[논문 리뷰] Randomized Memetic Artificial Bee Colony Algorithm

Sandeep Kumar, Vivek Kumar Sharma외 1명|arXiv (Cornell University)|2014. 08. 01.

Metaheuristic Optimization Algorithms Research참고 문헌 60인용 수 16

한 줄 요약

이 논문은 탐색과 집중의 균형을 향상시키기 위해 솔루션 탐색 방정식에서 단계 크기를 무작위화함으로써 메믹 ABC 알고리즘을 향상시킨 새로운 메타휴리스틱인 랜덤라이즈드 메믹 인공개미알고리즘(RMABC)을 제안한다. 현재 최고의 해 주변에서 무작위 단계 크기를 사용해 새로운 해를 생성함으로써, RMABC는 MeABC, GABC, HJABC, BSFABC 및 MABC와 비교해 벤치마크 함수와 공학 최적화 문제에서 더 뛰어난 수렴성과 성능을 달성한다.

ABSTRACT

Artificial Bee Colony (ABC) optimization algorithm is one of the recent population based probabilistic approach developed for global optimization. ABC is simple and has been showed significant improvement over other Nature Inspired Algorithms (NIAs) when tested over some standard benchmark functions and for some complex real world optimization problems. Memetic Algorithms also become one of the key methodologies to solve the very large and complex real-world optimization problems. The solution search equation of Memetic ABC is based on Golden Section Search and an arbitrary value which tries to balance exploration and exploitation of search space. But still there are some chances to skip the exact solution due to its step size. In order to balance between diversification and intensification capability of the Memetic ABC, it is randomized the step size in Memetic ABC. The proposed algorithm is named as Randomized Memetic ABC (RMABC). In RMABC, new solutions are generated nearby the best so far solution and it helps to increase the exploitation capability of Memetic ABC. The experiments on some test problems of different complexities and one well known engineering optimization application show that the proposed algorithm outperforms over Memetic ABC (MeABC) and some other variant of ABC algorithm(like Gbest guided ABC (GABC),Hooke Jeeves ABC (HJABC), Best-So-Far ABC (BSFABC) and Modified ABC (MABC) in case of almost all the problems.

연구 동기 및 목표

• 고정된 단계 크기로 인해 조기 수렴이나 최적 해를 놓칠 수 있는 메믹 ABC의 한계를 해결한다.
• 탐색(다양화)과 집중(강화)의 균형을 탐색 과정에서 향상시킨다.
• 복잡한 실세계 최적화 문제의 수렴 속도와 해 품질을 향상시킨다.
• 더 나은 성능을 위한 랜덤라이즈드 국소 탐색을 통합한 인공개미알고리즘의 변종을 개발한다.
• 다양한 테스트 문제와 공학 적용 사례에서 기존 ABC 변종에 비해 제안된 알고리즘이 열등하지 않음을 입증한다.

제안 방법

• 골든 세션 서치 기반의 고정 단계 크기를 대체하기 위해 메믹 ABC의 솔루션 탐색 방정식에 랜덤라이즈드 단계 크기를 도입한다.
• 스토케스틱 단계 크기를 사용해 최고의 이전 해 주변의 후보 해를 생성한다.
• 원래 ABC 알고리즘의 전역 탐색 능력을 유지하면서 국소 탐색 정밀도를 향상시킨다.
• 단계 크기의 크기를 제어하기 위해 무작위 값을 사용하여 국소 탐색의 다양성을 높이고 局부 최적해에 갇힐 위험을 줄인다.
• 솔루션 업데이트 메커니즘을 제외한 나머지 원래 ABC 알고리즘의 구조, 즉 사용자 벌레와 관찰자 벌레 단계를 유지한다.
• 계산 효율성과 수렴 속도를 유지하기 위해 랜덤라이즈드 단계 크기를 국소 탐색 단계에서만 적용한다.

실험 결과

연구 질문

• RQ1 메믹 ABC의 단계 크기를 무작위화하면 수렴 행동과 해 품질이 향상되는가?
• RQ2 제안된 RMABC 알고리즘이 원래 메믹 ABC보다 더 나은 탐색과 집중 균형을 달성하는가?
• RQ3 표준 벤치마크 함수에서 RMABC는 GABC, HJABC, BSFABC 및 MABC와 같은 다른 ABC 변종보다 우수한 성능을 보이는가?
• RQ4 RMABC는 더 높은 정확도와 더 빠른 수렴 속도로 복잡한 실세계 공학 최적화 문제를 효과적으로 해결할 수 있는가?
• RQ5 랜덤라이즈드 단계 크기의 사용이 수렴 과정에서 조기 수렴의 위험을 줄이는가?

주요 결과

• RMABC는 수렴 속도와 해 품질 측면에서 대부분의 테스트된 벤치마크 함수에서 MeABC, GABC, HJABC, BSFABC 및 MABC를 모두 능가한다.
• 랜덤라이즈드 단계 크기는 알고리즘의 국소 탐색 능력을 크게 향상시켜 탐색 능력을 희생시키지 않고도 집중 능력을 향상시킨다.
• 유명한 공학 최적화 문제에서 RMABC는 비교된 모든 변종보다 더 나은 최적 해를 달성했다.
• 다양한 복잡도의 문제에서 제안된 알고리즘이 강력한 일반화 능력을 보이며 안정적인 성능을 나타낸다.
• 실험 결과는 단계 크기의 랜덤라이제이션이 정확한 전역 최적 해를 놓칠 위험을 효과적으로 완화함을 확인한다.
• 여러 번의 실행에서 RMABC의 수렴 행동은 원래 메믹 ABC보다 더 안정적이고 일관성이 있다.