[論文レビュー] Decomposition Multi-Objective Evolutionary Optimization: From State-of-the-Art to Future Opportunities

Ke Li|arXiv (Cornell University)|Aug 21, 2021

Advanced Multi-Objective Optimization Algorithms参考文献 319被引用数 9

ひとこと要約

本稿は、分解ベースの多目的進化的最適化、特にMOEA/D、そのコアコンponents、および最近の進展について包括的なサーベイを提供する。初心者向けの段階的チュートリアルを提示し、重みベクトル設計、部分問題定式化、選択、再生に関する主要な発展をレビューし、制約処理、計算コストの高い目的関数、好みの統合、並列計算における新たな研究分野を特定し、MOEA/Dフレームワークにおける収束性および均衡の理論的分析の深化を呼びかけている。

ABSTRACT

Decomposition has been the mainstream approach in the classic mathematical programming for multi-objective optimization and multi-criterion decision-making. However, it was not properly studied in the context of evolutionary multi-objective optimization until the development of multi-objective evolutionary algorithm based on decomposition (MOEA/D). In this article, we present a comprehensive survey of the development of MOEA/D from its origin to the current state-of-the-art approaches. In order to be self-contained, we start with a step-by-step tutorial that aims to help a novice quickly get onto the working mechanism of MOEA/D. Then, selected major developments of MOEA/D are reviewed according to its core design components including weight vector settings, sub-problem formulations, selection mechanisms and reproduction operators. Besides, we also overviews some further developments for constraint handling, computationally expensive objective functions, preference incorporation, and real-world applications. In the final part, we shed some lights on emerging directions for future developments.

研究の動機と目的

• 初心者向けにMOEA/Dの動作メカニズムを理解できる自己完結的でアクセス可能なチュートリアルを提供すること。
• 重みベクトルの設定、部分問題の定式化、選択メカニズム、再生オペレータの4つのコアコンponentsにわたるMOEA/Dにおける主な進展を体系的にレビューすること。
• 制約付き最適化、計算コストの高い目的関数、好みの統合、実世界の応用といった実用的課題に対応するためのMOEA/Dの拡張を検討すること。
• 将来の分解ベースの多目的進化的最適化アルゴリズムの発展に向けた新たな研究分野を特定し、議論すること。
• MOEA/Dフレームワーク下での人口ベースのメタヒューリスティクスにおける収束性および均衡の理論的分析が不足していることの強調により、理論的研究を刺激すること。

提案手法

• 重みベクトルによるスカラー化と部分問題の分解から始まり、MOEA/Dの基礎的動作メカニズムを段階的に説明するチュートリアルを導入する。
• Tchebycheff、PBI、AASFの主な部分問題定式化をレビューし、それらの幾何学的性質および収束特性を分析する。
• 多様性を維持し、探索方向をガイドするための、均一、適応的、動的な方法を含む重みベクトル生成戦略を検討する。
• マッチングベース選択と支配ベース選択の選択メカニズムを分析し、収束性と多様性のバランスを果たす役割を強調する。
• 再生オペレータの評価と分解との統合、特に適応的および適応的変異戦略を含む。
• 計算コストの高い目的関数に対するスラッグモデル統合、罰則法による制約処理、参照点を用いた好みベースの分解といった、先進的技術との統合を議論する。

実験結果

リサーチクエスチョン

• RQ1 MOEA/Dは、構造的なチュートリアルを通じて初心者に効果的に教えられ、理解されうるか？
• RQ2 重みベクトル生成、部分問題定式化、選択、再生におけるMOEA/Dの最も影響力のある設計選択は何か？
• RQ3 制約、計算コストの高い目的関数、実世界の応用におけるユーザーの好みを処理するために、MOEA/Dはどのように拡張可能か？
• RQ4 MOEA/Dフレームワーク内での並列および分散計算を実現するために、どのような主な課題と機会があるか？
• RQ5 人口ベースの探索における収束性および均衡の理論的基盤として、MOEA/Dで現在欠けているものは何か？

主な発見

• MOEA/Dは、複雑なMOPを管理可能なスカラー部分問題に分解できる能力により、進化的な多目的最適化分野で支配的フレームワークとなった。
• TchebycheffおよびPBIの部分問題定式化は、特定の条件下でハイパーボリューム指標と漸近的に同等であることが示され、その性能に理論的根拠があることを示唆している。
• マッチングベース選択メカニズムは、MOEA/Dにおける進化的プロセスの均衡を分析する上で有望な基盤を提供するが、収束の証明は未だ存在しない。
• 広範に使用されているにもかかわらず、人口ベースのメタヒューリスティクスがMOEA/Dフレームワーク下でどのように収束するかを示す理論的作業は、まだ存在しない。
• MOEA/Dの並列化は未だ発展途上であり、マスタースレーブ型やGPUベースのモデルを用いた限定的な研究しかなく、プラットフォームに配慮した適応的マッピング戦略の開発が求められている。
• スラッグモデルとの統合および好みベースの分解によるMOEA/Dの統合は、高コストおよび実世界のMOPを解く上で有望であるが、収束性、多様性、スパarsityを同時に評価できるように、特化した性能指標の開発が不可欠である。