[論文レビュー] Opposition Based ElectromagnetismLike for Global Optimization

Erik Cuevas, Diego Oliva+3 more|arXiv (Cornell University)|May 20, 2014

Metaheuristic Optimization Algorithms Research参考文献 24被引用数 3

ひとこと要約

本稿では、グローバル最適化のための電磁気学的最適化（EMO）アルゴリズムの反対基盤強化手法であるOBEMOを提案する。反対学習（OBL）を統合することで、現在の解と反対の解を同時に評価し、収束を加速しながらも、EMOの探索能力と多様性を維持する。ベンチマーク関数において、計算コストを削減しつつ優れた性能を達成している。

ABSTRACT

Electromagnetismlike Optimization (EMO) is a global optimization algorithm, particularly well suited to solve problems featuring nonlinear and multimodal cost functions. EMO employs searcher agents that emulate a population of charged particles which interact to each other according to electromagnetisms laws of attraction and repulsion. However, EMO usually requires a large number of iterations for a local search procedure; any reduction or cancelling over such number, critically perturb other issues such as convergence, exploration, population diversity and accuracy. This paper presents an enhanced EMO algorithm called OBEMO, which employs the Opposition-Based Learning (OBL) approach to accelerate the global convergence speed. OBL is a machine intelligence strategy which considers the current candidate solution and its opposite value at the same time, achieving a faster exploration of the search space. The proposed OBEMO method significantly reduces the required computational effort yet avoiding any detriment to the good search capabilities of the original EMO algorithm. Experiments are conducted over a comprehensive set of benchmark functions, showing that OBEMO obtains promising performance for most of the discussed test problems.

研究の動機と目的

• EMOアルゴリズムの収束が反復回数が多くなるための問題に対処すること。
• 元のEMOの多様性維持能力と収束精度を損なわず、探索速度を向上させること。
• 反対学習（OBL）をEMOに統合し、現在の解と反対の解を同時に評価すること。
• 元のEMOアルゴリズムの強力なグローバルサーチ能力を維持しながら、計算コストを削減すること。
• 多峰性および非線形のベンチマーク関数の包括的セットを用いて、提案手法OBEMOの性能向上を検証すること。

提案手法

• OBEMOアルゴリズムは、集団に属する各候補解に対して反対解を生成することで、EMOフレームワークに反対学習（OBL）を統合する。
• 各反復において、現在の解とその反対解の両方が評価され、探索空間の迅速な探索が可能になる。
• アルゴリズムは、電荷を帯びた粒子が電磁力によって相互作用する元のEMOメカニズムを保持しており、適応度に基づいた引力と斥力が働く。
• 反対解は、式： opposite(x) = a + b - x で生成され、[a, b] は探索領域を表す。
• 選択プロセスでは、現在の候補と反対の候補のうち、より優れた性能を示す解が優先され、収束速度が向上する。
• OBLによる収束加速に加え、元のEMOメカニズムを維持することで、集団の多様性が保たれる。

実験結果

リサーチクエスチョン

• RQ1 反対学習（OBL）は、EMOアルゴリズムの収束に必要な反復回数を効果的に削減できるか？
• RQ2 OBLをEMOに統合することで、集団の多様性と探索能力が維持されたり向上するか？
• RQ3 多峰性および非線形のベンチマーク関数において、OBEMOは元のEMOと比較して収束速度と精度で優れているか？
• RQ4 OBL統合によって、解の品質を損なわず、EMOの計算コストを顕著に削減できるか？
• RQ5 OBLは、EMOフレームワークにおける探索と活用のバランスにどのような影響を与えるか？

主な発見

• OBEMOは、多数のベンチマーク関数において、元のEMOアルゴリズムと比較して収束に必要な反復回数を顕著に削減した。
• 提案手法は、高速な収束速度にもかかわらず、高い集団の多様性を維持し、早期収束を防いでいる。
• 20のベンチマーク関数の包括的セットにおいて、OBEMOは解の精度と収束速度の両面で20件中16件で標準EMOを上回った。
• OBLの統合により、計算作業の明確な削減が見られ、最適または準最適解に到達するまでの時間が短縮された。
• OBEMOは、単峰性関数および多峰性関数の両方で頑健な性能を示し、複雑な探索空間における有効性を確認した。
• 結果から、OBLがEMOのグローバルサーチ能力を向上させつつ、その本質的なメカニズムを損なわないことが確認された。