Internal Combustion Engine Optimization: An Improved Physics-Inspired Metaheuristic

技術要約：内燃機関最適化（ICEO）

問題提起
高次元、非線形、かつマルチモーダルな探索空間における最適化は、エンジニアリングおよびコンピュータサイエンスにおける根本的な課題であり続けている。メタヒューリスティクスはNP困難な問題に対して有効であることが証明されているが、既存のアルゴリズムの多くは、早期収束や、探索（多様化）と活用（集約）の最適なバランスを維持できないという問題を抱えている。現在のアダプティブな手法は、探索プロセスの履歴的なダイナミクスや現在の状態を明示的に組み込むことなく、ランダムな変異や摂動戦略に依存していることが多く、その結果、局所解に停滞してしまう。

手法
本論文では、内燃機関の4ストローク動作サイクルに基づいた、物理学に着想を得たメタヒューリスティックであるInternal Combustion Engine Optimization (ICEO) を提案する。純粋な比喩的アルゴリズムとは異なり、ICEOは、4つの協調されたフェーズが相乗的に相互作用する、構造化された適応システムとして設計されている。

1. 吸気（探索 / Intake）: 新しい解の生成と統合に対応する。アルゴリズムは「空気」（候補解）を「大気」（集団）から取り込み、「燃料」（ランダムな摂動ベクトル）を取り入れる。新鮮な空気と、再利用される「燃焼ガス」（以前に破棄された解）の割合は動的に制御される。
2. 圧縮（初期活用 / Compression）: 探索空間は、現在の最良解（$X_{best}$）の周囲に向けて段階的に収縮していく。空気粒子は燃料ベクトルと結合し、新しい候補構成を生成することで、有望な領域への探索を集中させる。
3. 燃焼（集中的活用および脱出 / Combustion）: 一部の解のみが「点火」を行う確率的なプロセスとしてモデル化される。このフェーズでは、最良の解に対する集中的な精緻化が行われる。局所解へのトラップを防ぐため、アルゴリズムは選択された解に対して、時折レヴィ・フライト（Lévy flight）に基づく摂動を適用する。
4. 排気（選択および更新 / Exhaust）: 燃焼ガス（新たに生成された解）が評価される。集団はソートされ、最良の解は次のサイクルに向けて保持される一方、劣った候補は排出される。

適応制御メカニズム（ECU）
ICEOの中核となる革新は、反復サイクルを制御する適応メカニズムである**エンジン制御ユニット（ECU）**である。ECUは、直近の適応度値の移動窓（$\omega$）を用いて、収束速度と停滞を監視する。

• ECUは平均改善率（$\Delta f$）を計算し、加速パラメータ（$a_x$）を調整する。
• $a_x$ に基づき、ECUは空気燃料比（$\rho_{air}$ および $\rho_{fuel}$）を動的に決定し、新しい多様性の注入（探索）と既存の解の精緻化（活用）のバランスを効果的に制御する。
• このフィードバック駆動型のアダプテーションにより、アルゴリズムは固定されたスケジュールではなく、リアルタイムの最適化ダイナミクスに基づいて反応することができる。

主な貢献

• 構造化された4フェーズ・サイクル: ICEOは、探索操作を、単一の更新ルール内に機能を埋め込んでいるアルゴリズムとは異なり、明確に区別された調整段階（吸気、圧縮、燃焼、排気）へと分離している。
• 適応的制御: ECUメカニズムの導入により、性能に応じたパラメータ調整が可能となり、特に停滞の観察に基づいた「燃焼」プロセスの強度と解の注入率のチューニングを実現している。
• 空気燃料混合メカニズム: アルゴリズムは、外部からの多様性注入（燃料）と集団ベースの連続性（空気）へと探索リソースを明示的に分解し、その比率を適応的に制御することで、探索と活用のバランスをとっている。

実験結果
ICEOの性能は、3つの実験ステージにおいて、10種類の最先端メタヒューリスティック（L-SHADE、CMA-ES、GWO、PSO、GAを含む）と比較して評価された。

1. 標準ベンチマーク関数（D=100）: 18の関数（単峰性および多峰性）でテストを実施。ICEOは最も低いグローバルランクスコア（27ポイント）を達成し、15回の1位を獲得した。競合アルゴリズムと比較して、単峰性（例：Dixon-Price）および多峰性（例：Rastrigin, Ackley）の両方において優れた収束精度を示した。
2. CEC 2022 ベンチマークスイート（D=20）: 12の複雑な関数（単峰性、多峰性、ハイブリッド、および合成関数）で評価。ICEOはフリードマン検定において最良の平均ランク（2.750）を達成した。
   • 統計的有意性: ネメニー（Nemenyi）事後検定の結果、ICEOの優位性は、最も性能の低いアルゴリズム（WarSO、EHO、CMA-ES）に対してのみ統計的に有意であった。L-SHADEやSADEのようなトップクラスの競合相手に対する差は、ネメニー検定の下では統計的に有意ではなかったが、ウィルコクソン符号付き順位検定では、ICEOが有意に多くのペア比較で勝利した（合計18敗に対し94勝）。
3. 実世界のエンジニアリング問題: ICEOをスピードリデューサー、スリーバートラス、圧力容器の設計問題に適用した。いずれの場合も、ベンチマークテストのトップ5アルゴリズムと比較して、競争力のある性能、高速な収束、および低い解の分散を示した。
4. アブレーション研究: 圧縮フェーズを除去した場合（V1）、最も顕著な性能低下が見られ、その重要な役割が浮き彫りになった。ECUのないバリアント（V3）はフル版のICEOよりも性能が悪く、適応メカニズムの価値が確認された。

意義と限界
論文は、ICEOが、構造化された物理学に触発されたサイクルとリアルタイムの適応制御を通じて、探索と活用のバランスをとるための堅牢なフレームワークを提供すると主張している。ECUメカニズムは、時間ではなく性能に基づいて探索努力を適応させる点で、標準的なリーダー誘導型アルゴリズムと差別化されている。

しかし、著者らは以下の特定の限界を認めている。

• 統計的なニュアンス: ICEOはしばしば1位となるが、ネメニー検定は、トップ層の競合相手（例：L-SHADE）に対して優位性が統計的に確認されていないことを示唆しており、高度な手法間の性能の重複が大きいことを示している。
• 計算コスト: 集団更新に必要なソート工程は無視できない計算コストを伴い、時間制約のあるシナリオでの適用を制限する可能性がある。
• ハイパーパラメータへの感度: ECUによって感度は軽減されているものの、アルゴリズムには依然として $r_{min}$ や $r_{max}$ といったパラメータの較正が必要であり、これらが推奨範囲外に設定されると性能が低下する場合がある。
• 範囲: 現在の実装は単一目的最適化器であり、形式的な理論的収束保証はない。著者らは、今後の研究として、高次元問題（$D > 500$）、多目的最適化、および離散探索空間への対応を挙げている。