[論文レビュー] Optimized random chemistry

Jeffrey S. Buzas, Gregory S. Warrington|arXiv (Cornell University)|Feb 12, 2013

Origins and Evolution of Life参考文献 5被引用数 9

ひとこと要約

この論文は、期待実行時間を最小化するための最適な集合サイズの順序を導出することによって、ランダムケミストリー（Random Chemistry）アルゴリズムのサブセット同定を最適化する。各選択確率を $ e^{-1} $ に設定し、$ M = \ln \binom{n}{k} $ ステップをとることで、期待選択回数 $ E[X] = e \ln \binom{n}{k} $ が最適化され、カウフマンの元来の $ 1/2 $-比率手法に比べ顕著な改善が得られることが証明されている。

ABSTRACT

The random chemistry algorithm of Kauffman can be used to determine an unknown subset S of a fixed set V. The algorithm proceeds by zeroing in on S through a succession of nested subsets V=V_0,V_1,...,V_m=S. In Kauffman's original algorithm, the size of each V_i is chosen to be half the size of V_{i-1}. In this paper we determine the optimal sequence of sizes so as to minimize the expected run time of the algorithm.

研究の動機と目的

• 未知のサイズ $ k $ の部分集合 $ S \subset [n] $ を特定するための一般化ランダムケミストリー（GRC）アルゴリズムにおいて、期待実行時間を最小化するための最適な集合サイズの順序を特定すること。
• 各集合が半分に削減されるというカウフマンの元来のランダムケミストリー手法を拡張し、削減比を可変化させることで効率性を向上させること。
• ガンマ関数とラグランジュ乗数法を用いて、離散最適化問題を連続的リラクゼーションにより解くこと。
• 変分法を用いて近似解を導出し、整数サイズの集合に対して実装可能な実用的解を得ること。
• シミュレーションと理論的分析を通じて、最適解とカウフマンの元来のアルゴリズムおよびグループテストの変種を比較すること。

提案手法

• 期待選択回数を $ E[X] = \sum_{i=1}^M \frac{1}{p_i} $ として定式化し、ここで $ p_i = \frac{\binom{n_{i-1}-k}{n_i-k}}{\binom{n_{i-1}}{n_i}} $ である。
• 集合サイズ $ n_i $ の離散的整数制約を緩和し、階乗を $ \Gamma $-関数に置き換えることで連続的最適化を可能にする。
• $ \sum z_i $ を $ \sum \ln z_i = \ln \binom{n}{k} $ の制約のもとで最小化するためラグランジュ乗数法を適用し、 $ z_i = \binom{n}{k}^{1/M} $ が得られ、最適な $ M = \ln \binom{n}{k} $ が導かれる。
• 確率比を $ \left( \frac{n_{i-1}}{n_i} \right)^k $ として近似することで、変分法による近似解を導出し、微分方程式 $ y' / y = \text{一定} $ を得る。
• 微分方程式を解き、連続的近似 $ n_i \approx k^{i/M} n_0^{1-i/M} $ を得る。この近似式を用いて整数サイズのシーケンスを生成する。
• $ n_0 = 100 $、$ k = 5 $ の条件下で10万回のシミュレーションを実施し、理論的期待ステップ数と実測値の一致を確認した。

実験結果

リサーチクエスチョン

• RQ1 一般化ランダムケミストリー（GRC）アルゴリズムにおいて、サブセット同定のための期待選択回数を最小化する集合サイズの順序は何か？
• RQ2 連続する集合サイズ間の最適な削減比は、カウフマンの元来の $ 1/2 $-比率戦略と比べてどのように異なるか？
• RQ3 離散的最適化問題の連続的リラクゼーションは、整数サイズの集合シーケンスに対して実行可能で精度の高い近似を提供できるか？
• RQ4 実際の応用において、変分法による近似式 $ n_i \approx k^{i/M} n_0^{1-i/M} $ は正確な最適解とどの程度一致するか？
• RQ5 最適アルゴリズムの期待実行時間は、元来のランダムケミストリーおよび他のヒューリスティック戦略と比べてどの程度優れているか？

主な発見

• 最適な期待選択回数は $ E[X] = e \ln \binom{n}{k} $ であり、各選択確率 $ p_i = e^{-1} $ でかつステップ数 $ M = \ln \binom{n}{k} $ のとき達成される。
• $ n_0 = 100 $、$ k = 5 $ の場合、最適なステップ数は $ M_{\text{opt}} \approx 18 $ であり、正確な解では期待実行時間が約49.3ステップに達する。
• 近似解 $ n_i = k^{i/M} n_0^{1-i/M} $ では期待実行時間が50.5ステップに達し、正確な最適解に非常に近い。
• $ n_0 = 100 $、$ k = 5 $ の条件下で10万回のシミュレーションを実施した結果、平均実行時間は50.9ステップであり、理論的予測とよく一致した。
• 最適解は、固定された $ 1/2 $ 削減比を使用するカウフマンの元来のRCアルゴリズムを上回り、顕著に高い期待実行時間の低下を示した。
• 実測の実行時間分布は、負の二項分布に非常に近いことが確認され、モデルの確率的仮定が妥当であることを裏付けた。