[論文レビュー] Musings about Constructions of Efficient Latin Hypercube Designs with Flexible Run-sizes

Hongzhi Wang, Qian Xiao+1 more|arXiv (Cornell University)|Oct 19, 2020

Advanced Multi-Objective Optimization Algorithms参考文献 46被引用数 4

ひとこと要約

本稿は、柔軟なランサイズを備えた最適ラテン超立体設計（LHD）を生成するための代数的構成法と探索アルゴリズムについて、包括的かつ比較的分析を提供している。シミュレーテッド・アニーリング、遺伝的アルゴリズム（GA）、粒子群最適化（PSO）、および代数的手法を含む手法を評価し、中程度から大規模な設計において近似的に最適なLHDを生成するうえで、GAが性能と計算効率のバランスが最も優れていると結論づけている。

ABSTRACT

Efficient Latin hypercube designs (LHDs), including maximin distance LHDs, maximum projection LHDs and orthogonal LHDs, are widely used in computer experiments. It is challenging to construct such designs with flexible sizes, especially for large ones. In the current literature, various algebraic methods and search algorithms have been proposed for identifying efficient LHDs, each having its own pros and cons. In this paper, we review, summarize and compare some currently popular methods aiming to provide guidance for experimenters on what method should be used in practice. Using the R package we developed which integrates and improves various algebraic and searching methods, many of the designs found in this paper are better than the existing ones. They are easy to use for practitioners and can serve as benchmarks for the future developments on LHDs.

研究の動機と目的

• 柔軟なランサイズを備えた最適ラテン超立体設計（LHD）の既存の代数的構成法と探索アルゴリズムを評価・比較すること。
• 最大最小距離、最大投影、直交性といったさまざまな最適性基準の下での、各手法の長所と短所を特定すること。
• 設計サイズ、計算予算、望ましい最適性基準に基づいて、研究者および実務家が適切な設計戦略を選択するための実用的ガイダンスを提供すること。
• 未解決の課題を浮き彫りにし、今後の最適LHD構築分野におけるベンチマークとしての役割を果たすこと。

提案手法

• シミュレーテッド・アニーリング（SA）、SA2008（JosephとHung, 2008）、スライスドLHD（SLHD）、LaPSO（粒子群最適化）、および遺伝的アルゴリズム（GA）といった広く使われている探索アルゴリズムの体系的レビューと比較。
• コストスアレイ（XiaoとXu, 2017）、ウィリアムズ変換（Wangら, 2018）、および他の手法（Ye, 1998；Sunら, 2010）を含む代数的構成法の評価。これらは特定のランサイズにおいて証明可能な最適性を有する。
• 平均および最大の|q|値（MaxPro基準）、CPU時間、L2距離および最大最小基準における最適性という複数の基準を用いた実証的ベンチマーク評価。
• ルール of thumb のサイズと非標準サイズを含む、多様な設計サイズ（n × k）におけるアルゴリズムの実装とテスト。
• GAおよびMaxProベースのLHD生成にRパッケージLHDとMaxProを用い、平均および最大|q|値、計算時間によって性能を測定。
• 14種類の異なる設計サイズ設定におけるアルゴリズム性能の統計的比較。結果は表11～14に要約されている。

実験結果

リサーチクエスチョン

• RQ1 どの探索アルゴリズムも、広範なランサイズと要因数において一貫して最高品質のラテン超立体設計を生成するか？
• RQ2 非標準サイズの設計において、代数的構成法とメタヒューリスティック探索アルゴリズムの最適性保証と計算コストの観点から、どちらが優れているか？
• RQ3 MaxProおよび最大最小LHDの構築において、GA、PSO、SA間の計算効率と設計品質のトレードオフはいかほどか？
• RQ4 どの設計サイズにおいて代数的構成法が証明可能な最適解を提供できるか？また、どのような状況で探索ベースの手法に頼る必要があるか？
• RQ5 チューニングパラメータと計算予算が、GA、LaPSOその他のメタヒューリスティクスの相対的性能にどのように影響するか？

主な発見

• 遺伝的アルゴリズム（GA）は、設計品質（低水準の平均および最大|q|）と計算効率の両面で、他の探索アルゴリズムを一貫して上回っている。特に中程度から大規模な設計において顕著である。
• MaxPro LHDの文脈では、RパッケージMaxProは計算が高速であるが、LHDパッケージに実装されたGAに比べて劣る結果をもたらす。
• LaPSOは設計品質に優れるが、GAに比べて著しく計算時間がかかるため、大規模応用には実用的でない。
• コストスアレイやウィリアムズ変換に基づく代数的構成法は、特定のランサイズ（例えば、素数pに対してn = p−1、p、またはp−2）において証明可能な最適設計を提供するが、非標準サイズへの適用範囲は限定的である。
• 直交的およびほぼ直交的なLHDの文脈では、n = 4r、4r+1、8r、または8r+1の場合にSun10およびYe98の代数的手法が推奨されるが、他のサイズではGAが有効である。
• 表12～14は実用的推奨事項を提供している：GAは大多数の設計サイズにおいて最大最小および最大投影LHDの構築に推奨されるが、MaxProは性能上の制限により、小規模設計（n ≤ 5）にのみ適している。