[논문 리뷰] Beetle Swarm Optimization Algorithm:Theory and Application

Tiantian Wang, Long Yang|arXiv (Cornell University)|2018. 08. 01.

Metaheuristic Optimization Algorithms Research참고 문헌 48인용 수 37

한 줄 요약

이 논문은 벌레 무리 최적화(BSO) 알고리즘을 제안한다. 이는 벌레의 사냥 행동에서 영감을 받은 새로운 메타휴리스틱으로, 고유한 비행 메커니즘과 이웃 기반 탐색을 통해 탐색 효율성을 향상시킨다. 23개의 벤치마크 함수와 두 가지 공학 설계 문제에서 평가된 결과, BSO는 수렴 속도와 해의 정확도에서 PSO, GA 및 잡초 최적화 알고리즘을 능가한다.

ABSTRACT

In this paper, a new meta-heuristic algorithm, called beetle swarm optimization algorithm, is proposed by enhancing the performance of swarm optimization through beetle foraging principles. The performance of 23 benchmark functions is tested and compared with widely used algorithms, including particle swarm optimization algorithm, genetic algorithm (GA) and grasshopper optimization algorithm . Numerical experiments show that the beetle swarm optimization algorithm outperforms its counterparts. Besides, to demonstrate the practical impact of the proposed algorithm, two classic engineering design problems, namely, pressure vessel design problem and himmelblaus optimization problem, are also considered and the proposed beetle swarm optimization algorithm is shown to be competitive in those applications.

연구 동기 및 목표

• 벌레 사냥 행동에서 영감을 얻은 새로운 메타휴리스틱 알고리즘을 개발하여 최적화 성능을 향상시키는 것.
• 복잡한 탐색 공간에서 수렴 속도와 해의 품질을 향상시키는 것.
• 표준 벤치마크 함수와 실제 공학 문제에서 알고리즘의 효과성을 검증하는 것.
• PSO, GA 및 잡초 최적화 알고리즘과 같은 기존 알고리즘과의 성능 비교를 수행하는 것.
• BSO가 공학 설계 최적화 분야에서 실용적으로 적용 가능한지를 보여주는 것.

제안 방법

• 알고리즘은 탐색 공간 내에서 무작위 이동과 방향성 이동을 시뮬레이션하는 비행 메커니즘을 사용하여 벌레 사냥 행동을 모델링한다.
• 각 벌레 에이전트는 지금까지 발견한 최良 해로 향하는 힘과 무작위 탐색의 조합에 따라 자신의 위치를 갱신한다.
• 지역 탐색 능력을 향상시키고 조기 수렴을 방지하기 위해 이웃 기반 탐색 전략을 도입한다.
• 탐색과 이용의 균형을 이루기 위해 반복 과정에서 감소하는 동적 스텝 사이즈를 사용한다.
• 핵심 방정식을 통해 최良 해와 무작위 변동을 통합하여 탐색을 이끄는 위치 갱신 방식을 정의한다.
• 알고리즘은 각각 탐색 공간 내 후보 해를 나타내는 에이전트 집합으로 구성되어 구현된다.

실험 결과

연구 질문

• RQ1 벌레 사냥 행동에서 영감을 받은 메커니즘이 기존 메타휴리스틱과 비교해 최적화 성능을 어떻게 향상시키는가?
• RQ2 BSO 알고리즘이 표준 벤치마크 함수에서 더 빠른 수렴 속도와 높은 정확도를 달성할 수 있는가?
• RQ3 압력용기 설계 문제 및 히멜블라우 함수와 같은 실제 공학 설계 문제에서 BSO는 어떻게 성능을 발휘하는가?
• RQ4 이웃 기반 탐색 전략이 국소 최적치에 갇히는 것을 방지하는 데 어떤 영향을 미치는가?
• RQ5 BSO는 PSO, GA 및 잡초 최적화 알고리즘과 비교해 성능에서 어떻게 뛰어나게 되는가?

주요 결과

• 23개의 벤치마크 함수에서 BSO는 PSO, GA 및 잡초 최적화 알고리즘과 비교해 수렴 속도와 해의 품질 측면에서 뛰어난 성능을 보였다.
• 압력용기 설계 문제에서 BSO는 다른 테스트된 알고리즘보다 전역 최적해에 더 가까운 해를 발견했다.
• 히멜블라우 함수에서 BSO는 전역 최소값을 더 빠르게 탐색하고 더 높은 정밀도로 식별하는 데 성공했다.
• 다양한 테스트 함수에서 알고리즘이 파arameter 조정 없이도 뛰어난 안정성을 유지하며 일관된 성능을 보였다.
• 이웃 기반 탐색의 통합으로 국소 최적치에 갇힐 가능성이 크게 감소했다.
• 수치 실험을 통해 BSO가 단모드 및 다모드 최적화 과제에서 기존 메타휴리스틱과 경쟁력 있고 종종 승리하는 성능을 보였다.