[論文レビュー] Investigating the effects Diversity Mechanisms have on Evolutionary Algorithms in Dynamic Environments

Matthew T. Hughes|arXiv (Cornell University)|Oct 9, 2016

Metaheuristic Optimization Algorithms Research参考文献 19被引用数 3

ひとこと要約

本論文は、動的最適化問題における多様性メカニズムが進化的アルゴリズムの性能に与える影響を調査し、フィットネス共有、クリーニング、クラッタリング、近親交配防止、アイランドモデルなどの手法を比較している。主な貢献は、複数の移動ピークを追跡する能力において、他のすべての手法を上回る、新たなハイブリッドアルゴリズムの開発である。このアルゴリズムは、近似的に最適なフィットネスを達成し、すべての動的テスト問題において多様性を維持している。

ABSTRACT

Evolutionary algorithms have been successfully applied to a variety of optimisation problems in stationary environments. However, many real world optimisation problems are set in dynamic environments where the success criteria shifts regularly. Population diversity affects algorithmic performance, particularly on multiobjective and dynamic problems. Diversity mechanisms are methods of altering evolutionary algorithms in a way that promotes the maintenance of population diversity. This project intends to measure and compare the performance effect a variety of diversity mechanisms have on an evolutionary algorithm when facing an assortment of dynamic problems.

研究の動機と目的

• 動的環境における進化的アルゴリズムの性能に与える多様性メカニズムの影響を評価すること。
• フィットネスランドスケープの変化中に、集団の多様性を維持するのに最も効果的なメカニズムを特定すること。
• 移動ピークや高さが変化するランドスケープを含む、さまざまな動的ベンチマーク問題におけるアルゴリズムの性能を比較すること。
• 既存の多様性メカニズムの長所を統合した、新たなハイブリッドアルゴリズムの開発とテストを行うこと。
• 問題のダイナミクスやパラメータ設定の変化に対して、多様性メカニズムのロバストネスと適応性を評価すること。

提案手法

• フィットネス共有、クリーニング、クラッタリング、近親交配防止、ゲノタイプ除去、アイランドモデル、および新たなハイブリッドアルゴリズムを含む、異なる多様性メカニズムを持つ進化的アルゴリズムのスイートを実装した。
• OneMax、TwoMax、One Moving Peak、Two Moving Peaks、Height Changing Peaks、Moving Height Changing Peaks の6つの動的テスト問題にこれらのアルゴリズムを適用した。
• アルゴリズムの実装と実験には、標準化されたパラメータを用いたDEAP（Pythonにおける分散進化的アルゴリズム）を用いた。
• 複数回の実行におけるオフラインパフォーマンス、最大フィットネス、多様性指標、収束安定性を測定してパフォーマンスを評価した。
• 問題のランドスケープにおける動的変化に対する感受性を評価するため、ビット反転変異確率を調整した。
• 複数の多様性メカニズムの長所を統合することで、複数の移動ピークの追跡を向上させる新たなハイブリッドアルゴリズムを設計した。

実験結果

リサーチクエスチョン

• RQ1 異なる多様性メカニズムは、動的環境下での複数の移動ピークを追跡する能力にどのように影響を与えるか？
• RQ2 急激なフィットネスランドスケープの変化の間に、集団の多様性を維持するのに最も効果的な多様性メカニズムは何か？
• RQ3 複数の多様性メカニズムを統合したハイブリッドアルゴリズムは、複雑な動的問題において個々のメカニズムを上回る性能を示せるか？
• RQ4 動的最適化タスクにおいて、集団の多様性とフィットネスパフォーマンス、収束安定性の相関関係は何か？
• RQ5 変動する変異率と問題のダイナミクスが、多様性メカニズムのパフォーマンスに与える影響は何か？

主な発見

• 新規ハイブリッドアルゴリズムは、One Moving Peak問題において最高のオフラインパフォーマンス（94.910）を達成し、他のすべてのアルゴリズムを上回った。
• Two Moving Peaks問題では、新アルゴリズムが唯一、両ピークに一貫して個体を特定し維持でき、ピーク検出の成功率が100%であった。
• Height Changing Peaks問題では、ピークの移動後も最大フィットネス（100）を維持し、優れた安定性と収束性を示した。
• Moving Height Changing Peaks問題では、新アルゴリズムが最高のオフラインパフォーマンス（90.249）を達成し、動的変化にもかかわらずフィットネスをグローバル最適値に近い水準で維持した。
• マルチピーク問題すべてにおいて、新アルゴリズムは両ピークを成功裏に追跡し、ピーク検出の成功率が100%であった。一方、他のアルゴリズムはサブポピュレーションを維持できなかった。
• フィットネス共有とクリーニングは単一ピーク問題では優れたパフォーマンスを示したが、マルチピーク追跡では困難をきたした。一方、アイランドモデルや近親交配防止は全体的に効果が低かった。