[論文レビュー] Memetic firefly algorithm for combinatorial optimization

Iztok Fister, Yang, Xin-She+2 more|arXiv (Cornell University)|Apr 23, 2012

Scheduling and Timetabling Solutions参考文献 28被引用数 100

ひとこと要約

本稿では、組合せ最適化、特にグラフ3色割り当て問題に対して、解を実数値のベクトルとして符号化し、重みによって頂点の順序付けを誘導し、その後DSaturに基づく色分けと局所探索を実行することで、メタヒューリスティックなファイヤーフライアルゴリズム（MFFA）を提案する。MFFAは中規模の均一グラフおよび等分割グラフにおいて、HEAおよびTabucolを上回り、フェーズ遷移領域で優れた成功確率と少ない関数評価回数を達成した。

ABSTRACT

Firefly algorithms belong to modern meta-heuristic algorithms inspired by nature that can be successfully applied to continuous optimization problems. In this paper, we have been applied the firefly algorithm, hybridized with local search heuristic, to combinatorial optimization problems, where we use graph 3-coloring problems as test benchmarks. The results of the proposed memetic firefly algorithm (MFFA) were compared with the results of the Hybrid Evolutionary Algorithm (HEA), Tabucol, and the evolutionary algorithm with SAW method (EA-SAW) by coloring the suite of medium-scaled random graphs (graphs with 500 vertices) generated using the Culberson random graph generator. The results of firefly algorithm were very promising and showed a potential that this algorithm could successfully be applied in near future to the other combinatorial optimization problems as well.

研究の動機と目的

• 連続最適化を想定して開発された自然にインspiredなファイヤーフライアルゴリズムを、グラフ3色割り当てのような組合せ最適化問題に適応すること。
• メタヒューリスティクスを離散的かつNP完全な問題に適用する課題に対処するため、局所探索と実数値重みによる解表現を統合すること。
• 提案されたメタヒューリスティックなファイヤーフライアルゴリズム（MFFA）の性能を、ベンチマーク用のランダムグラフ上で既存のアルゴリズムと比較すること。
• 集団の更新戦略、エリート主義、局所探索といった、MFFAの性能に影響を与える主要なアルゴリズム的要素の影響を調査すること。

提案手法

• 各要素が頂点の重みに対応する実数値のベクトルとして解を表現し、その重みによって色分け順序の優先度を決定する。
• 頂点を重み順にソートして順列を作成し、それをDSaturヒューリスティックの入力として使用して3色割り当てを構築する。
• ファイヤーフライアルゴリズムはこれらの実数値ベクトル上で動作し、目的関数値と解空間内での距離に基づく魅力性に従って移動が誘導される。
• エリート主義を適用して世代を超えて最良の解を保持し、収束の安定性を確保する。
• 解の改良と局所的吸引域のより深い探索を図るため、ヒューリスティックなスワップ局所探索を統合する。
• アルゴリズムはハイブリッド戦略を採用しており、ファイヤーフライの移動によるグローバル探索と、局所探索によるローカルな特化を併用する。

実験結果

リサーチクエスチョン

• RQ1 ファイヤーフライアルゴリズムは、グラフ3色割り当てのような組合せ最適化問題に効果的に適応可能か？
• RQ2 実数値重みによる解表現と局所探索の統合は、離散的問題における性能にどのように影響を与えるか？
• RQ3 MFFAは、HEA、Tabucol、EA-SAWといった既存のアルゴリズムと比較して、中規模のランダムグラフを解く際にどのように性能を発揮するか？
• RQ4 集団の更新戦略やエリート主義といった主要なアルゴリズム的要素は、MFFAの性能にどのような影響を与えるか？
• RQ5 MFFAは、問題の難易度がピークに達するランダムグラフのフェーズ遷移領域において、頑健性を示すか？

主な発見

• MFFAは、均一グラフおよび等分割グラフにおいて、特にエッジ確率p = 0.014–0.016付近のフェーズ遷移領域で、HEAおよびTabucolよりも高い成功確率（SR）を達成した。
• 均一グラフおよび等分割グラフにおいて、MFFAは他のアルゴリズムと比較して平均関数評価回数（AES）が少なく、収束が速いことを示した。
• フラットグラフではMFFAはHEAおよびTabucolにやや劣ったが、依然として同等の性能を示した。一方、EA-SAWはすべてのグラフタイプで最悪の結果を報告した。
• ファイヤーフライの移動に中間的集団P′を用いることで、制御されたランダムネスが導入され、性能向上が顕著に見られた。
• エリート主義は最良の解を保持し、探索空間の有望な領域へ向かう探索をガイドする上で不可欠であった。
• ランダムネスパラメータαの自己適応的チューニングは結果を改善しなかったため、現在の問題インスタンスでは固定パラメータ設定で十分である可能性がある。