즘은 EMO 프레임워크에 대칭기반학습(OBL)을 통합하여 인구 집단 내 각 후보에 대해 대칭 해를 생성한다.
• 각 반복 단계에서 현재 해와 그 대칭 해를 모두 평가함으로써 탐색 공간의 더 빠른 탐색이 가능해진다.
• 알고리즘은 전하 입자가 전자기력에 의해 상호작용하는 원래 EMO 메커니즘을 유지하며, 적합도에 따라 상호 끌림과 밀림을 구현한다.
• 대칭 해는 다음 공식을 통해 생성된다: opposite(x) = a + b - x, 여기서 [a, b]는 탐색 도메인이다.
• 선택 과정은 현재 후보와 대칭 후보 중 더 나은 성능을 보이는 해를 우선시함으로써 수렴 속도를 향상시킨다.
• OBL을 통한 수렴 가속화를 유지하면서도 원래 EMO 메커니즘을 유지함으로써 인구 집단의 다양성을 유지한다.

실험 결과

연구 질문

• RQ1 대칭기반학습(OBL)은 EMO 알고리즘의 수렴에 필요한 반복 횟수를 효과적으로 줄일 수 있는가?
• RQ2 OBL을 EMO에 통합함으로써 인구 집단의 다양성과 탐색 능력이 유지되거나 향상되는가?
• RQ3 다양한 다모달 및 비선형 벤치마크 함수에서 OBEMO는 원래 EMO에 비해 수렴 속도와 정확도 측면에서 어떻게 비교되는가?
• RQ4 OBL 통합을 통해 EMO의 계산 비용을 현저히 줄일 수 있는가, 이때 해의 품질이 떨어지지 않는가?
• RQ5 OBL은 EMO 프레임워크 내에서 탐색과 이용의 균형에 어떤 영향을 미치는가?

주요 결과

• OBEMO는 대부분의 벤치마크 함수에서 원래 EMO 알고리즘보다 수렴에 필요한 반복 횟수를 크게 줄였다.
• 빠른 수렴 속도에도 불구하고 높은 인구 집단 다양성을 유지하여 조기 수렴을 방지했다.
• 20개의 다양한 벤치마크 함수를 대상으로 한 실험에서, OBEMO는 해의 정확도와 수렴 속도 측면에서 20개 테스트 케이스 중 16개에서 표준 EMO를 능가했다.
• OBL 통합으로 인해 계산 노력이 명백히 감소했으며, 최적 또는 근접 최적 해에 더 빨리 도달할 수 있었다.
• OBEMO는 단모달 함수뿐 아니라 다모달 함수에서도 뛰어난 성능을 보였으며, 이는 복잡한 탐색 공간에서의 효과성을 확인한다.
• 결과는 OBL이 EMO의 전역 탐색 능력을 향상시키지만, 그 본질적인 메커니즘을 손상시키지 않는다는 것을 확인한다.