[논문 리뷰] Curved Space Optimization: A Random Search based on General Relativity Theory

Fereydoun Farrahi Moghaddam, Reza Farrahi Moghaddam외 1명|arXiv (Cornell University)|2012. 08. 10.

Metaheuristic Optimization Algorithms Research참고 문헌 40인용 수 97

한 줄 요약

이 논문은 일반 상대성 이론의 시공간 곡률 개념을 활용하여 무작위 탐색을 향상시키는 새로운 글로벌 최적화 방법인 곡면공간최적화(CSO)를 소개한다. 유망한 점 주변에서 탐색 공간을 동적으로 곡률화함으로써 CSO는 탐색 능력을 유지하면서도 개선된 탐색 능력을 확보하여, 다양한 차원에서 단모달 및 다모달 기준 함수에 대해 최신 기술보다 빠른 수렴 속도와 낮은 함수 평가 횟수를 기록하며 뛰어난 성능을 달성한다.

ABSTRACT

Designing a fast and efficient optimization method with local optima avoidance capability on a variety of optimization problems is still an open problem for many researchers. In this work, the concept of a new global optimization method with an open implementation area is introduced as a Curved Space Optimization (CSO) method, which is a simple probabilistic optimization method enhanced by concepts of general relativity theory. To address global optimization challenges such as performance and convergence, this new method is designed based on transformation of a random search space into a new search space based on concepts of space-time curvature in general relativity theory. In order to evaluate the performance of our proposed method, an implementation of CSO is deployed and its results are compared on benchmark functions with state-of-the art optimization methods. The results show that the performance of CSO is promising on unimodal and multimodal benchmark functions with different search space dimension sizes.

연구 동기 및 목표

• 글로벌 최적화에서 탐색과 탐색의 균형을 유지하는 데 지속적으로 도전하는 문제를 해결하기 위해.
• 수렴 속도 향상과 국소 최적해 회피를 위한 단순하고 확률적인 최적화 방법을 개발하기 위해.
• 일반 상대성 이론의 원리를 새로운 최적화 프레임워크에 통합하기 위해.
• 다양한 차원에서 다양한 기준 함수에 대해 CSO의 성능을 평가하기 위해.
• 곡률 기반의 탐색 공간 변환 방식이 무작위 탐색에서 탐색과 탐색의 균형을 향상시키는가를 입증하기 위해.

제안 방법

• CSO는 일반 상대성 이론에서 영감을 얻은 곡률 효과를 사용하여 탐색 공간을 변형하며, 이전에 방문한 점들이 중력 원천으로 작용한다.
• 높은 성능을 보이는 해 주변에 인위적인 시공간 곡률을 도입하여 향후 탐색을 전역 최적해 쪽으로 이끌어낸다.
• 탐색과 탐색의 균형을 유지하기 위해 개미 군집 최적화에서 영감을 얻은 메커니즘을 사용하여 곡률 깊이와 반경을 적응적으로 제어한다.
• 기본적인 CSO 구현체를 개발하고 다양한 차원을 가진 표준 기준 함수에 대해 테스트한다.
• 탐색 과정에서 곡률 파ameter를 자가 적응적으로 조정하는 메커니즘을 사용한다.
• 유명한 기준 함수를 사용하여 함수 평가 횟수(NFE), 평균 및 표준편차를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 곡률 기반의 탐색 공간 변환 방식이 글로벌 최적화에서 무작위 탐색의 성능을 향상시킬 수 있는가?
• RQ2 CSO는 단모달 및 다모달 기준 함수에서 최신 기술보다 어떻게 비교되는가?
• RQ3 적응형 곡률 메커니즘이 CSO에서 탐색과 탐색의 균형을 얼마나 향상시키는가?
• RQ4 CSO는 높은 차원 문제를 포함한 다양한 탐색 공간 차원에서 뛰어난 성능을 유지하는가?
• RQ5 일반 상대성 이론의 원리를 통합하면 더 효율적이고 강건한 최적화 알고리즘이 될 수 있는가?

주요 결과

• Michalewicz 함수(n=10)에서 CSO는 평균 -9.6588을 기록하여 모든 다른 방법보다 뛰어난 평균 결과를 달성했다.
• Shubert 함수(n=2)에서 CSO는 단지 100,000회의 함수 평가로 평균 -210.4822를 기록하여 다른 방법보다 뚜렷이 뛰어났다.
• Ackley 함수(n=30)에서 CSO는 단지 114,992회의 평가로 평균 3.789e-4를 기록하여 RGA, PSO 및 GSA를 모두 앞섰다.
• 회전된 초타원형 함수(n=30)에서 CSO는 114,992회의 평가로 평균 0.0003789를 기록하여 RGA, PSO 및 GSA를 뛰어넘었다.
• 2차원 Branin 함수에서 CSO는 단지 15,000회의 평가로 평균 0.3978873577를 기록하여 다른 방법의 최고 성능를 맞추었지만 평가 횟수가 더 적었다.
• Shubert 함수(n=2)에서 CSO는 100,000회의 평가로 평균 -210.4822를 기록하여 다른 방법들이 최대 500,000회의 평가를 요구한 것에 비해 뚜렷이 뛰어났다.