Aye-Aye Optimizer (AAO): A Bio-Inspired Metaheuristic Algorithm Based on the Percussive Foraging Strategy

技術要約：アイアイ・オプティマイザー (AAO)

問題提起
勾配ベースの手法や線形計画法といった従来の最適化手法は、高度に非線形、マルチモーダル、不連続、かつ高次元な目的関数に対して苦戦することが多い。メタヒューリスティック・アルゴリズムは、探索（グローバル探索）と活用（ローカルな精緻化）のバランスを取ることでこれらの限界に対処してきたが、「ノーフリーランチ定理」によれば、あらゆる可能な問題のランドスケープにおいて単一のアルゴリズムが他のすべてを凌駕できることはない。したがって、特定のクラスの複雑な最適化問題をより効果的に扱うための、独自の探索ダイナミクスと適応メカニズムを備えた新しいアルゴリズムを開発するという継続的な科学的ニーズが存在する。

手法
本論文では、マダガスカレ原生の夜行性キツネザルであるアイアイ（Daubentonia madagascariensis）の独特な打撃採餌戦略をモデルとした、個体群ベースの生物学的着想に基づくメタヒューリスティック・アルゴリズムであるアイアイ・オプティマイザー (AAO) を提案する。このアルゴリズムは、アイアイの「叩く、聴く、取り出す」という生物学的行動を、以下の3つの連続的なフェーズからなる計算フレームワークへと変換している：

1. 探索的打撃（タッピング・フェーズ）： 木の樹皮を叩いて中空の空間を検知するアイアイの初期のランダムな打撃を模倣し、探索空間内にエージェントをランダムに初期化する。フィードバック半径（$R$）が定義され、これは反復回数に応じて指数関数的に減衰する（$R = e^{-t/t_{max}}$）。このメカニズムは自動的なステップサイズ・アニーリング戦略として機能し、初期段階では広範なグローバルな被覆を可能にし、次第に探索領域を絞り込んでいく。
2. 集中的な局在化： 有望な領域が特定されると、アルゴリズムは局在化フェーズへと移行する。これは、現在の最良解（$x_{opt}$）へのエージェントの移動を制御する3つの適応パラメータ（$\alpha, \beta, \gamma$）によって制御される：
   • $\alpha$（決定論的な引力）： 反復とともに徐々に増加し、グローバル最良解への引きを強めることで、活用の強度を高める。
   • $\beta$（確率的な摂動）： 制御されたランダムな変動（ゼロ付近での振動）を導入し、多様性を維持して早期収束を防ぐ。
   • $\gamma$（距離依存的な強化）： 反復回数に比例し、かつグローバル最良解との距離に反比例してスケールし、有望な領域付近での微細な精緻化を促進する。
     位置更新式は次のように定式化される：$x_i(t+1) = x_i(t) + (\alpha + \beta + \gamma) \times (x_{opt}(t) - x_i(t))$。
3. 活用と抽出： 最終フェーズでは、獲物を回収するために特化した指を使用するアイアイになぞらえ、グローバル最適解を抽出するための深いローカル探索を行う。境界処理は、減衰する半径 $R$ を用いて範囲外の解を実行可能領域へと戻す修復メカニズムによって管理される。

本アルゴリズムは、粒子群最適化（PSO）のような速度ベクトルや慣性項を用いない、統一された位置更新メカニズムを利用している。その計算複雑度は $O(TND)$であり、メモリ複雑度は$O(ND + TD)$ であり、標準的な個体群ベースの最適化手法と同等である。

主な貢献

• 斬新な生物学的着想： 本論文は、アイアイの特異な打撃採餌行動に基づいた新しいメタヒューリスティックを提案しており、探索と活用のバランスに対する独自の類推を提供している。
• 適応的パラメータ構造： 3つの特定のパラメータ（$\alpha, \beta, \gamma$）の導入により、決定論的なガイダンス、確率的な探索、および適応的な強化を独立して変調することが可能となる。著者らは、この分解が単一係数アプローチと比較して、より高い柔軟性と解釈可能性を提供すると主張している。
• 包括的な検証： AAOは、以下の対象に対して、確立された5つのアルゴリズム（遺伝的アルゴリズム、粒子群最適化、人工蜂コロニー、モス・フレイム最適化、およびフロー方向アルゴリズム）と厳密な比較テストが行われた：
  • 23のベンチマーク関数（単峰性、多峰性、および固定次元）。
  • CEC 2022 ベンチマーク・スイート（ハイブリッドおよび合成関数）。
  • 5つの実世界のエンジニアリング設計問題（引張/圧縮スプリング、圧力容器、溶接ビーム、スリーバー・トラス、およびギア・トレイン設計）。

結果
様々な次元（20, 30, 50）および個体群サイズを用いた100回の独立した試行から得られた実験結果は、AAOが解の精度と収束速度の両面において、比較対象のアルゴリズムを一貫して上回っていることを示している。

• ベンチマーク性能： AAOは、単峰性、多峰性、固定次元、およびCEC 2022関数の大部分のテストケースにおいて、ランク1（最高性能）を達成した。多峰性ランドスケープにおける局所最適解からの脱出能力、および単峰性収束における高精度において優れた能力を示した。
• エンジニアリング応用： 実世界の設計問題において、AAOは構造的制約を満たしながら目的関数（例：重量、コスト）の最小化に成功し、しばしば他のメタヒューリスティックが見出した最良既知の解に匹敵するか、それを上回った。
• 感度分析： アルゴリズムは制御パラメータ（$\alpha_c, \beta_c, \gamma_c$）の中程度の変動に対して低い感度を示し、アブレーション研究により、最適な性能を得るためには3つの適応パラメータの完全な組み合わせが必要であることが確認された。

意義と主張
本論文は、複雑な適応行動がいかに単純な生物学的原理から創発し得るかを示すことで、AAOが新しい知性のパラダイムを確立していると主張している。その意義は以下の点にある：

1. 効果的なバランス： アルゴリズムは、適応パラメータの動的な進化によって促進される、探索と活用の堅牢なバランスを実現している。
2. 解釈可能性： アイアイの採餌ステップ（叩く、聴く、取り出す）とアルゴリズムのフェーズとの直接的なマッピングは、生物学的着想と最適化メカニズムの間の直感的かつ解釈可能なつながりを提供している。
3. 競争力のある効率性： その斬新なダイナミクスにもかかわらず、AAOは古典的なメタヒューリスティックと同等の計算効率を維持しており、高次元の問題に対してもスケーラブルである。

著者らは、AAOが有望な結果を示している一方で、今後の課題として、適応的なパラメータチューニング、機械学習やローカルサーチ手法とのハイブリッド化、および製造、物流、AIにおける大規模な産業問題への適用が挙げられると結論付けている。