[論文レビュー] Preselection via Classification: A Case Study on Evolutionary Multiobjective Optimization

Jinyuan Zhang, Aimin Zhou+2 more|arXiv (Cornell University)|Aug 3, 2017

Advanced Multi-Objective Optimization Algorithms参考文献 5被引用数 5

ひとこと要約

本稿では、進化的多目的最適化における分類ベースの事前選択（CPS）戦略を提案する。この戦略では、非劣位解と劣位解の訓練データに基づいて学習された分類器を用いて、目的関数の評価を伴わずに有望な後続個体を選択する。CPSは、多様なテスト問題において3つの最先端のMOEAを改善し、収束性とハイパーボリューム指標を一貫して低減させ、ベースラインアルゴリズムを上回る優れた性能を示している。

ABSTRACT

In evolutionary algorithms, a preselection operator aims to select the promising offspring solutions from a candidate offspring set. It is usually based on the estimated or real objective values of the candidate offspring solutions. In a sense, the preselection can be treated as a classification procedure, which classifies the candidate offspring solutions into promising ones and unpromising ones. Following this idea, we propose a classification based preselection (CPS) strategy for evolutionary multiobjective optimization. When applying classification based preselection, an evolutionary algorithm maintains two external populations (training data set) that consist of some selected good and bad solutions found so far; then it trains a classifier based on the training data set in each generation. Finally it uses the classifier to filter the unpromising candidate offspring solutions and choose a promising one from the generated candidate offspring set for each parent solution. In such cases, it is not necessary to estimate or evaluate the objective values of the candidate offspring solutions. The classification based preselection is applied to three state-of-the-art multiobjective evolutionary algorithms (MOEAs) and is empirically studied on two sets of test instances. The experimental results suggest that classification based preselection can successfully improve the performance of these MOEAs.

研究の動機と目的

• 多目的進化的アルゴリズム（MOEA）における目的関数評価の高い計算コストを軽減するため、直接評価への依存度を減らすことを目的とする。
• 有望な後続個体とそうでない個体を区別する二値分類問題として事前選択を定式化することで、事前選択の効率を向上させることを目的とする。
• パレート順序に基づく、指標に基づく、および分解に基づく異なるMOEAパラダイムに適用可能な汎用的かつ再利用可能なCPSフレームワークの開発を目的とする。
• 多様で複雑なテスト例（異なるパレートフロント形状を有する）において、CPSの有効性を実験的に検証することを目的とする。
• 補間モデルの推定を伴わず、分類器の予測結果を用いて後続個体の選択を誘導する可能性を検討することを目的とする。

提案手法

• 非劣位（有望）および劣位（不適）な解から成る2つの外部集団を維持し、これを訓練データとして用いる。
• 各世代において、現在の訓練データセットを用いて二値分類器を訓練し、候補となる後続個体のラベルを予測する。
• 各親個体から複数の候補後続個体を生成し、分類器を用いてそれぞれが有望か否かを予測する。
• スコアが最も高い（有望と予測された）後続個体のみを環境選択に使用し、目的関数の評価を回避する。
• RM-MEDA、SMS-EMOA、MOEA/D-MOの3つのMOEAフレームワークにCPS戦略を適用し、それらの選択パイプラインにスムーズに統合する。
• 動的データ準備戦略を採用：すべての新規に発見された非劣位解および劣位解を、継続的に訓練セットに更新する。

実験結果

リサーチクエスチョン

• RQ1 分類ベースの事前選択戦略は、MOEAにおける高価な目的関数評価の回数を効果的に削減できるか？
• RQ2 提案されたCPS戦略は、異なるMOEAフレームワークにおいて収束性と多様性指標を向上させるか？
• RQ3 複雑で不規則なパレートフロントを有するテスト問題において、CPSはIGDおよび逆ジェネレーションドメトリック（I⁻H）の観点からベースラインMOEAと比較して優れているか？
• RQ4 CPSの性能向上は、退化しているか非連結なフロントを有する問題を含む、さまざまな種類の多目的最適化問題において一貫しているか？
• RQ5 動的訓練データ更新戦略は、分類器の精度および全体的なアルゴリズム性能にどのような影響を与えるか？

主な発見

• CPSは、9つのテストインスタンスのうち5つでIGD指標を用いてRM-MEDAを著しく改善し、残りの4つでは劣化を示さず、IGDでは9つのうち7つでベースラインを上回った。
• SMS-EMOA-CPSは、I⁻H指標を用いた全9インスタンスでSMS-EMOAを上回り、IGD指標を用いた8インスタンスでも同様の結果を示した。
• MOEA/D-MO-CPSは、IGD指標を用いた5インスタンスでMOEA/D-MOを上回り、I⁻H指標を用いた4インスタンスでも同様の結果を示したが、残りのインスタンスでは性能劣化がなかった。
• LZ6（595個体）では、IGDが2.08e-01から1.00e-01に、I⁻Hが4.15e-01から2.07e-01に低下し、収束性の著しい向上が確認された。
• CPSの変種は、すべてのテストインスタンスにおいて一貫して優れたまたは同等の性能を達成し、劣化が観察されたインスタンスは一切なかった。これにより、強靭性が確認された。
• 本手法は、目的関数評価を一切行わず、分類器の予測結果のみに依存することで、候補後続個体の評価を完全に排除し、計算コストの低減に成功した。