[論文レビュー] Genetic Algorithms for multimodal optimization: a review

Noé Casas|arXiv (Cornell University)|Jun 10, 2015

Metaheuristic Optimization Algorithms Research参考文献 24被引用数 9

ひとこと要約

本稿は、多モーダル最適化のための遺伝的アルゴリズム（GA）技術をレビューし、構造的集団モデル（例：アイランド型および空間分散型GA）と多様性促進手法（例：フィットネス共有、クラッディング）に分類する。結論として、クラッディングは最も頑健で広く有効な技術であるとされ、他の手法は問題固有のチューニングに強く依存しており、パニックティックGAに比べて一般に優位性を示さない。

ABSTRACT

In this article we provide a comprehensive review of the different evolutionary algorithm techniques used to address multimodal optimization problems, classifying them according to the nature of their approach. On the one hand there are algorithms that address the issue of the early convergence to a local optimum by differentiating the individuals of the population into groups and limiting their interaction, hence having each group evolve with a high degree of independence. On the other hand other approaches are based on directly addressing the lack of genetic diversity of the population by introducing elements into the evolutionary dynamics that promote new niches of the genotypical space to be explored. Finally, we study multi-objective optimization genetic algorithms, that handle the situations where multiple criteria have to be satisfied with no penalty for any of them. Very rich literature has arised over the years on these topics, and we aim at offering an overview of the most important techniques of each branch of the field.

研究の動機と目的

• 多モーダル最適化問題を解くために設計された進化的アルゴリズム技術について、体系的なレビューを提供すること。
• 集団構造によって多様性を暗黙的に促進する手法と、遺伝的多様性を明示的に制御する手法を区別すること。
• 多目的最適化アルゴリズムが単目的多モーダル問題を解く役割を検討すること。
• 各手法の強み・弱みおよび実用的性能を、パニックティックGAと比較して評価すること。
• 問題の特性と実証的証拠に基づいて、研究者が適切な多モーダル最適化戦略を選択できるようにガイドすること。

提案手法

• 多モーダル最適化手法を主に二つのカテゴリに分類する：構造的集団GA（例：アイランドモデル、空間分散型GA）と多様性制御GA（例：フィットネス共有、クラッディング）。
• 孤立したサブポピュレーション（アイランド）を用い、定期的な移動を実施することで多様性を維持し、早期収束を回避するアイランドモデルGAを分析する。
• 個体に空間座標を割り当て、交配を近隣の個体に限定することで自然なサブポピュレーション形成を促進する空間分散型GAを検討する。
• フィットネス共有という多様性促進メカニズムをレビューする。これは、ゲノム空間における混雑領域にいる個体にペナルティを与えることで、ニッチ形成を促進する。
• クラッディングについて説明する。これは、類似した個体を新しい後継個体で置き換えることで多様性を維持し、複数の最適解を探索する。
• 第二の目的を導入することで、単目的多モーダル問題を多目的問題に変換する多目的進化的アルゴリズム（MOEA）の利用を検討する。

実験結果

リサーチクエスチョン

• RQ1 複数の局所最適解を有する多モーダル最適化問題を解くために、どの遺伝的アルゴリズム戦略が最も効果的か？
• RQ2 アイランドモデルなどの構造的集団アプローチと、フィットネス共有やクラッディングなどの多様性制御メカニズムは、性能と頑健性の観点でどのように比較できるか？
• RQ3 多目的最適化アルゴリズムは、単目的多モーダル問題を解くためにどの程度再利用可能か？
• RQ4 理論的利点があるにもかかわらず、一部の多モーダル最適化手法が標準的なパニックティックGAに比べて性能を発揮しないのはなぜか？
• RQ5 実際の応用において、多モーダル最適化アルゴリズムをチューニングおよび展開する際に直面する主な課題は何か？

主な発見

• クラッディングは、レビューされた手法の中で最も一貫して効果的かつ広く受け入れられている技術であり、多様な多モーダル問題において頑健な性能を示している。
• アイランドモデルや空間分散型GAなどの構造的集団アプローチは並列処理に有利で、サブポピュレーションごとに異なる最適化アルゴリズムを適用可能であるが、移動頻度やトポロジーなどのパラメータの適切なチューニングが求められる。
• フィットネス共有はニッチ半径を手動で設定する必要があり、性能がこのパラメータに極めて敏感である。適切にチューニングされない場合、しばしば劣悪な結果をもたらす。
• 空間分散型GAはアイランドモデルよりも設定が少なく、パラメータ選択に対して感受性が低いが、適応機構がなければ依然として性能を発揮しない可能性がある。
• これらのアルゴリズムの自己適応型バージョンは、細かくチューニングされた非適応型バージョンに比べてしばしば性能を発揮しない。これは、適応的チューニングが万能な解決策ではないことを示唆している。
• デブ（2002）が提唱した多目的進化的アルゴリズム（MOEA）は、単目的多モーダル問題を多目的問題に変換することで効果的に解ける。これは有望な代替手法を提供する。