[論文レビュー] Genetic and Memetic Algorithm with Diversity Equilibrium based on Greedy Diversification

Andrés Herrera-Poyatos, Francisco Herrera|arXiv (Cornell University)|Feb 12, 2017

Metaheuristic Optimization Algorithms Research参考文献 27被引用数 5

ひとこと要約

本稿では、多様性を維持するためのグリーディな多様化作用素を備えた、新しい遺伝的および膜知的アルゴリズムであるGADEGDとMADEGDを提案する。これにより、探索と活用のバランスが図られ、旅行セールスマン問題において最先端のアルゴリズムを上回る性能を発揮する。

ABSTRACT

The lack of diversity in a genetic algorithm's population may lead to a bad performance of the genetic operators since there is not an equilibrium between exploration and exploitation. In those cases, genetic algorithms present a fast and unsuitable convergence. In this paper we develop a novel hybrid genetic algorithm which attempts to obtain a balance between exploration and exploitation. It confronts the diversity problem using the named greedy diversification operator. Furthermore, the proposed algorithm applies a competition between parent and children so as to exploit the high quality visited solutions. These operators are complemented by a simple selection mechanism designed to preserve and take advantage of the population diversity. Additionally, we extend our proposal to the field of memetic algorithms, obtaining an improved model with outstanding results in practice. The experimental study shows the validity of the approach as well as how important is taking into account the exploration and exploitation concepts when designing an evolutionary algorithm.

研究の動機と目的

• 遺伝的アルゴリズムにおける集団の多様性喪失という重要な課題に取り組み、早期収束を防ぐ。
• 探索（多様性）と活用（局所探索の最適化）の動的な均衡を、探索プロセス全体にわたって維持する。
• グリーディな多様化と選択・競争メカニズムを統合したハイブリッドメタヒューリスティックを設計し、高品質で多様な集団を継続的に維持する。
• 組合せ最適化問題における性能向上を図るため、フレームワークを膜知的アルゴリズムに拡張する。
• ベンチマークTSPインスタンス上で、提案されたアルゴリズムの有効性を実証し、従来の手法を上回る解の質と多様性指標を達成する。

提案手法

• 集団の多様性がしきい値未満に低下した場合に、ランダム化されたグリーディアルゴリズムによって新しい染色体を生成するグリーディな多様化作用素を導入する。
• 親と子の競争メカニズムを実装し、優れた子孫のみが集団に参加できるようにすることで、有望な領域の活用を強化する。
• 選択時に非隣接で相違する個体を優先するランダム化された隣接選択戦略を用いて、多様性を維持する。
• 局所探索（例：2-opt）を、新しい改善解が集団に追加された場合にのみ選択的に統合することで、計算コストを削減しながらも効果を維持する。
• 多様性指標に基づき、必要に応じてのみ多様化をトリガーすることで、探索と活用の動的バランスを図る。
• 局所探索を選択的に適用し、同じコア作用素を用いて多様性を維持することで、フレームワークを膜知的アルゴリズム（MADEGD）に拡張する。

実験結果

リサーチクエスチョン

• RQ1 グリーディな多様化作用素は、遺伝的アルゴリズムにおける集団の多様性を効果的に回復・維持できるか？
• RQ2 親と子の競争と多様性を保全する選択の組み合わせは、収束性と解の質をどのように向上させるか？
• RQ3 提案されたアルゴリズム（GADEGD）は、CHC や Micro-GA といった既存の遺伝的アルゴリズムに比べ、解の質と多様性の観点でどの程度優れているか？
• RQ4 TSPインスタンスにおいて、膜知的アルゴリズムへの拡張（MADEGD）は、GRASP や反復的グリーディ法に比べて優れた性能を示すか？
• RQ5 選択的な局所探索の適用は、膜知的フレームワークにおける多様性と計算効率にどのように影響を与えるか？

主な発見

• GADEGDは、テストされたすべてのTSPインスタンスでCHCやMicro-GAを上回る顕著な解の質を達成し、ほとんどのベンチマークで中央値の解差が1%未満であった。
• GADEGDでは、実行全体にわたり集団の多様性が安定的かつ高い水準を維持しており、他のアルゴリズムで見られる早期収束を回避した。
• MADEGDは平均して85%以上の反復で局所探索を適用しており、改善解の継続的発見が示された一方で、高い多様性を維持した。
• MADEGDは、全15のTSPインスタンスにおいてGRASPや反復的グリーディ法を上回る解の質を示し、平均で1.5%から10%の改善を達成した。
• グリーディな多様化作用素は、標準的な変異よりも多様性の維持と持続的探索を実現する上でより効果的であった。
• 競争、多様性を保全する選択、および選択的局所探索の組み合わせにより、完全適用手法に比べて局所探索の呼び出し回数が10〜20%削減されたが、解の質に悪影響を与えることなく実現された。