[論文レビュー] On some extensions to GA package: hybrid optimisation, parallelisation and islands evolution

Luca Scrucca|arXiv (Cornell University)|May 6, 2016

Parallel Computing and Optimization Techniques参考文献 15被引用数 74

ひとこと要約

この論文は、局所探索を統合して収束を高速化し、マスタースレーブおよびアイランド進化モデルによる並列化を実装することで、R GAパッケージを拡張している。ハイブリッドおよびアイランドバージョンは、Griewankのようなマルチモーダルなベンチマーク関数において、特に解の正確性と速度を顕著に向上させ、HGAISL手法は4,000回の反復のうち3,954回が成功した。

ABSTRACT

Genetic algorithms are stochastic iterative algorithms in which a population of individuals evolve by emulating the process of biological evolution and natural selection. The R package GA provides a collection of general purpose functions for optimisation using genetic algorithms. This paper describes some enhancements recently introduced in version 3 of the package. In particular, hybrid GAs have been implemented by including the option to perform local searches during the evolution. This allows to combine the power of genetic algorithms with the speed of a local optimiser. Another major improvement is the provision of facilities for parallel computing. Parallelisation has been implemented using both the master-slave approach and the islands evolution model. Several examples of usage are presented, with both real-world data examples and benchmark functions, showing that often high-quality solutions can be obtained more efficiently.

研究の動機と目的

• 局所探索戦略を統合することで、Rにおける遺伝的アルゴリズム最適化の効率および正確性を向上させること。
• マスタースレーブおよびアイランド進化アーキテクチャを用いた遺伝的アルゴリズムの並列実行を可能にすること。
• 実世界およびベンチマーク最適化問題における強化されたGAバージョンの性能を評価すること。
• ハイブリッドおよび並列コンピューティング拡張を用いて、計算時間を短縮し、解の品質を向上させること。

提案手法

• 各世代の後に関数の局所探索手順を統合することで、ハイブリッド遺伝的アルゴリズムを実装し、有望な解を精錬する。
• マスタースレーブモデルを用いて、複数のプロセッサまたはノードにフィットネス評価を分散させることで並列化を実現する。
• アイランド進化モデルでは、独立したサブ集団を別々の「アイランド」で実行し、定期的に個体を移動させて多様性を維持する。
• GAパッケージは、実数値および離散最適化問題（バイナリ、整数、順列変数を含む）をサポートするように拡張された。
• 実装はRの既存フレームワークを活用しつつ、将来のパフォーマンス向上のためのRcpp統合を可能にしている。
• 特にバイナリGAアプリケーションにおいて有益であるため、高コストなフィットネス関数呼び出しのキャッシュにメモ化を提案する。

実験結果

リサーチクエスチョン

• RQ1 RのGAパッケージにおいて、局所探索を遺伝的アルゴリズムに統合することで、収束速度および解の正確性がどのように向上するか？
• RQ2 マスタースレーブおよびアイランド進化モデルによる並列化を遺伝的アルゴリズム最適化に適用することで、どのような性能向上が達成できるか？
• RQ3 ハイブリッドおよびアイランドベースのGAバージョンは、Griewank関数のようなマルチモーダルなベンチマーク関数において、標準GAと比較してどのように異なるか？
• RQ4 ハイブリダイゼーションと並列処理の組み合わせにより、計算時間を顕著に短縮し、解の品質を向上させることができるか？
• RQ5 新しいGA拡張は、例えば病院手術死亡率推定のような実世界データにおいて、どの程度の性能向上を達成するか？

主な発見

• ハイブリッドGA（HGA）は、Griewank関数において4,000回の反復のうち3,717回が成功し、18通りの手法の中で2番目の正確性を達成した。
• ハイブリッドアイランドGA（HGAISL）は、ベンチマーク研究において最高の正確性を示し、4,000回の反復のうち3,954回が成功した。
• 局所探索を統合したアイランド進化モデルは、複雑でマルチモーダルな関数において解の分散を低減し、収束の安定性を向上させた。
• マスタースレーブおよびアイランドモデルによる並列化は、特にフィットネス評価が高コストな問題において、計算時間を顕著に短縮した。
• ハイブリッドGAにおける局所探索の統合により、局所的に二次関数的となる領域での収束が速まり、標準GAの主な限界を克服した。
• 提案された拡張は、95％信頼区間を伴う病院死亡率の推定など、実世界データにおいて優れた性能を示した。