[論文レビュー] Rigorous Runtime Analysis of MOEA/D for Solving Multi-Objective Minimum Weight Base Problems

Anh Viet Do, Aneta Neumann+2 more|arXiv (Cornell University)|Jun 6, 2023

Advanced Multi-Objective Optimization Algorithms被引用数 8

ひとこと要約

この論文は、MOEA/Dの多目的最小重量ベース問題に対する厳密な実行時解析を提供し、2目的の場合には2近似を証明し、k>2で固定パラメータ多項式時間を示し、実験ではbi-objective MSTのインスタンスでMOEA/DがGSEMOより優れていることを示す。

ABSTRACT

We study the multi-objective minimum weight base problem, an abstraction of classical NP-hard combinatorial problems such as the multi-objective minimum spanning tree problem. We prove some important properties of the convex hull of the non-dominated front, such as its approximation quality and an upper bound on the number of extreme points. Using these properties, we give the first run-time analysis of the MOEA/D algorithm for this problem, an evolutionary algorithm that effectively optimizes by decomposing the objectives into single-objective components. We show that the MOEA/D, given an appropriate decomposition setting, finds all extreme points within expected fixed-parameter polynomial time in the oracle model, the parameter being the number of objectives. Experiments are conducted on random bi-objective minimum spanning tree instances, and the results agree with our theoretical findings. Furthermore, compared with a previously studied evolutionary algorithm for the problem GSEMO, MOEA/D finds all extreme points much faster across all instances.

研究の動機と目的

• matroidベースの問題に対する多目的最適化の研究動機を示し、MOEA/Dの多目的最小重量ベース問題に対する性能を理解する。
• 非支配フロントの凸包とその極点を特徴づけて近似保証を導く。
• MOMWBのオラクルモデルにおけるMOEA/Dの厳密な実行時解析を提供し、既存アルゴリズムとの関係を述べる。

提案手法

• MOMWBのConv(F)の性質を明らかにして極点を下限付け、Greedy最適性と関連付ける。
• matroid理論とGreedyアルゴリズムの視点を用いて、重みスカラー化された部分問題とその解決マッピングを分析する。
• 適切な分解を用いたMOEA/Dは、オラクルモデルにおいて期待される固定パラメータ多項式時間で全ての極点を見つけることを示す（パラメータ = 目的の数）。
• 決定論的フレームワーク（Algorithm 1とAlgorithm 2）を提案し、極点と完全なトレードオフ集合を計算する。Algorithm 3はMOMWBのためのMOEA/Dを概説する。
• 十分なトレードオフ集合のサイズと、近傍解間の2ビット反転による解空間の連結性の理論的境界を提供する。

実験結果

リサーチクエスチョン

• RQ1 非支配フロントの凸包を用いた多目的最小重量ベース問題の近似保証はどの程度になるのか？
• RQ2 MOEA/DはMOMWBにおいて全ての極点または代表的な完全なトレードオフ集合を安定して見つけられるのか、どの実行時間条件下で？
• RQ3 トレードオフ集合全体にわたってスカラー重みを最小化するのに要する期待時間はどれくらいで、目的の数によってどうスケールするのか？
• RQ4 bi-objectiveの最小全同盟木インスタンスに対して、GSEMOと比較してMOEA/Dは経験的にどのように性能を示すのか？
• RQ5 MOMWBにおいて問題パラメータに対して極点はどれくらい発生するのか？

主な発見

• 適切な分解を用いたMOEA/Dは、オラクルモデルにおける期待固定パラメータ多項式時間で全ての極点を見つける（パラメータは目的の数）。
• 支配されないフロントの凸包は、2つの目的の場合に2近似保証を提供し、既存の結果を拡張する。
• k>2のとき、解析はk近似を達成するための実行時間が固定パラメータ多項式であることを示す。
• 2-ハミング連結性を含む連結性性質は、マトロイドベースに対して成り立ち、2ビット反転による极点列挙を補助する。
• 乱択のbi-objective最小全域木インスタンスに関する実験は、全テスト済みインスタンスでMOEA/DがGSEMOより极点を見つける点で優れていることを示す。