[論文レビュー] Performance assessment and exhaustive listing of 500+ nature inspired metaheuristic algorithms

Zhongqiang Ma, Guohua Wu+3 more|arXiv (Cornell University)|Dec 19, 2022

Metaheuristic Optimization Algorithms Research被引用数 5

ひとこと要約

本論文は、500以上の自然にインspiredされたメタヒューリスティクスの包括的性能評価を提示しており、特に最近の15種類のアルゴリズム（提案されたEBCMを含む）に焦点を当てている。CEC2017ベンチマークスイートを用いて、グローバル最適解のシフトなどの変換に対する収束性、多様性、耐性を評価した。その結果、EBCMは、確立されたアルゴリズムの最良なバリエーションと同等の性能を示したが、2019–2020年の新規アルゴリズムの多くは収束性およびグローバルサーチ能力において劣っていた。

ABSTRACT

Metaheuristics are popularly used in various fields, and they have attracted much attention in the scientific and industrial communities. In recent years, the number of new metaheuristic names has been continuously growing. Generally, the inventors attribute the novelties of these new algorithms to inspirations from either biology, human behaviors, physics, or other phenomena. In addition, these new algorithms, compared against basic versions of other metaheuristics using classical benchmark problems without shift/rotation, show competitive performances. In this study, we exhaustively tabulate more than 500 metaheuristics. To comparatively evaluate the performance of the recent competitive variants and newly proposed metaheuristics, 11 newly proposed metaheuristics and 4 variants of established metaheuristics are comprehensively compared on the CEC2017 benchmark suite. In addition, whether these algorithms have a search bias to the center of the search space is investigated. The results show that the performance of the newly proposed EBCM (effective butterfly optimizer with covariance matrix adaptation) algorithm performs comparably to the 4 well performing variants of the established metaheuristics and possesses similar properties and behaviors, such as convergence, diversity, exploration and exploitation trade-offs, in many aspects. The performance of all 15 of the algorithms is likely to deteriorate due to certain transformations, while the 4 state-of-the-art metaheuristics are less affected by transformations such as the shifting of the global optimal point away from the center of the search space. It should be noted that, except EBCM, the other 10 new algorithms proposed mostly during 2019-2020 are inferior to the well performing 2017 variants of differential evolution and evolution strategy in terms of convergence speed and global search ability on CEC 2017 functions.

研究の動機と目的

• 500以上の自然にインスパイアされたメタヒューリスティクスのアルゴリズムを体系的に収集・アーカイブすること。
• CEC2017ベンチマークスイート上で、11種類の新規に提案されたメタヒューリスティクスと4種類の確立されたアルゴリズムのバリエーションの性能を評価すること。
• これらのアルゴリズムが探索空間の中心に向かうサーチバイアスを示すかどうかを調査すること。
• 特にグローバル最適解のシフトを含む問題変換がアルゴリズムの性能に与える影響を分析すること。
• 最近のアルゴリズムの収束速度およびグローバルサーチ能力を、微分進化および進化戦略の最先端バリエーションと比較すること。

提案手法

• 最近の文献から500以上の自然にインスパイアされたメタヒューリスティクスを網羅的に収集した。
• CEC2017ベンチマークスイートを用いて、15のアルゴリズム（11種類の新規アルゴリズムと4種類の既存アルゴリズムのバリエーション）を評価した。
• 収束速度、多様性、探索と活用のバランス、およびグローバル最適解を中央からずらす変換などの耐性を指標とした。
• EBCMアルゴリズムは、共分散行列適応を用いたバタフライオプティマイザーの強化版として導入され、より優れた探索行動を実現した。
• 標準的および変換された問題下での収束トレンドとグローバルサーチ性能の比較のため、統計的分析を実施した。
• 探索空間の中心からの最終解の分布を分析することで、サーチバイアスを定量的に評価した。

実験結果

リサーチクエスチョン

• RQ1 2019–2020年に新たに提案されたメタヒューリスティクスは、CEC2017関数において、微分進化および進化戦略の成熟したバリエーションと比較して、どのように性能を発揮するか？
• RQ2 EBCMアルゴリズムは、収束性および多様性の観点から、最良のメタヒューリスティクスバリエーションと同等の性能を達成できるか？
• RQ3 グローバル最適解が探索空間の中心からずらされた場合、アルゴリズムの性能はどの程度劣化するか？
• RQ4 新たに提案されたメタヒューリスティクスは、探索空間の中心に向かう系統的なバイアスを示すか？
• RQ5 どのアルゴリズム的要因や設計選択が、問題変換に対する耐性に最も寄与しているか？

主な発見

• EBCMアルゴリズムは、収束性、多様性、および探索と活用のバランスの観点で、確立されたアルゴリズムの最良4つのバリエーションと同等の性能を示した。
• 2019–2020年に新たに提案された多数のアルゴリズムは、CEC2017関数において、微分進化および進化戦略の2017年版バリエーションと比較して、収束速度およびグローバルサーチ能力に劣っていた。
• 評価された15のアルゴリズムすべてが、グローバル最適解のシフトなどの変換によって性能が低下したが、4つの最先端バリエーションは影響を比較的軽減していた。
• 多くのメタヒューリスティクス、特に新しいアルゴリズムにおいて、探索空間の中心への顕著なサーチバイアスが確認された。
• EBCMアルゴリズムは、変換に対して安定した性能を維持しており、他の新規アルゴリズムと比較して、より優れた耐性を示した。
• 結果から、アルゴリズムの新規性そのものが、特に非標準の問題設定下で優れた性能を保証するわけではないことが示唆された。