[논문 리뷰] Performance assessment and exhaustive listing of 500+ nature inspired metaheuristic algorithms

Zhongqiang Ma, Guohua Wu외 3명|arXiv (Cornell University)|2022. 12. 19.

Metaheuristic Optimization Algorithms Research인용 수 5

한 줄 요약

이 논문은 CEC2017 벤치마크 세트를 사용하여 자연에서 영감을 받은 메타휴리스틱 알고리즘 500여 종의 종합적인 성능 평가를 제시한다. 최근 15개 알고리즘(제안된 EBCM 포함)을 중심으로 분석하며, 전역 최적점 이동 등의 변형 조건 하에서 수렴성, 다양성, 내성 등을 평가한다. EBCM는 기존 알고리즘의 최상위 변종들과 유사한 성능을 보이며, 대부분의 2019–2020년 신규 알고리즘들은 수렴성과 전역 탐색 능력에서 열등한 성능을 보인다.

ABSTRACT

Metaheuristics are popularly used in various fields, and they have attracted much attention in the scientific and industrial communities. In recent years, the number of new metaheuristic names has been continuously growing. Generally, the inventors attribute the novelties of these new algorithms to inspirations from either biology, human behaviors, physics, or other phenomena. In addition, these new algorithms, compared against basic versions of other metaheuristics using classical benchmark problems without shift/rotation, show competitive performances. In this study, we exhaustively tabulate more than 500 metaheuristics. To comparatively evaluate the performance of the recent competitive variants and newly proposed metaheuristics, 11 newly proposed metaheuristics and 4 variants of established metaheuristics are comprehensively compared on the CEC2017 benchmark suite. In addition, whether these algorithms have a search bias to the center of the search space is investigated. The results show that the performance of the newly proposed EBCM (effective butterfly optimizer with covariance matrix adaptation) algorithm performs comparably to the 4 well performing variants of the established metaheuristics and possesses similar properties and behaviors, such as convergence, diversity, exploration and exploitation trade-offs, in many aspects. The performance of all 15 of the algorithms is likely to deteriorate due to certain transformations, while the 4 state-of-the-art metaheuristics are less affected by transformations such as the shifting of the global optimal point away from the center of the search space. It should be noted that, except EBCM, the other 10 new algorithms proposed mostly during 2019-2020 are inferior to the well performing 2017 variants of differential evolution and evolution strategy in terms of convergence speed and global search ability on CEC 2017 functions.

연구 동기 및 목표

• 500개 이상의 자연에서 영감을 받은 메타휴리스틱 알고리즘을 체계적으로 수집하고 카탈로그화하기.
• CEC2017 벤치마크 세트에서 11개의 새로운 메타휴리스틱과 기존 알고리즘의 4가지 변종의 성능 평가하기.
• 이 알고리즘이 검색 공간의 중심 쪽으로 탐색 편향을 보이는지 조사하기.
• 문제 변형, 특히 전역 최적점 이동이 알고리즘 성능에 미치는 영향 분석하기.
• 최근 알고리즘들의 수렴 속도와 전역 탐색 능력을 최첨단 미분 진화 및 진화 전략 변종들과 비교하기.

제안 방법

• 최근 문헌에서 얻은 500개 이상의 자연에서 영감을 받은 메타휴리스틱 알고리즘에 대한 철저한 수집 수행.
• CEC2017 벤치마크 세트를 사용하여 15개 알고리즘(11개의 새로운 알고리즘과 기존 메타휴리스틱의 4가지 변종)을 평가.
• 수렴 속도, 다양성, 탐색-집중 균형, 전역 최적점 이동 등의 변형 조건 하에서의 내성 등 성능 지표를 사용.
• EBCM 알고리즘은 공분산 행렬 적응 기법을 사용한 향상된 탐색 행동을 갖춘 나비 최적화기반 개선 알고리즘으로 제안.
• 표준 문제 및 변형된 문제 조건 하에서 알고리즘 간의 수렴 경향과 전역 탐색 성능을 비교하기 위해 통계 분석 수행.
• 검색 공간 중심에 대한 최종 해의 분포를 분석하여 탐색 편향을 정량적으로 평가.

실험 결과

연구 질문

• RQ1 2019–2020년에 제안된 최신 메타휴리스틱 알고리즘들은 CEC2017 함수에서 기존의 최첨단 미분 진화 및 진화 전략 변종들과 비교해 성능에서 어떻게 다를까?
• RQ2 EBCM 알고리즘은 수렴성과 다양성 측면에서 최상위 메타휴리스틱 변종들과 유사한 성능을 달성하는가?
• RQ3 전역 최적점이 검색 공간의 중심에서 이동할 경우 알고리즘 성능이 얼마나 떨어지는가?
• RQ4 최근 제안된 메타휴리스틱 알고리즘들은 검색 공간의 중심 쪽으로 체계적인 탐색 편향을 보이는가?
• RQ5 문제 변형 조건 하에서의 내성에 가장 큰 기여를 하는 알고리즘 구성 요소나 설계 선택은 무엇인가?

주요 결과

• EBCM 알고리즘은 수렴성, 다양성, 탐색-집중 균형 측면에서 기존 메타휴리스틱의 최상위 4개 변종과 유사한 성능을 보였다.
• 2019–2020년에 제안된 대부분의 신규 알고리즘들은 CEC2017 함수에서 기존의 2017년도 미분 진화 및 진화 전략 변종들에 비해 수렴 속도와 전역 탐색 능력에서 열등한 성능을 보였다.
• 평가된 15개 알고리즘 전부가 전역 최적점 이동 등의 변형 조건 하에서 성능 저하를 겪었지만, 최첨단 변종들은 영향을 덜 받았다.
• 많은 메타휴리스틱에서 검색 공간 중심 쪽으로 두드러진 탐색 편향이 확인되었으며, 특히 신규 알고리즘에서 두드러졌다.
• EBCM 알고리즘은 변형 조건 하에서도 안정적인 성능을 유지하여 다른 신규 알고리즘들에 비해 향상된 내성을 보였다.
• 결과적으로 알고리즘의 신규성만으로는 표준이 아닌 문제 설정 조건 하에서도 뛰어난 성능을 보장하지 못하며, 이는 성능 향상에 기여하지 않는다는 점을 시사한다.