この記事について
メタヒューリスティクス図鑑シリーズもいよいよ最終回です。⓪で立てた「 結局どれを使えばいいの？ 」という問いに、ここまで実装してきた 10手法を横並びで比較 して答えます。
そして後半では、⑥〜⑪で何度も触れた メタファー系の「正体」 ── なぜ動物アルゴリズムは原点ベンチマークで無双するのか、それは本当に強いのか ── に、実験で踏み込みます。
メタヒューリスティクス図鑑シリーズの記事一覧はこちら。
| 記事 | 内容 |
|---|---|
| ⓪ | メタヒューリスティクスとは？／探索の地図 |
| ① | 粒子群最適化（PSO） |
| ② | 蟻コロニー最適化（ACO） |
| ③ | CMA-ES |
| ④ | 遺伝的アルゴリズム（GA） |
| ⑤ | Cuckoo Search |
| ⑥ | Grey Wolf Optimizer（GWO） |
| ⑦ | Harris Hawks Optimization（HHO） |
| ⑧ | Moth-Flame Optimization（MFO） |
| ⑨ | Grasshopper Optimization（GOA） |
| ⑩ | Golden Jackal Optimization（GJO） |
| ⑪ | Manta Ray Foraging（MRFO） |
| ⑫（本記事） | まとめ：メタファー系の正体と使い分け |
10手法の横並び比較
⓪で用意した共通ベンチマーク（Rastrigin・Ackley）の 10次元版 で、9手法（＋CMA-ES）を 30個体・500反復・10シード平均 で比較した結果です。いずれも大域最適は $f=0$、 小さいほど良い です。
| 手法 | 系統 | Rastrigin (10D) | Ackley (10D) |
|---|---|---|---|
| GA | 進化計算 | $1.19 \pm 1.34$ | $3.8\times10^{-2}$ |
| Cuckoo | 群知能 | $44.9 \pm 10.1$ | $14.5$ |
| PSO | 群知能 | $8.56 \pm 2.68$ | $4.0\times10^{-1}$ |
| CMA-ES | 進化戦略 | $4.88 \pm 1.57$ | $\mathbf{4.0\times10^{-15}}$ |
| GWO | メタファー | $1.77 \pm 2.56$ | $4.7\times10^{-15}$ |
| HHO | メタファー | $\mathbf{0.0 \pm 0.0}$ | $\mathbf{4.4\times10^{-16}}$ |
| MFO | メタファー | $22.0 \pm 9.97$ | $1.2\times10^{-1}$ |
| GOA | メタファー | $53.5 \pm 15.7$ | $2.7$ |
| GJO | メタファー | $1.5\times10^{-11}$ | $2.9\times10^{-2}$ |
| MRFO | メタファー | $\mathbf{0.0 \pm 0.0}$ | $1.3\times10^{-14}$ |
棒グラフにすると一目瞭然です（緑＝古典手法、オレンジ＝メタファー系）。
収束の速さも比べてみます（Rastrigin 10次元、中央値）。
ぱっと見の結論は 「メタファー系（HHO・MRFO・GJO・GWO）が古典手法を圧倒している」 ように見えます。HHO と MRFO は Rastrigin 10次元で全シード $f=0$、GJO は最速で底に到達。古典の PSO や GA は明らかに見劣りします。
…が、 この結論を鵜呑みにするのは危険 です。ここからが本題です。
メタファー系の正体①：みんな同じ骨格をしている
⑥〜⑪で毎回確認したとおり、メタファー系はメタファー（動物）こそ違え、 更新式の骨格はほぼ同一 です。
X_new = （リーダー位置） − （係数）×（リーダーとの距離）
＋ 係数は反復とともに小さくなり、探索→活用へ移る
各手法を「骨格のどこを差し替えたか」で並べると、こうなります。
| 手法 | リーダー | 探索→活用のつまみ | 味付け |
|---|---|---|---|
| PSO（①） | 群ベスト gbest | 慣性 $w$ | 速度の慣性 |
| GWO（⑥） | 上位3頭 | 係数 $a$（$2\to0$） | 3頭の平均 |
| HHO（⑦） | 最良1点 | エネルギー $E$ | 4戦略＋Lévy |
| MFO（⑧） | 炎（複数→1） | 炎の数 | 対数らせん |
| GOA（⑨） | 最良＋相互作用 | 係数 $c$ | 引力・斥力 |
| GJO（⑩） | 2頭（オス・メス） | エネルギー $E$ | Lévy係数 |
| MRFO（⑪） | 最良1点 | $t/T$ 切替 | 3採餌戦略 |
「リーダーの頭数」と「つまみの呼び名」と「移動式の味付け」が違うだけ で、やっていることは全部「最良解へ、だんだん細かく近づく」です。これは私の感想ではなく、最適化の研究者からも繰り返し指摘されています。
K. Sörensen, "Metaheuristics—the metaphor exposed,"
International Transactions in Operational Research, vol. 22, no. 1, pp. 3-18, 2015.
Sörensen はこの論文で「 新しいメタファーで包装し直しただけの手法が大量に生まれている 」と批判しました。実際、多くの動物アルゴリズムは PSO・進化戦略・差分進化（DE）の特殊ケースや再発明であることが指摘されています。
メタファー系の正体②：原点バイアス（center-bias）
では、骨格が同じなのに なぜ HHO や MRFO はベンチマークであれほど強い のでしょうか。からくりの一つが 原点バイアス（center-bias） です。
⓪で使った Rastrigin・Ackley は、いずれも 大域最適が原点 $(0,0,\dots,0)$ にあります 。そしてメタファー系の更新式「$X - E\cdot|\dots|$」のような形は、係数が 0 に近づくと ゼロベクトル（＝原点）方向へ縮みやすい 性質を持ちます。つまり「とりあえず原点に向かう」だけで、原点最適のベンチマークでは高得点が取れてしまうのです。
これを確かめるため、 最適解を原点から $+2$ だけずらした Rastrigin で同じ実験をしました。本当に探索が上手いなら、最適解の位置が変わっても性能は変わらないはずです。
SHIFT = 2.0
def shifted_rastrigin(x):
return rastrigin(np.asarray(x) - SHIFT) # 最適解を全次元 +2 へ移動
結果がこちらです。
| 手法 | 系統 | 最適解が原点 | 最適解を+2にずらす |
|---|---|---|---|
| GA | 進化計算 | $1.19$ | $1.19$ |
| CMA-ES | 進化戦略 | $4.88$ | $4.88$ |
| PSO | 群知能 | $8.56$ | $8.56$ |
| GWO | メタファー | $1.77$ | $\mathbf{19.9}$ |
| HHO | メタファー | $\sim 0$ | $5.6\times10^{-3}$ |
| GJO | メタファー | $1.5\times10^{-11}$ | $\mathbf{33.7}$ |
| MRFO | メタファー | $\sim 0$ | $\mathbf{7.39}$ |
図の青（原点）と赤（ずらした）を比べると、 何が起きているか一目瞭然 です。
- 古典手法（GA・CMA-ES・PSO）は青と赤が完全に同じ高さ 。最適解の位置に依存しない（=シフト不変）、本物の探索をしている
- メタファー系は赤が跳ね上がる 。特に GJO は $10^{-11} \to 33.7$ と 12桁以上悪化 、GWO は11倍、MRFO は $0 \to 7.4$
つまり、メタファー系のベンチマークでの好成績は、 少なからず「原点に最適解がある」という出題の都合に支えられていた わけです。最適解をずらしただけで、横並び比較の順位は丸ごとひっくり返ります。
この「最適解を原点や探索範囲の中心に置いたベンチマークが、原点バイアスを持つアルゴリズムを過大評価する」問題は広く知られており、評価時には 最適解をランダムにシフト・回転させる ことが推奨されています。
No Free Lunch を思い出す
⓪で紹介した No Free Lunch 定理 （あらゆる問題を平均すれば全アルゴリズムの性能は等しい）を思い出してください。「 ある新手法がすべてのベンチマークで既存手法に全勝した 」という主張は、NFL定理からすると原理的に怪しいのです。
実際に怪しんでみたら、原点バイアスというからくりが出てきました。 「すごい論文の表で全勝しているアルゴリズム」を見たら、まずベンチマークの最適解の位置と、シフト・回転をしているかを確認する ── これがメタヒューリスティクスと付き合ううえで一番大事な習慣かもしれません。
結局どれを使えばいいのか
実務的な使い分けの指針です。
| 状況 | おすすめ | 理由 |
|---|---|---|
| 連続・中次元の最適化（本命） | CMA-ES（③） | パラメータ調整不要・変数間の相関を学習・シフト不変。安定して強い |
| 連続でとにかく手軽に | PSO（①） | 実装10行・直感的。まず動かす一手 |
| 離散・順列・組合せ（TSPなど） | ACO（②）・順列GA（配送⑥） | 解を要素ごとに構築でき、組合せ構造に自然に合う |
| 連続・離散・混合を1つの枠で | GA（④） | 表現と演算子を差し替えれば何でも扱える汎用性 |
| メタファー系を使いたいとき | 既存実装（ GWO 等）でも可だが過信しない | 骨格は古典と同じ。 自分の問題で必ず古典手法と比較する |
ポイントは「 新しい動物アルゴリズムに飛びつく前に、CMA-ES や PSO といった枯れた手法を必ずベースラインとして回す 」ことです。多くの場合、それで十分だったりします。
シリーズ全体の振り返り
| フェーズ | 学んだこと | 記事 |
|---|---|---|
| 地図づくり | 探索vs活用・単一解vs集団・NFL定理・共通ベンチマーク | ⓪ |
| 群知能 | PSO（速度更新）・ACO（フェロモン） | ①② |
| 進化計算 | CMA-ES（分布の学習）・GA（交叉と突然変異） | ③④ |
| Lévy系 | Cuckoo Search（裾の重い乱歩） | ⑤ |
| メタファー系 | GWO・HHO・MFO・GOA・GJO・MRFO（同じ骨格の変奏） | ⑥〜⑪ |
| 総括 | 横並び比較・骨格の同一性・原点バイアスの暴露 | ⑫ |
「LP→双対→整数計画」と理論を掘ってきた最適化シリーズに対し、今回は ヒューリスティクスの世界の歩き方 を一通り押さえられたかと思います。新しい手法に出会ったときは、ぜひ「 これは骨格のどこを差し替えた手法かな？ 」「 ベンチマークの最適解はどこにある？ 」と疑う目で読んでみてください。それがこのシリーズで一番伝えたかったことだったりします。
まとめ
- 横並び比較では一見メタファー系（HHO・MRFO・GJO）が古典を圧倒したが、 それは原点最適ベンチマークの都合だった
- メタファー系は メタファーが違うだけで更新式の骨格は同一 （リーダーへ係数つきで近づく）── Sörensen の批判のとおり
- 最適解をずらすと、 古典手法はシフト不変・メタファー系は壊滅 （GJO は $10^{-11}\to33.7$）
- No Free Lunch ：全勝するアルゴリズムは原理的に怪しい。ベンチマークの出題を疑う習慣を
- 実務はまず CMA-ES / PSO / GA / ACO という枯れた手法をベースラインに。新手法は必ずそれと比較する
長らくお付き合いいただきありがとうございました。メタヒューリスティクス図鑑シリーズはこれにて完結です。
参考にした記事や本、論文等
- K. Sörensen, "Metaheuristics—the metaphor exposed," International Transactions in Operational Research, vol. 22, no. 1, pp. 3-18, 2015.
- D. H. Wolpert and W. G. Macready, "No free lunch theorems for optimization," IEEE Trans. on Evolutionary Computation, vol. 1, no. 1, pp. 67-82, 1997.
- C. L. Camacho-Villalón, M. Dorigo, and T. Stützle, "Exposing the grey wolf, moth-flame, whale, ... optimization algorithms: A comprehensive critique," Swarm Intelligence, 2023.
- N. Hansen, "The CMA Evolution Strategy: A Tutorial," arXiv:1604.00772, 2016.