大域的最適化問題のためのアメリカのゼブラ最適化アルゴリズム

Scientific Reports volume 13、記事番号: 5211 (2023) この記事を引用

2049 アクセス

3 引用

2 オルトメトリック

メトリクスの詳細

この研究では、野生のアメリカシマウマの社会的行動を模倣する、生物にヒントを得た新しいメタヒューリスティックアルゴリズム、すなわちアメリカシマウマ最適化アルゴリズム（AZOA）が提案されています。 アメリカシマウマは、独特で魅力的な社会的性格と、赤ちゃんシマウマが成熟する前に群れを離れ、家族の絆のない別の群れに加わるよう導くリーダーシップの行使によって、他の哺乳類とは区別されます。 赤ちゃんシマウマのこの出発は、家族内交配を防ぐことによって多様化を促進します。 さらに、アメリカシマウマでは、群れの速度と方向を指示するリーダーシップの行使によって、収束が確実に行われます。 アメリカシマウマのこの社会的ライフスタイル行動は本質的に先住民族のものであり、AZOA メタヒューリスティック アルゴリズムを提案するための主なインスピレーションです。 AZOA アルゴリズムの効率を調べるために、CEC-2005、CEC-2017、および CEC-2019 ベンチマーク関数が考慮され、いくつかの最先端のメタヒューリスティック アルゴリズムと比較されます。 実験結果と統計分析により、AZOA は探索と活用のバランスを保ちながら、ベンチマーク機能を最大化するための最適なソリューションを達成できることが明らかになりました。 さらに、AZOA の堅牢性を実証するために、多数の実際の工学問題が採用されています。 最後に、AZOA は、今後の高度な CEC ベンチマーク機能やその他の複雑なエンジニアリング問題を圧倒的に達成することが期待されています。

最適化は、コスト関数を最大化または最小化するためにさまざまな制約を維持しながら、決定変数を特定するプロセスです。 制約、コスト関数、設計変数は、あらゆる最適化問題の重要な要素です。 最適化技術は、エンジニアリング 1、機能選択 2、3、機械学習パラメーターの調整 4、無線センサー ネットワーク 5、画像処理 6、およびバイオインフォマティクス 7 の分野に広く適用できます。 現実の問題のほとんどは、複数の設計変数の存在と制約の本質的な性質により、非常に非凸で非線形です。 さらに、全体的な最適解が得られるという確実性はありません8。 これらの現実の問題に関連する課題は、科学者に、より良い結果をもたらす斬新で成功する戦略を設計するよう促すものです。 最適化アプローチは、勾配ベースの決定論的アプローチと確率ベースの非伝統的なアプローチなど 2 つのタイプに分類できます9。 決定論ベースのアプローチには、不連続な探索空間、非凸、高次元、および微分不可能な目的関数を伴う問題を解決する際に限界があります。 ただし、確率ベースの戦略は勾配ベースの情報を実践しません。 代わりに、検索空間内のランダムな方法に依存することで制限を克服できるほどインテリジェントです。 メタヒューリスティック アルゴリズムは、確率論ベースのアプローチにおけるさまざまな手法の中で、幅広い適用性を備えているため普及しています。 メタヒューリスティック アルゴリズムは、ソリューション空間を探索し、最適なソリューションを活用する高い可能性を秘めています。 したがって、数人の研究者は、新しいメタヒューリスティックアルゴリズムを提案するだけでなく、既存の方法の効率を高めることも試み、その結果、過去数十年間にいくつかの新しいメタヒューリスティックが考案されました。 一般に、メタヒューリスティック アルゴリズムは、進化アルゴリズム (EA)、自然現象 (NP) ベースのアルゴリズム、および群知能 (SI) アルゴリズムなど、3 つの主要なタイプに分類できます10、11。 進化アルゴリズム (EA) は、選択、生殖、突然変異という 3 つのメカニズムを使用してダーウィンの進化プロセスを模倣します。 最も著名な EA には、差分進化 (DE)12、遺伝的アルゴリズム (GA)13、共分散行列適応進化戦略 (CMA-ES)14、進化戦略 (ES)15、線形集団サイズを持つ履歴ベースの適応 DE バリアントなどがあります。リダクション (L-SHADE)16、生物地理ベースのオプティマイザー (BBO)17、学習者のパフォーマンスに基づく行動 (LPB)18。 NP ベースのアルゴリズムは、宇宙の化学法則と物理法則をエミュレートします。 このカテゴリに基づくよく知られたアルゴリズムのほとんどは、シミュレーテッド アニーリング (SA)19、中心力最適化 (CFO)20、重力探索アルゴリズム (GSA)21、水循環オプティマイザー (WCO)22、ブラック ホール アルゴリズム (BHA)23 です。 、Lightning Search Algorithm (LSA)24、Multi-Verse Optimization (MVO)25、Thermal Exchange Optimization (TEO)11、Henry Gas Solubility Optimization26、Equilibrium Optimizer (EO)27、Archimedes Optimization Algorithm (AOA)28、Lichtenberg Algorithm (LA) )29、流れ方向アルゴリズム (FDA)30、核融合最適化 (FuFiO)31。 Swarm Intelligence (SI) アルゴリズムは、哺乳類、鳥類、昆虫の自然な行動に従います。 一般的な SI ベースのアルゴリズムのほとんどは、Particle Swarm Optimizer (PSO) アルゴリズム 32、Gray Wolf Optimizer (GWO) 33、Elephant Herding Optimization (EHO) 34、Moth Flame Optimization (MFO) 35、Whale Optimization Algorithm (WOA) 36、Salp です。群アルゴリズム (SSA)37、グラスホッパー オプティマイザー アルゴリズム (GOA)38、ハリス ホークス最適化 (HHO)39、即興競争群オプティマイザー (ICSO)40、単嚢群アルゴリズム (TSA)41、徴収飛行分配 (LFD)10、およびアメリカハゲワシ最適化アルゴリズム (AVOA)42、アクイラ オプティマイザー (AO)43、イヌワシ オプティマイザー (GEO)44、シャチ捕食アルゴリズム (OPA)45、人工ウサギ最適化 (ARO)46、人工ゴリラ部隊オプティマイザー (GTO)47、 Mountain Gazelle Optimizer (MGO)48. 既存のメタヒューリスティック 49 には利点と限界があることを強調しておきます。 たとえば、古典的な PSO アルゴリズムには高次元の探索空間での早期収束という弱点がありますが、遺伝的アルゴリズムにはパラメータ調整と大規模な計算に困難があります。 同様に、重力探索アルゴリズムには、収束速度が遅いことと、多くの制御パラメーターが存在するという欠点があります。 著名な GWO アルゴリズムは、ローカル検索能力が低いため、難しいエンジニアリング問題に取り組むことが困難です。 また、最近提案された TSA アルゴリズムは、次元の大きなマルチモーダル問題に対処することができません。 したがって、新しい技術や方法論を適応させて、これらの制限に挑戦することが不可欠です。 さらに、「ノー フリー ランチ (NFL) 定理」50 では、あらゆる最適化問題に対して最適なオプティマイザーとみなせるアルゴリズムは存在しないと述べています。 未解決の問題についても、解決策を得るには希少なアプローチが必要です。 その結果、先駆的なメタヒューリスティックが世界中の研究者によって頻繁に提供されることが必要となります。 したがって、この論文では、アメリカシマウマの社会的行動に触発された新しいメタヒューリスティック、すなわちアメリカシマウマ最適化アルゴリズム (AZOA) が計画されています。 アメリカシマウマは、1 頭のオス、数頭のメス、および子供と群れを作る社会的に熟達した動物です51。 シマウマの主な行動には、餌を食べること、交尾、社会的階層を維持すること、そして若いシマウマを導くことが含まれます52,53。 アメリカシマウマは、その独特で魅力的な性格「正直さ」によって他の哺乳類と区別されます。 「正直さ」という社会的性格により、赤ちゃんシマウマは成熟する前に群れを離れ、家族関係のない別の群れに加わります。 赤ちゃんシマウマのこの出発は、家族内交配を防ぐことで多様化のバランスをとります。 さらに、群れの中で成熟したオスのシマウマがメスのシマウマを魅了して収束を説得します。 社会的調和というこの最も希少な概念は、American Zebra Optimization Algorithm (AZOA) を提案するきっかけとなっています。 AZOA アルゴリズムの容易さと堅牢性により、ベンチマーク機能や現実のエンジニアリング問題を解決しながら、迅速かつ正確なグローバル ソリューションが推進されることが期待されています。 この研究の主な貢献は次のとおりです。