[論文レビュー] An Interactive Many Objective Evolutionary Algorithm with Cascade Clustering and Reference Point Incremental Learning.

Hongwei Ge, Mingde Zhao+5 more|arXiv (Cornell University)|Mar 3, 2018

Advanced Multi-Objective Optimization Algorithms参考文献 48被引用数 1

ひとこと要約

本稿では、複雑な多数目的最適化問題（MaOPs）を効果的に解くために、段階的クラスタリングとリファレンスポイントの逐次的学習を統合したインタラクティブな多数目的進化的アルゴリズムであるCLIAを提案する。反復的にリファレンスポイントを精錬し、リファレンスラインを用いて個体をクラスタリングすることで、追加のフィットネス評価を伴わず、真のパレートフロントに近づく収束性と多様性の両面で優れた性能を達成する。

ABSTRACT

Researches have shown difficulties in obtaining proximity while maintaining diversity for solving many-objective optimization problems (MaOPs). The complexities of the true Pareto Front (PF) also pose serious challenges for the pervasive algorithms for their insufficient ability to adapt to the characteristics of the true PF with no priori. This paper proposes a cascade Clustering and reference point incremental Learning based Interactive Algorithm (CLIA) for many-objective optimization. In the cascade clustering process, using reference lines provided by the learning process, individuals are clustered and intraclassly sorted in a bi-level cascade style for better proximity and diversity. In the reference point incremental learning process, using the feedbacks from the clustering process, the proper generation of reference points is gradually obtained by incremental learning and the reference lines are accordingly repositioned. The advantages of the proposed interactive algorithm CLIA lie not only in the proximity obtainment and diversity maintenance but also in the versatility for the diverse PFs which uses only the interactions between the two processes without incurring extra evaluations. The experimental studies on the CEC'2018 MaOP benchmark functions have shown that the proposed algorithm CLIA has satisfactory covering of the true PFs, and is competitive, stable and efficient compared with the state-of-the-art algorithms.

研究の動機と目的

• 真のパレートフロントへの近接性と多数目的最適化問題（MaOPs）における多様性を両立する課題に対処すること。
• 事前の知識なしに、複雑で多様な真のパレートフロント（PF）の形状に適応できない既存のアルゴリズムの限界を克服すること。
• 動的リファレンスポイント生成とクラスタリングを通じて、収束性と多様性を向上させるインタラクティブフレームワークの構築。
• クラスタリングとリファレンスポイントプロセスの相互作用により自己適応的学習を可能とし、高価なフィットネス評価への依存を低減すること。

提案手法

• CLIAは、リファレンスラインを用いて個体をグループ化し、クラスタ内での順序付けを最適化することで収束性と多様性を向上させる二段階のスパイラルクラスタリング機構を採用する。
• クラスタリングプロセスからのフィードバックに基づき、リファレンスラインを動的に更新することで、目的空間の有望領域への探索を導く。
• リファレンスポイントの逐次的学習プロセスにより、繰り返しの精錬を通じて適切なリファレンスポイントを段階的に生成し、事前定義または固定されたリファレンスポイントに依存しない。
• クラスタリングとリファレンスポイント学習の相互作用により、追加のフィットネス評価を伴わず、真のパレートフロントの幾何構造に適応可能な柔軟性を実現する。
• クラスタリングの結果がリファレンスポイントの生成と再配置を指示するフィードバックループを採用し、探索効率を向上させる。
• 二重プロセスの統合により、追加の計算負荷を増加させることなく、多様なPF形状に適応可能な汎用性を有する。

実験結果

リサーチクエスチョン

• RQ1 未知のPF特徴を持つMaOPsにおいて、インタラクティブな多数目的進化的アルゴリズムが収束性と多様性を効果的にバランスできるか。
• RQ2 スパイラルクラスタリングとリファレンスポイントの逐次的学習が、追加のフィットネス評価なしに収束性と多様性をどのように向上できるか。
• RQ3 提案手法が、退化型および非退化型を含む多様な真のパレートフロント形状に、問題構造の事前知識なしに適応可能か。
• RQ4 クラスタリングとリファレンスポイント学習の動的相互作用は、静的または非インタラクティブなリファレンスポイント手法と比較して、性能と安定性の面でどのように優れるか。

主な発見

• CLIAは、多数目的最適化のためのCEC'2018ベンチマーク関数全般において、競争力があり安定した性能を発揮する。
• 真のパレートフロントへの強力な収束性を示し、退化型および非退化型を含む多様なPF形状に対しても効果的なカバー範囲を実現する。
• 二段階のスパイラルクラスタリングと動的リファレンスライン更新を活用することで、最終解集合における高い多様性を維持する。
• クラスタリングとリファレンスポイント学習の相互作用により、追加のフィットネス評価を伴わず、複雑なPF幾何構造への適応が可能となる。
• CEC'2018 MaOPベンチマークスイートにおいて、収束性および多様性指標で最先端のアルゴリズムを上回るか同等の性能を示す。
• 提案手法は、未知または複雑なパレートフロント構造を有する実世界のMaOPsに適した、頑健性と効率性を確認する。