[論文レビュー] Evolutionary Multimodal Optimization: A Short Survey

Ka‐Chun Wong|arXiv (Cornell University)|Aug 3, 2015

Photonic and Optical Devices参考文献 38被引用数 26

ひとこと要約

本稿は、1回の実行で複数のグローバルおよびローカル最適解を特定する進化的なマルチモーダル最適化手法を調査し、CrowdingDE-STL や CrowdingDE-TL といったアルゴリズムの重要性を強調している。実世界の応用、特に可変ライン間隔のホログラム回折格子設計において、CrowdingDE-TL は平均して45.54個のピークを同定し、他の手法と比較して高い統計的有意性を示した。

ABSTRACT

Real world problems always have different multiple solutions. For instance, optical engineers need to tune the recording parameters to get as many optimal solutions as possible for multiple trials in the varied-line-spacing holographic grating design problem. Unfortunately, most traditional optimization techniques focus on solving for a single optimal solution. They need to be applied several times; yet all solutions are not guaranteed to be found. Thus the multimodal optimization problem was proposed. In that problem, we are interested in not only a single optimal point, but also the others. With strong parallel search capability, evolutionary algorithms are shown to be particularly effective in solving this type of problem. In particular, the evolutionary algorithms for multimodal optimization usually not only locate multiple optima in a single run, but also preserve their population diversity throughout a run, resulting in their global optimization ability on multimodal functions. In addition, the techniques for multimodal optimization are borrowed as diversity maintenance techniques to other problems. In this chapter, we describe and review the state-of-the-arts evolutionary algorithms for multimodal optimization in terms of methodology, benchmarking, and application.

研究の動機と目的

• 1回の実行で1つの最適解しか得られない伝統的な最適化手法の限界を克服すること。
• 集団の多様性を維持しながら、同時に複数の最適解を発見できる進化的アルゴリズムを可能にすること。
• VLSホログラム回折格子設計のような複雑な工学的問題におけるマルチモーダル最適化の実用的有用性を示すこと。
• 標準化された指標と統計的検定を用いて、最先端の進化的なマルチモーダル最適化アルゴリズムを評価・比較すること。
• マルチモーダル最適化から得られる多様性維持技術が、他の最適化問題にも広く応用可能であることを強調すること。

提案手法

• 集団の多様性を維持し、複数の最適解を特定するために、事前選択とクラッタリング技術を採用する。
• 後継個体と集団内での類似した親個体を比較するため、クラッタリング係数（cf）と距離尺度（例：ユークリッド距離）を用いる。
• クラッタリング（CrowdingDE）を適用した差分発展（DE）と、遺伝的アルゴリズム（GA）の変種（CrowdingGA）を用いてマルチモーダル最適化を実施する。
• 選択および置換戦略を最適化した特別な変種、CrowdingDE-STL および CrowdingDE-TL を導入する。
• アルゴリズム間のパフォーマンス差を評価するために、統計的検定（Mann-Whitney U検定およびコルモゴロフ・スミルノフ検定）を実施する。
• 標準テスト関数および実世界の問題に対して、最良の適応度、発見されたピーク数、標準偏差などの指標を用いてアルゴリズムをベンチマーク化する。

実験結果

リサーチクエスチョン

• RQ1 ベンチマーク関数および実世界の問題において、進化的なマルチモーダル最適化アルゴリズムは、複数の最適解をどの程度効果的に特定できるか？
• RQ2 クラッタリングや事前選択といった多様性維持メカニズムは、マルチモーダル最適化のパフォーマンスにどのような影響を与えるか？
• RQ3 進化的なマルチモーダル最適化は、VLSホログラム回折格子設計のような高次元かつ非凸な工学的問題を効果的に解けるか？
• RQ4 CrowdingDE-STL、CrowdingDE-TL、その他のアルゴリズム変種の中で、収束性と多様性のバランスを最も良く達成するのはどれか？
• RQ5 統計的検定は、マルチモーダル最適化アルゴリズム間のパフォーマンス差の有意性をどの程度確認できるか？

主な発見

• VLSホログラム回折格子設計問題において、CrowdingDE-TL は50回の実行で平均45.54個のピークを発見し、最高の平均ピーク数を記録した。
• CrowdingDE-STL は平均最良適応度が8.29×10⁻⁸に達し、最適解への収束性が優れていた。
• 統計的検定（MWUおよびKS検定）の結果、CrowdingDEベースの手法は CrowdingGA、SharingGA、SharingDE、SDE、SCGA よりも顕著に優れていた（p < 0.05）。
• CrowdingDE-STL が得た設定は完全に異なるものであり、実行可能であったため、光学エンジニアは再実行なしに複数回の試行を実施できた。
• 本研究では、マルチモーダル最適化技術が複数の最適解を特定するだけでなく、集団の多様性を維持することでグローバルサーチ能力が向上することを確認した。
• 多様性維持に起因する高い計算複雑性にもかかわらず、提案手法はマルチモーダル関数の分布において、従来の単一最適解ソルバーを上回る性能を示した。