[論文レビュー] Potholes on the Royal Road

Theodore C. Belding|ArXiv.org|Apr 6, 2001

Evolutionary Algorithms and Applications参考文献 31被引用数 6

ひとこと要約

本稿は、『くぼみ関数』と呼ばれる修正されたロイヤルロード関数を設計することで、遺伝的アルゴリズムにおける『ブロック構築仮説』を検証する対立的アプローチを提示する。これらの関数には、単純な上昇型探索法を妨げるフィットネスの谷（深さ0.1または1.4）が人工的に組み込まれている。実験では、フィットネスの低下を最大ε=0.1まで許容する緩いランダム変異上昇型探索法（LRMHC）が、特定のくぼみ関数上で単純遺伝的アルゴリズム（SGA）を上回ることを示し、問題構造に関するドメイン固有の知識が与えられた場合、たとえ基本的な上昇型探索法であっても、EAsを上回る性能を発揮しうることを明らかにした。

ABSTRACT

It is still unclear how an evolutionary algorithm (EA) searches a fitness landscape, and on what fitness landscapes a particular EA will do well. The validity of the building-block hypothesis, a major tenet of traditional genetic algorithm theory, remains controversial despite its continued use to justify claims about EAs. This paper outlines a research program to begin to answer some of these open questions, by extending the work done in the royal road project. The short-term goal is to find a simple class of functions which the simple genetic algorithm optimizes better than other optimization methods, such as hillclimbers. A dialectical heuristic for searching for such a class is introduced. As an example of using the heuristic, the simple genetic algorithm is compared with a set of hillclimbers on a simple subset of the hyperplane-defined functions, the pothole functions.

研究の動機と目的

• 本仮説の前提に反するテスト関数を設計することで、進化的計算におけるブロック構築仮説（BBH）の妥当性を検証すること。
• 単純な遺伝的アルゴリズム（SGA）が、上昇型探索法などの他の最適化手法を上回るような、単純なクラスのフィットネス関数を同定すること。
• EAsにおける交叉と選択が、局所探索ヒューリスティクスよりも優位に働く条件を同定すること。
• 関数を段階的に変更することで、SGAの優位性を維持しつつ、次第に洗練された上昇型探索法に対して難易度を高める対立的ヒューリスティクスを開発すること。
• 単純な上昇型探索法の限界と、最適化性能に与えるドメイン固有の知識の役割を明らかにすること。

提案手法

• ロイヤルロード（RR）フレームワークを拡張し、『くぼみ関数』を導入。これは、局所探索手法を妨げる人工的なフィットネスの谷（深さ0.1または1.4）を備えたRR関数である。
• フィットネスがε=0.1未満に低下する場合にのみ新しい解を受容する緩いランダム変異上昇型探索法（LRMHC）を設計。くぼみの深さに関するドメイン知識を統合している。
• 性能指標としてフィットネス評価回数と収束速度を用い、SGAとLRMHCをくぼみ関数$p_1$上で比較した。
• 対立的アプローチを採用：上昇型探索法がSGAを上回れば、その関数を変更し、探索法がより困難になるようにしながらもSGAの優位性を維持する。
• スケマがフィットネスに+1.0または+1.4を寄与させるフィットネス関数を採用し、閾値ベースの受容ルールを用いてフィットネス低下の許容を模擬した。
• LRMHCが$p_1$上で示す挙動を分析し、このようなヒューリスティクスに困難をきたす関数の構造的特徴を予測した。

実験結果

リサーチクエスチョン

• RQ1 単純な遺伝的アルゴリズム（SGA）が単純な上昇型探索法を上回るフィットネス関数のクラスは何か？
• RQ2 フィットネスの谷（くぼみ）の存在は、ランダム変異上昇型探索法などの局所探索手法の性能にどのように影響を与えるか？
• RQ3 くぼみの深さといったドメイン固有の知識を組み込むことで、上昇型探索法が特定の関数上でSGAを上回る可能性はどの程度か？
• RQ4 対立的ヒューリスティクスを用いて、SGAには有利だが、次第に洗練された上昇型探索法には困難な関数を体系的に生成できるか？
• RQ5 ブロック構築仮説はどのような条件下で実証的に有効であり、また、交叉が『マクロ変異』として機能する場合と、『ブロック再結合』として機能する場合の違いは何か？

主な発見

• LRMHCはくぼみ関数$p_1$上でSGAを上回り、常にグローバル最適解に到達し、かつ著しく速やかに到達した。
• LRMHCは、フィットネス低下を最大0.1まで許容することで、標準的な上昇型探索法が陥る浅いくぼみを回避できた。
• SGAは、導入されたくぼみによって生じる局所最適解から脱出できないため、交差を用いているにもかかわらず$p_1$で苦戦した。
• 結果から、問題構造に関する最小限のドメイン固有知識が与えられた場合、単純な上昇型探索法でさえもEAsを上回る性能を発揮しうることが示された。
• $p_1$上で単純で効果的な上昇型探索法（LRMHC）が存在することは、単純で構造的な関数においてEAsが本質的に優位であるという仮定を揺るがすものである。
• 本研究は、ランドスケープの特徴とアルゴリズムの挙動を詳細に分析しない限り、ブロック構築仮説を前提にできないことを確認した。