[論文レビュー] Benchmarking the Hill-Valley Evolutionary Algorithm for the GECCO 2018 Competition on Niching Methods Multimodal Optimization

S. C. Maree, Tanja Alderliesten+2 more|arXiv (Cornell University)|Jun 30, 2018

Metaheuristic Optimization Algorithms Research参考文献 2被引用数 8

ひとこと要約

この論文は、問題固有のパrameterチューニングを一切行わず、厳格な競争ルールのもとでCEC2013ニッチングベンチマークスイートに対して、Hill-Valley進化的アルゴリズム（HillVallEA）の拡張版をベンチマークしている。本手法は、解の再利用、収束および再探索検出に基づく適応的終了基準、再キャリブレーションされた集団サイズを用いることで、ニッチ検出と探索効率を向上させ、全問題でピーク比0.885、静的F1スコア1.0の最高成績を達成した。

ABSTRACT

This report presents benchmarking results of the latest version of the Hill-Valley Evolutionary Algorithm (HillVallEA) on the CEC2013 niching benchmark suite. The benchmarking follows restrictions required by the GECCO 2018 competition on Niching methods for Multimodal Optimization. In particular, no problem dependent parameter tuning is performed. A number of adjustments have been made to original publication of HillVallEA that are discussed in this report.

研究の動機と目的

• 競争制約のもとで、CEC2013ニッチングベンチマークスイートにおける改良版Hill-Valley進化的アルゴリズム（HillVallEA）の性能を評価すること。
• 問題固有のパrameterチューニングなしに、手法的改善がマルチモーダル最適化に与える影響を評価すること。
• 適応的終了基準および解の再利用が、ニッチ検出における収束性と多様性を向上させるかどうかを調査すること。
• ピーク比および静的F1指標を用いて、HillVallEAのRS-CMSAベースラインとの性能を比較すること。

提案手法

• HillVallEAは二段階のアプローチを採用する：最初にHill-Valleyテストを用いて初期解をクラスタリングし、その後各クラスタに対して集団ベースのコア探索を実行する。
• Hill-Valleyテスト中に得られた解は再利用され、新しいニッチに解が割り当てられる際にはクラスタに追加され、有用な情報を保持する。
• 終了基準として、5代ごとに新しい解をエリートアーカイブと比較し、Hill-Valleyテストを用いて以前に発見されたニッチの再探索を検出する。
• 第二の終了基準として、指数関数的収束仮定のもとで収束速度（r_n）と最適値到達までの時間（tto）を推定し、局所最適値への収束を検出する。
• 集団サイズは|P| = 2^6 * dに再キャリブレーションされ、元の2^4 * dから向上させることで性能を向上させた。
• AMaLGaM-Univariateは、過去の評価で優れた性能を示したとして、コア探索アルゴリズムとして採用された。

実験結果

リサーチクエスチョン

• RQ1 問題固有のパrameterチューニングなしに、拡張版HillVallEAはCEC2013ニッチングベンチマークスイートでどのように性能を発揮するか？
• RQ2 解の再利用および適応的終了基準は、ニッチ検出および収束性をどの程度向上させるか？
• RQ3 再キャリブレーションされた集団サイズスキームは、マルチモーダル最適化全体の性能向上に寄与するか？
• RQ4 ピーク比および静的F1スコアの観点から、HillVallEAはRS-CMSAベースラインと比べてどの程度優れているか？

主な発見

• HillVallEAは、CEC2013ベンチマーク問題全20問において平均ピーク比0.885を達成し、平均ピーク比0.856を示したRS-CMSAベースラインを上回った。
• 静的F1スコアは全問題で1.0であり、重複のない解集合を用いて明確なグローバル最適解を完全に検出できたことを示した。
• 特に困難な問題（例：20次元におけるコンポジション関数4）においても、HillVallEAはピーク比0.482を達成し、高次元マルチモーダルな最適化空間におけるロバストネスを示した。
• 拡張された終了基準は、無駄な探索や早期収束を効果的に防止し、効率性と正確性の向上に寄与した。
• |P| = 2^6 * dに再キャリブレーションされた集団サイズは、元の|P| = 2^4 * d設定と比較して、顕著な性能向上をもたらした。
• 本手法は、すべての局所最適解および重複解を効果的にフィルタリングし、精度閾値εに依存しない高品質な解集合を保証した。