[論文レビュー] Push and Pull Search Embedded in an M2M Framework for Solving Constrained Multi-objective Optimization Problems

Zhun Fan, Zhaojun Wang+7 more|arXiv (Cornell University)|Jun 2, 2019

Advanced Multi-Objective Optimization Algorithms参考文献 43被引用数 5

ひとこと要約

本稿では、多目的から多目的（M2M）分解とプッシュ・プル探索フレームワークを統合することで、制約付き多目的最適化における収束性と多様性のバランスを図る、新しい制約付き多目的進化的アルゴリズムであるPPS-M2Mを提案する。制約を無視するプッシュ段階と制約を認識するプル段階に検索を分離することで、非妥当領域を効果的に探索し、ベンチマークCMOPにおいて6つの最先端アルゴリズムを上回る性能を発揮する。特に収束性と多様性の保持において優れた結果を示す。

ABSTRACT

In dealing with constrained multi-objective optimization problems (CMOPs), a key issue of multi-objective evolutionary algorithms (MOEAs) is to balance the convergence and diversity of working populations.

研究の動機と目的

• 制約付き多目的最適化（CMOPs）における収束性と多様性の不均衡を解消すること。これは、多目的進化的アルゴリズム（MOEAs）における長年の課題である。
• 収束性や多様性を損なうことなく、非妥当領域を効果的にナビゲートできるフレームワークの構築。
• 検索プロセスをプッシュ段階とプル段階に分離し、適応的パrameter制御を組み込むことで、制約処理の改善。
• 多様な難易度レベルを有する一連のベンチマークCMOPを用いて、提案手法を最先端のCMOEAsと比較すること。

提案手法

• アルゴリズムはCMOPを複数の単純なCMOPに分解し、M2M分解を用いて各サブポピュレーションに割り当て、協調的に解を求める。
• プッシュ段階では制約を無視し、サブポピュレーションが非妥当領域を自由に探索できるようにし、妥当性割合や最大制約違反などのランドスケープ特徴を推定する。
• プル段階では、改善されたイプシロン制約処理メカニズムを用い、ε優位性を用いて非妥当解を妥当領域および非支配的フロントへ引き寄せる。
• 理想点とナディル点の変化率が事前に定めたしきい値未満に低下した時点で、プッシュ段階からプル段階に移行する。
• 最大世代数の最終10%では、サブポピュレーションを1つのポピュレーションに統合し、ε優位性と強化された制約処理を用いて進化を継続する。
• プッシュ段階からのフィードバックを活用し、プル段階のパrameter設定を動的に最適化することで、収束性と多様性の両方を向上させる。

実験結果

リサーチクエスチョン

• RQ1 2段階のプッシュ・プル探索フレームワークは、制約付き多目的最適化における収束性と多様性のバランスを効果的に図れるか？
• RQ2 M2M分解は、非妥当領域の探索をどのように促進し、CMOPにおける収束性を維持するか？
• RQ3 プッシュ段階で制約を無視することで、従来のCMOEAsと比較して非妥当領域を越える能力がどの程度向上するか？
• RQ4 プル段階におけるε優位性と改善された制約処理の統合が、収束性と多様性に与える影響は何か？
• RQ5 PPS-M2Mは、多様な特性（多様性が難しい、収束が難しい問題など）を有するベンチマークCMOPにおいて、既存のCMOEAsを上回るか？

主な発見

• PPS-M2Mは、ハイパーボリューム（HV）と収束メトリクスの観点から、6つの最先端のCMOEAs（M2M、MOEA/D-Epsilon、MOEA/D-SR、MOEA/D-CDP、C-MOEA/D、NSGA-II-CDP）を、大多数のベンチマークCMOPで顕著に上回った。
• 7つのパレート最適解を有するLIR-CMOP11においては、唯一PPS-M2MとM2Mがすべての解を発見したが、PPS-M2Mはより優れた収束性を示した。
• プッシュ段階のおかげで、非妥当領域の有効な探索が可能となり、PPS-M2Mは早期収束を回避し、多様性を維持できた。
• ε優位性と適応的制約処理が強化されたプル段階は、非妥当解を真のパレートフロントへ効果的に誘導した。
• 収束が難しい（LIR-CMOP2）、多様性が難しい（LIR-CMOP7）、混合が難しい（LIR-CMOP11）という3つの難易度タイプにおいて、本手法は一貫した頑健性を示した。
• 包括的な実験結果から、PPS-M2Mは既存のアルゴリズムに比べ、特に複雑な制約付きランドスケープにおいて、より優れた収束性と多様性のバランスを達成していることが確認された。