[論文レビュー] Hybrid evolutionary algorithm with extreme machine learning fitness function evaluation for two-stage capacitated facility location problem

Peng Guo, Wenming Cheng+1 more|arXiv (Cornell University)|May 22, 2016

Facility Location and Emergency Management参考文献 33被引用数 4

ひとこと要約

本稿では、2段階容量制約付き施設配置問題（TSCFLP）を解くために、極端な機械学習（EML）に基づくフィットネス近似を組み込んだハイブリッド進化的アルゴリズム（HEA）を提案する。EMLを用いて高コストなフィットネス評価を補代替し、問題特有のヒューリスティクスと局所探索を統合することで、特に大規模なインスタンスにおいて、最先端の遺伝的アルゴリズム（GA）と比較して優れた解の品質と計算効率を達成している。

ABSTRACT

This paper considers the two-stage capacitated facility location problem (TSCFLP) in which products manufactured in plants are delivered to customers via storage depots. Customer demands are satisfied subject to limited plant production and limited depot storage capacity. The objective is to determine the locations of plants and depots in order to minimize the total cost including the fixed cost and transportation cost. A hybrid evolutionary algorithm (HEA) with genetic operations and local search is proposed. To avoid the expensive calculation of fitness of population in terms of computational time, the HEA uses extreme machine learning to approximate the fitness of most of the individuals. Moreover, two heuristics based on the characteristic of the problem is incorporated to generate a good initial population. Computational experiments are performed on two sets of test instances from the recent literature. The performance of the proposed algorithm is evaluated and analyzed. Compared with the state-of-the-art genetic algorithm, the proposed algorithm can find the optimal or near-optimal solutions in a reasonable computational time.

研究の動機と目的

• TSCFLPの大規模化に伴う進化的アルゴリズムにおける計算ボトルネック（高コストなフィットネス評価）を解消すること。
• 問題特有のヒューリスティクスと局所探索を進化的フレームワークに統合することで、解の品質と収束速度を向上させること。
• 極端な学習機械（ELM）に基づくサーヴェイモデルを用いて正確なフィットネス評価を置き換えることで、計算時間を短縮すること。
• エリート解に対してのみ正確なフィットネス評価を実施し、残りの大多数の個体に対してはEMLを用いることで、精度と効率のバランスを図ること。
• ベンチマークインスタンス、特に大規模なTSCFLPインスタンスにおいて、提案されたHEA/FAの有効性を示すこと。

提案手法

• 各反復で最良個体を改善するために、反転操作に基づく局所探索を組み込んだ、遺伝的操作（交叉、変異）とハイブリッド進化的アルゴリズム（HEA）を採用する。
• 集団の初期化段階で2つの問題特有のヒューリスティクスを導入し、高品質な初期解を生成する。
• 大多数の個体のフィットネス値を近似するために、極端な学習機械（ELM）をサーヴェイモデルとして使用し、計算コストを顕著に低減する。
• 確率的で適応的な交叉および変異率を適用することで、探索の多様性を高め、早期収束を回避する。
• 正確なフィットネス評価をエリート解に限定し、残りの個体はEMLで処理することで、精度を維持しながら効率を確保する。
• 2段階評価戦略を統合する：大多数の個体に対してEMLを、上位性能を示す解に対して正確な評価を実施することで、速度と精度のバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 極端な機械学習（EML）は、TSCFLPにおけるハイブリッド進化的アルゴリズムのフィットネス値を効果的に近似できるか。これにより、解の品質を損なわず計算時間を短縮できるか。
• RQ2 問題特有のヒューリスティクスと局所探索の統合は、大規模TSCFLPインスタンスを解く進化的アルゴリズムの性能にどのように寄与するか。
• RQ3 提案されたHEA/FAは、ベンチマークTSCFLPインスタンスにおいて、最先端の遺伝的アルゴリズム（GA）と比較して、解の品質と計算効率の両面でどの程度優れているか。
• RQ4 EML近似とエリート解に対する正確な評価を組み合わせたハイブリッドフィットネス評価戦略は、アルゴリズム全体のパフォーマンスにどのような影響を与えるか。
• RQ5 本稿で提案されたアルゴリズムは、従来の手法が計算的に非現実的となる大規模なTSCFLPインスタンス（例：100の工場）に対しても、効果的にスケーリング可能か。

主な発見

• 提案されたHEA/FAは、すべてのテストインスタンスにおいて、最先端の遺伝的アルゴリズム（GA）と比較してより優れた平均的な解の品質を達成した。平均相対偏差（RPD）は0.94%であったのに対し、GAは0.96%であった。
• 100台の工場を含むインスタンスでは、HEA/FAの平均計算時間は1073.28秒にまで短縮され、速度と解の品質の両面でGAを上回った。
• アルゴリズムは合理的な時間内に最適解または近似最適解を発見でき、インスタンス1-5（クラス1）で最高の解がRPD 0.17%を達成した。これは高い解の正確性を示している。
• EMLによるフィットネス近似の導入により、高コストな正確な評価回数が削減され、計算コストが顕著に低下したが、解の品質は維持された。
• 局所探索と適応的遺伝的演算子の統合により、収束性が向上し、特に多峰性の高い複雑な探索空間において、早期収束を効果的に防止できた。
• アルゴリズムは優れたスケーラビリティを示し、100台の工場と500人の顧客を含む大規模問題を含む多様なテストインスタンスにおいて、一貫したパフォーマンスを発揮した。