[논문 리뷰] A Review of the Family of Artificial Fish Swarm Algorithms: Recent Advances and Applications

Farhad Pourpanah, Ran Wang외 3명|arXiv (Cornell University)|2020. 11. 11.

Metaheuristic Optimization Algorithms Research참고 문헌 134인용 수 5

한 줄 요약

이 논문은 연속 최적화를 위한 인공 물고기 군집 알고리즘(AFSA) 및 그 변종에 대한 종합적인 리뷰를 제공하며, 매개변수 조정, 융합, 다목적, 동적 최적화 분야에서의 향상에 초점을 맞춘다. 다양한 문제 유형에서의 성능을 분석하고, 적응형 빈도 요인과 이웃 기반 따라다니기 행동과 같은 핵심 향상 사항을 강조하며, 이론적 분석과 실생활 응용 분야에서의 향후 연구 방향을 제시한다.

ABSTRACT

The Artificial Fish Swarm Algorithm (AFSA) is inspired by the ecological behaviors of fish schooling in nature, viz., the preying, swarming and following behaviors. Owing to a number of salient properties, which include flexibility, fast convergence, and insensitivity to the initial parameter settings, the family of AFSA has emerged as an effective Swarm Intelligence (SI) methodology that has been widely applied to solve real-world optimization problems. Since its introduction in 2002, many improved and hybrid AFSA models have been developed to tackle continuous, binary, and combinatorial optimization problems. This paper aims to present a concise review of the continuous AFSA, encompassing the original ASFA, its improvements and hybrid models, as well as their associated applications. We focus on articles published in high-quality journals since 2013. Our review provides insights into AFSA parameters modifications, procedures and sub-functions. The main reasons for these enhancements and the comparison results with other hybrid methods are discussed. In addition, hybrid, multi-objective and dynamic AFSA models that have been proposed to solve continuous optimization problems are elucidated. We also analyse possible AFSA enhancements and highlight future research directions for advancing AFSA-based models.

연구 동기 및 목표

• 2013년 이후 인공 물고기 군집 알고리즘(AFSA)의 진화와 개선 사항을 체계적으로 검토하기 위해.
• AFSA 변종에서의 매개변수 수정, 절차적 향상, 하위 기능 설계를 분석하기 위해.
• 연속 최적화 문제를 해결하기 위해 하이브리드, 다목적, 동적 AFSA 모델을 평가하기 위해.
• 현재 연구의 격차를 규명하고 AFSA 기반 모델의 이론적 및 실증적 발전을 위한 향후 연구 방향을 제안하기 위해.
• 이미지 처리, 특징 선택, 에너지 관리 등 다양한 분야에서의 AFSA 응용에 대한 분류 체계를 제공하기 위해.

제안 방법

• 2013년 이후 AFSA 및 그 변종에 중점을 둔 고임팩트 학술지 및 컨퍼런스의 체계적 문헌 조사를 수행하기 위해.
• 매개변수 조정, 절차적 수정, 다른 메타휴리스틱과의 통합 기반으로 AFSA 개선 사항을 분류하기 위해.
• 사냥, 군집 행동, 따라다니기 행동이 탐색 동역학과 수렴 행동을 어떻게 이끄는지 분석하기 위해.
• 탐색과 이용 능력을 향상시키기 위해 AFSA를 다른 알고리즘(Particle Swarm Optimization, GWO 등)과 융합한 하이브리드 모델을 평가하기 위해.
• 다중 모드 및 동적 문제에서 인구 다양성을 유지하기 위해 적응형 빈도 요인과 거리 기반 이웃 구조를 활용하는 방법을 조사하기 위해.
• 이론적 기반을 확보하기 위해 빅오 표기법과 확률 과정 이론을 활용해 실행 시간 효율성과 수렴 행동을 평가하기 위해.

실험 결과

연구 질문

• RQ1 AFSA의 매개변수와 절차는 수렴 속도 향상과 해 품질 향상을 위해 어떻게 수정되었는가?
• RQ2 복잡한 탐색 공간에서 국소 최적해를 회피하고 인구 다양성을 유지하는 데 핵심이 되는 메커니즘은 무엇인가?
• RQ3 하이브리드 AFSA 모델은 연속 최적화 과제에서 단독 알고리즘보다 어떻게 뛰어난 성능을 내는가?
• RQ4 상태 기반 최적화 기법과 비교할 때, AFSA는 다중 모드, 다목적, 동적 최적화 문제 해결에 얼마나 효과적인가?
• RQ5 AFSA에 대해 현재 부족한 이론적 기초는 무엇이며, 수렴성과 효율성 보장을 위해 어떻게 발전시킬 수 있는가?

주요 결과

• AFSA 변종은 연속 최적화에서 뛰어난 성능을 보이며, 수렴 속도 향상과 초기 매개변수 설정에 대한 강건성을 확보한다.
• AFSA를 PSO나 GWO와 융합한 하이브리드 모델은 단독 알고리즘보다 더 좋은 결과를 얻었으며, 특히 벤치마크 테스트에서 PSO 기반 하이브리드 모델이 낮은 오차율(예: 4.1e-4 대비 5.19e-06)을 기록했다.
• 적응형 빈도 요인과 거리 기반 따라다니기 행동은 다양성 유지에 기여하여 다중 피크 탐지가 가능한 효과적인 다중 모드 최적화를 가능하게 한다.
• 동적 AFSA 모델은 인구 다양성이 빈도 요인 메커니즘을 통해 유지될 경우 이동하는 최적해를 추적하는 데 잠재력이 있다.
• 강력한 실증 결과에도 불구하고, 수렴성과 계산 복잡도에 대한 이론적 분석는 여전히 부족하여 핵심 연구 격차로 남아 있다.
• AFSA는 이미지 세그멘테이션, 고장 진단, 에너지 관리, 무선 센서 네트워크 등 실생활 분야에 성공적으로 적용되어 실용적 유용성을 입증했다.