[論文レビュー] AED: An Anytime Evolutionary DCOP Algorithm

Saaduddin Mahmud, Moumita Choudhury+3 more|arXiv (Cornell University)|Sep 13, 2019

Constraint Satisfaction and Optimization参考文献 30被引用数 9

ひとこと要約

本稿では、分散制約最適化問題を解くために、集団ベースの進化的アプローチを用いる、任意の時刻に解を出力可能なAEDと呼ばれる、 anytime な進化的DCOPアルゴリズムを提案する。楽観的な局所的利益の近似と、新規の anytime 更新メカニズムを導入することで、最新の非正確なDCOPアルゴリズムを上回り、重み付きグラフ彩色問題において最大2.4倍の高い解の品質を達成する。

ABSTRACT

Evolutionary optimization is a generic population-based metaheuristic that can be adapted to solve a wide variety of optimization problems and has proven very effective for combinatorial optimization problems. However, the potential of this metaheuristic has not been utilized in Distributed Constraint Optimization Problems (DCOPs), a well-known class of combinatorial optimization problems prevalent in Multi-Agent Systems. In this paper, we present a novel population-based algorithm, Anytime Evolutionary DCOP (AED), that uses evolutionary optimization to solve DCOPs. In AED, the agents cooperatively construct an initial set of random solutions and gradually improve them through a new mechanism that considers an optimistic approximation of local benefits. Moreover, we present a new anytime update mechanism for AED that identifies the best among a distributed set of candidate solutions and notifies all the agents when a new best is found. In our theoretical analysis, we prove that AED is anytime. Finally, we present empirical results indicating AED outperforms the state-of-the-art DCOP algorithms in terms of solution quality.

研究の動機と目的

• 中心的組合せ最適化における成功にもかかわらず、分散制約最適化問題（DCOPs）の解法において進化的最適化手法の不足を解消すること。
• 正確なDCOPアルゴリズムのスケーラビリティの限界を克服し、分散的・協調的エージェントシステムに適した集団ベースのメタヒューリスティクスを開発すること。
• 実行中における継続的な改善と高品質な解の即時利用を保証する、anytime 性質を導入すること。
• 局所探索、ACO_DCOP、Max-Sumの変種といった既存の非正確なアルゴリズムを上回る、より優れた探索と活用のバランスを実現することで、解の品質を向上させること。

提案手法

• AEDは、エージェント間で候補解の集団を分散的に維持し、各エージェントが変数と部分的代入を管理する。
• 新規な再生メカニズムは、局所的利益の楽観的近似を用いて解の変更をガイドし、探索と活用のバランスを取る。
• anytime 更新メカニズムにより、エージェントはこれまでに発見された最良の解を検出し、それを伝搬可能となり、解の改善への協調と収束を保証する。
• 探索と活用のトレードオフを動的に調整するための変数αを用いる：αは初期値3から時間経過とともに1に減少し、収束を優先する。
• 定期的な間隔（MI=5）でエージェント間での移動が行われ、情報交換と集団の多様性の維持が可能となる。
• アルゴリズムは正式に anytime であると証明されており、時間の経過に伴い解の品質が継続的に向上し、任意の時点で有効な解を返却可能である。

実験結果

リサーチクエスチョン

• RQ1 進化的最適化手法は、分散的・協調的マルチエージェント環境におけるDCOPの解法に効果的に適応可能か？
• RQ2 集団ベースのDCOPアルゴリズムに、継続的な改善と即時の解の可用性を保証するanytime 性質を統合するにはどうすればよいか？
• RQ3 探索と活用のバランスを最適化するパラメータ設定（例：ER, α, β）は何か？
• RQ4 多様な問題インスタンスにおいて、AEDは最新の非正確なDCOPアルゴリズムと比較して、解の品質でどのように優れているか？

主な発見

• 重み付きグラフ彩色問題において、AEDは最も性能の良い非正確なDCOPアルゴリズムであるACO_DCOPを27%上回る。
• スパースなランダムDCOPでは、AEDは既存のアルゴリズムと比較して解の品質を1.7%から14.9%まで向上させる。
• デーンスなランダムDCOPでは、AEDは最新の競合他社製品と比較して0.7%から3.0%の優位性を示す。
• 同等の実行時間後、DSA、Max-Sum_ADVP、PD-Gibbsと比較して、AEDは1.73から2.4倍の優れた解を生成し、優れた解の品質を示す。
• スパース問題ではβ=5、デーンス問題ではβ=2で探索と活用の最適なバランスが達成され、さらにβを増加させると解の品質が劣化する。
• 最小限の集団サイズ（ER=5）でも、AEDはベンチマークアルゴリズムを常に上回り、低メモリオーバーヘッドでも高い性能を発揮することが示された。