[논문 리뷰] Test Problems in Optimization

Xin‐She Yang|arXiv (Cornell University)|2010. 08. 03.

Metaheuristic Optimization Algorithms Research참고 문헌 5인용 수 108

한 줄 요약

이 논문은 비제약 및 제약 조건이 있는 최적화를 위한 포괄적이고 체계화된 기준 테스트 함수 목록을 편집하여, 다중 최적화, 볼록성, 확률성 등의 다양한 특성을 포함한다. 15개 이상의 표준 및 신규 테스트 함수에 대해 명시적인 수학적 표현, 탐색 영역, 전역 최적해, 차원 수를 제공함으로써, 다양한 유형의 문제에서 새로운 메타휴리스틱 및 수치 최적화 알고리즘의 엄격한 검증을 가능하게 한다.

ABSTRACT

Test functions are important to validate new optimization algorithms and to compare the performance of various algorithms. There are many test functions in the literature, but there is no standard list or set of test functions one has to follow. New optimization algorithms should be tested using at least a subset of functions with diverse properties so as to make sure whether or not the tested algorithm can solve certain type of optimization efficiently. Here we provide a selected list of test problems for unconstrained optimization.

연구 동기 및 목표

• 비제약 및 제약 조건이 있는 최적화 알고리즘 평가를 위한 표준화되고 다양한 종류의 테스트 함수 세트를 제공하기 위해.
• 일반적으로 수용되지 않는 기준 세트의 부족을 해결하기 위해, 일반적으로 사용되거나 새로 설계된 특성이 뚜렷한 함수들을 수집하기 위해.
• 다양한 복잡성, 예를 들어 다중 최적화, 단일 최적화, 비볼록, 확률적 변형을 포함한 함수를 제공함으로써 새로운 최적화 알고리즘의 검증을 지원하기 위해.
• 양의 파동 함수 및 확률적 함수와 같은 고전적 및 신규 함수를 포함하여, 불확실성 하에서의 알고리즘의 강건성 테스트를 위해.
• 각 테스트 문제에 대해 정확한 함수 형태, 변수 경계, 알려진 전역 최소값을 명시함으로써 재현 가능성을 확보하기 위해.

제안 방법

• 신시-샤 양의 기여를 포함한 기존 문헌에서 유래한 15개 이상의 기준 테스트 함수의 편찬으로, 라스트리긴, 로젠브록, 그리와크와 같은 고전적 함수 포함.
• 비제약 및 등식 제약 조건이 있는 문제들(예: 초구형 제약 조건이 있는 곱 함수)의 통합.
• 각 함수에 대해 명시적인 변수 경계와 전역 최적해를 포함한 수학적 표현 정의로 재현 가능성 확보.
• 노이즈 및 비가속성에 대한 알고리즘의 내성 테스트를 위해, 신규 비연속 및 확률적 함수(예: 식 25 및 식 26의 랜덤 성분 포함) 포함.
• 2차원 함수(예: 이소움, 식스허프 캐멀백)를 n차원 형태로 확장하여 확장성 테스트 가능.
• 차원에 의존하지 않는 수식을 사용하여, n=2에서 n=100 이상의 다양한 문제 크기에서의 테스트를 가능하게 함.

실험 결과

연구 질문

• RQ1 새로운 메타휴리스틱 최적화 알고리즘의 성능 평가에 가장 효과적인 표준 테스트 함수는 무엇인가?
• RQ2 다중 최적화, 볼록성, 비연속성 등의 함수 특성이 최적화 알고리즘의 수렴성과 강건성에 어떤 영향을 미치는가?
• RQ3 랜덤 전역 최적해 값을 가진 확률적 테스트 함수(예: 식 25)는 최적화 문제의 실제 불확실성을 더 잘 시뮬레이션할 수 있는가?
• RQ4 등식 제약 조건이 있는 테스트 함수(예: 식 7–8)는 타당성 및 제약 조건 처리 측면에서 알고리즘에 어떤 도전을 가하는가?
• RQ5 차원 수가 증가할수록 라스트리긴, 슈베펠, 양의 파동 함수 등의 함수에서 최적화의 난이도는 어떻게 변화하는가?

주요 결과

• 에클리 함수는 원점에서 전역 최소값 0을 가지며, 지수 함수와余弦 함수의 상호작용으로 인해 복잡한 지형을 가진다.
• 구형 함수(식 2)는 단일 최적화이자 볼록 함수이며, (0, ..., 0)에서 전역 최소값 0을 가지며, 단일 최적화 성능의 기준이 된다.
• 라스트리긴 함수(식 14)는 10^n개의 국소 최소값을 가지며 강한 다중 최적화 성향을 보이며, [-5.12, 5.12]^n 내 원점에서 전역 최소값 0을 가진다.
• 식스허프 캐멀백 함수(식 18)는 약 (-0.0898, 0.7126)와 (0.0898, -0.7126)에서 두 개의 전역 최소값을 가지며, 이 둘 모두 f* ≈ -1.0316를 제공한다.
• 5차원에서의 쇼버트 함수(식 19)는 [-10, 10]^2 영역 내에서 18개의 전역 최소값을 가지며, f* ≈ -186.7309이다.
• 식 25의 확률적 함수는 (π, π)에서 고정된 전역 최소값을 가지지만, 랜덤 성분으로 인해 최소값은 -5에서 -(K²+5) 사이에서 확률적으로 변동한다.