[논문 리뷰] PSA: A novel optimization algorithm based on survival rules of porcellio scaber

Yinyan Zhang, Zhang, Pei외 1명|arXiv (Cornell University)|2017. 09. 28.

Metaheuristic Optimization Algorithms Research참고 문헌 17인용 수 10

한 줄 요약

이 논문은 나무게 *Porcellio scaber*의 생존 행동, 특히 유리한 환경으로의 집합 행동과 열악한 조건에서의 탐색 행동을 모방한 새로운 생물학적 영감을 받은 최적화 알고리즘인 Porcellio Scaber Algorithm(PSA)을 제안한다. 이 알고리즘은 미분 가능, 비미분 가능, 국소 최소값이 존재하는 문제를 포함한 비제약 최적화 문제를 효과적으로 해결하며, Michalewicz, Goldstein-Price, Alpine-1와 같은 기준 테스트 함수에서 이론적 최적값에 매우 가까운 결과를 보이며 전역 최소값을 높은 성공률로 탐색함을 입증한다.

ABSTRACT

Bio-inspired algorithms such as neural network algorithms and genetic algorithms have received a significant amount of attention in both academic and engineering societies. In this paper, based on the observation of two major survival rules of a species of woodlice, i.e., porcellio scaber, we present an algorithm called the porcellio scaber algorithm (PSA) for solving general unconstrained optimization problems, including differentiable and non-differential ones as well as the case with local optima. Numerical results based on benchmark problems are presented to validate the efficacy of PSA.

연구 동기 및 목표

• 나무게 *Porcellio scaber*의 생존 행동에서 영감을 얻은 새로운 메타휴리스틱 최적화 알고리즘을 개발하기 위해.
• 비미분 가능 및 다국소 함수를 포함한 일반적인 비제약 최적화 문제를 해결하기 위해.
• 다양한 문제 유형에 걸쳐 표준 기준 테스트 문제를 사용하여 알고리즘의 유효성을 검증하기 위해.
• 초기 위치가 열악한 경우에도 전역 또는 근접한 전역 해를 효과적으로 찾을 수 있는 성능을 보여주기 위해.

제안 방법

• 알고리즘은 두 가지 핵심 생존 행동을 모델링한다: 최적 환경(전역 최소값)으로의 집합 행동과 불리한 조건에서의 탐색 행동.
• 각 반복 단계에서 각 에이전트(Porcellio scaber)는 목적 함수 f(x)를 사용해 환경을 평가하며, 집합과 탐색의 가중 조합에 기반한 이동 결정을 내린다.
• 집합 성분은 현재 최고 위치로의 유도를 모델링하며, x^{k+1}_i = argmin f(x^k_j)로 표현되어 최고의 알려진 해로의 수렴을 보장한다.
• 탐색 성분은 랜덤 방향 감지(τ)를 사용하여 새로운 방향의 환경 조건을 탐지함으로써 국소 최소값에서 벗어나도록 한다.
• 탐색과 이용의 균형을 맞추기 위한 가중 결정 규칙(λ)이 사용되며, 성능 조정을 위해 실험별로 λ=0.8, 0.6, 0.9를 사용하였다.
• 알고리즘은 MaxStep 단계 동안 에이전트 위치를 반복적으로 갱신하며, 수렴 여부는 알려진 전역 최적값에의 근접도로 평가된다.

실험 결과

연구 질문

• RQ1 *Porcellio scaber*의 생존 행동이 메타휴리스틱 최적화 알고리즘으로 효과적으로 추상화될 수 있는가?
• RQ2 PSA는 미분 가능, 비미분 가능, 다국소 목적 함수를 가진 표준 기준 테스트 문제에서 얼마나 잘 작동하는가?
• RQ3 초기 위치가 열악한 경우에도 알고리즘이 일관되게 전역 최소값으로 수렴할 수 있는가?
• RQ4 가중치 파rameter λ가 알고리즘의 탐색과 이용의 균형에 미치는 영향은 무엇인가?

주요 결과

• 2차원 Michalewicz 함수에서 PSA는 f(x*) ≈ -1.8013의 해를 달성하였으며, 이는 -1.801인 이론적 전역 최소값과 매우 가까웠다.
• Goldstein-Price 함수에서 PSA는 x* ≈ [-0.000033, -1.00006]와 f(x*) ≈ 3.000001을 찾았으며, 전역 최소값 3에 매우 가까웠다.
• 비미분 가능한 Alpine-1 함수에서 PSA는 x* ≈ [0, 0]과 f(x*) ≈ 8.48×10⁻⁶로 수렴하였으며, 이론적 최소값 0에 가까웠다.
• 다양한 실행 및 문제 유형에서 전역 또는 근접한 전역 해를 찾는 데 높은 성공률를 보였다.
• 정확한 전역 최적값을 찾지 못한 경우에도 알고리즘은 항상 전역 최소값 근처의 해를 일관되게 찾았으며, 이는 강력한 내성적 특성을 보여주었다.
• λ를 통한 집합과 탐색 간의 동적 균형 조절이 국소 최소값이 많은 복잡한 검색 공간 내에서 효과적인 탐색을 가능케 하였다.