[논문 리뷰] The Plant Propagation Algorithm: Modifications and Implementation

Muhammad Sulaiman, Abdellah Salhi외 1명|arXiv (Cornell University)|2014. 12. 13.

Metaheuristic Optimization Algorithms Research참고 문헌 18인용 수 7

한 줄 요약

이 논문은 딸기 식물의 자연적 번식 방식을 모방하여 고차원 연속 최적화 문제에서 성능을 향상시키기 위해 개선된 식물 번식 알고리즘(MPPA)을 제안한다. 장거리 및 단거리 뿌리의 방식을 수정하여 탐색과 이용의 균형을 이루도록 솔루션 생성 방식을 개선함으로써, MPPA는 벤치마크 함수에서 인공 벌 군집 알고리즘(ABC)과 그 개선형(MABC)보다 뛰어난 수렴성과 강건성을 보이며 성능을 뛰어올린다.

ABSTRACT

The Plant Propagation Algorithm, epitomised by the Strawberry Algorithm, has been previously successfully tested on low dimensional continuous optimisation problems. It is a neighborhood search algorithm. In this paper, we introduce, robust and efficient version of the algorithm and explain how it can be implemented to compete with one of the best available alternatives, namely the Artificial Bee Colony algorithm and we present an improved and more effective variant on standard continuous optimisation test problem instances in high dimensions. Computational and comparative results are included.

연구 동기 및 목표

• 고차원 연속 문제를 위한 강건하고 효율적이며 쉽게 구현할 수 있는 천연 유도 최적화 알고리즘을 개발하기 위해.
• 원래의 식물 번식 알고리즘(PPA)을 개선하여 탐색과 이용의 균형을 더 잘 이루기 위한 솔루션 생성 메커니즘을 정교화하기 위해.
• 다양한 고차원 벤치마크 함수에서 기존 알고리즘인 ABC와 MABC와의 비교를 통해 수정된 PPA(MPPA)의 성능을 테스트하기 위해.
• 복잡한 다모달 및 비가역 최적화 문제에서 성능을 유지하거나 향상시키면서도 임의의 파rameter 수를 줄이기 위해.
• MPPA를 최신 기술 수준의 메타휴리스틱과 견줄 만한 글로벌 최적화 대안으로 확립하기 위해.

제안 방법

• 알고리즘은 식물 번식을 모델링한다: 양호한 품질의 식물(해결책)은 많은 단거리 뿌리(국소 탐색)를 보내 이용을 하며, 열 劣한 식물은 적은 수의 장거리 뿌리(전역 탐색)를 보내 탐색을 한다.
• MPPA는 뿌리 끝에서 새로운 솔루션을 생성하기 위해 수정된 식(5–7)을 도입하여 탐색 효율성과 수렴성을 향상시킨다.
• 모든 제어 파rameter로는 인구 크기(NP), 최대 세대 수(g_max), 식물당 최대 뿌리 수(n_max)가 있다.
• 해결책은 목적 함수를 통해 평가되며, 최고의 해결책은 세대에 걸쳐 반복적으로 갱신된다.
• 알고리즘은 이웃 탐색과 적응형 탐색을 통합하여 생물학적 번식 전략을 모방한다.
• 표준 CEC 벤치마크 함수를 사용하여 30, 60, 100차원에서 비교 실험을 수행한다.

실험 결과

연구 질문

• RQ1 수정된 식물 번식 알고리즘이 ABC 및 MABC와 같은 기존 메타휴리스틱보다 고차원 최적화에서 뛰어난 성능을 낼 수 있는가?
• RQ2 MPPA의 단거리 및 장거리 뿌리의 적응적 사용이 수렴성과 해의 품질에 어떤 영향을 미치는가?
• RQ3 MPPA는 강건성을 유지하면서 얼마나 많은 임의의 파rameter를 줄일 수 있는가?
• RQ4 MPPA는 고차원에서 다모달 및 비가역 함수에서 뛰어난 성능을 보일 수 있는가?
• RQ5 다양한 벤치마크 함수에서 MPPA의 평균 및 표준편차 결과는 어떻게 비교되는가?

주요 결과

• CEC 2013 벤치마크 세트에서, MPPA는 모든 차원(30, 60, 100)에서 F15, F16, F17, F18 함수에 대해 전역 최적해(0.0)를 달성했으며, 다수의 실행에서 표준편차가 0이었다.
• F15(Rosenbrock)에서 MPPA는 모든 차원에서 평균 값 0.0과 표준편차 0.0을 기록했으며, ABC 및 MABC를 능가했다.
• F16(Sphere)에서 MPPA는 모든 차원에서 평균 0.0과 표준편차 0.0을 기록했으며, 완벽한 수렴을 나타냈다.
• F17(Rosenbrock)에서 MPPA는 모든 차원에서 평균 0.0과 표준편차 0.0을 기록했으며, 일관된 전역 최적성의 특성을 보였다.
• F18(Sphere)에서 MPPA는 모든 차원에서 평균 0.0과 표준편차 0.0을 기록했으며, 강건한 성능을 확인했다.
• 반면 ABC 및 MABC는 같은 함수에서 더 높은 평균 값과 비영 표준편차를 보였으며, 특히 고차원에서 두드러졌다.