[論文レビュー] Towards a Theory-Guided Benchmarking Suite for Discrete Black-Box Optimization Heuristics: Profiling $(1+\lambda)$ EA Variants on OneMax and LeadingOnes

Carola Doerr, Furong Ye+3 more|arXiv (Cornell University)|Aug 17, 2018

Metaheuristic Optimization Algorithms Research参考文献 14被引用数 10

ひとこと要約

本稿は、COCOプラットフォームを擬似ブール問題に適応させることで、離散的ブラックボックス最適化の理論的指針に基づくベンチマークスイートを導入する。これにより、OneMaxおよびLeadingOnes問題における$(1+\lambda)$EAの変種の詳細な経験的分析が可能となり、LeadingOnesにおける最適化時間の挙動が洗練されたものとなる。本研究は、離散的進化的計算分野における理論的・経験的研究の統合を前進させる。

ABSTRACT

Theoretical and empirical research on evolutionary computation methods complement each other by providing two fundamentally different approaches towards a better understanding of black-box optimization heuristics. In discrete optimization, both streams developed rather independently of each other, but we observe today an increasing interest in reconciling these two sub-branches. In continuous optimization, the COCO (COmparing Continuous Optimisers) benchmarking suite has established itself as an important platform that theoreticians and practitioners use to exchange research ideas and questions. No widely accepted equivalent exists in the research domain of discrete black-box optimization. Marking an important step towards filling this gap, we adjust the COCO software to pseudo-Boolean optimization problems, and obtain from this a benchmarking environment that allows a fine-grained empirical analysis of discrete black-box heuristics. In this documentation we demonstrate how this test bed can be used to profile the performance of evolutionary algorithms. More concretely, we study the optimization behavior of several $(1+\lambda)$ EA variants on the two benchmark problems OneMax and LeadingOnes. This comparison motivates a refined analysis for the optimization time of the $(1+\lambda)$ EA on LeadingOnes.

研究の動機と目的

• 理論的および経験的調査が長年にわたり独立して発展してきた離散的ブラックボックス最適化分野におけるギャップを埋める。
• 連続的最適化におけるCOCOと同等の、広く採用可能な離散的進化的アルゴリズムのベンチマークフレームワークを確立する。
• OneMaxおよびLeadingOnesのような標準的なベンチマーク問題における$(1+\lambda)$EAの変種の詳細な経験的プロファイリングを可能にする。
• $(1+\lambda)$EAのLeadingOnes問題における最適化時間の洗練された理論的分析を促進する。

提案手法

• COCOソフトウェアスタックを擬似ブール最適化問題に対応させることで、標準的かつ再現可能なベンチマーク化を可能にする。
• ランタイムおよび収束挙動を含む、離散的ブラックボックスヒューリスティクスの詳細なパフォーマンスプロファイリングを可能にするテストベッドの設計。
• 理論的取り扱いやすさと経験的関連性が知られている2つの代表的ベンチマーク問題（OneMaxおよびLeadingOnes）の選定。
• 制御された実験条件下で複数の$(1+\lambda)$EA変種を実装・評価し、問題インスタンス間でのパフォーマンスを比較する。
• 経験的データを用いて理論的期待値を吟味・洗練させ、特にLeadingOnesにおける最適化時間に関するものに焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 統一された経験的フレームワーク下で、異なる$(1+\lambda)$EA変種はOneMaxおよびLeadingOnesベンチマーク問題においてどのように性能を発揮するか？
• RQ2 COCOプラットフォームは、離散的で擬似ブール最適化問題をサポートするためにどの程度適応可能か？
• RQ3 詳細な経験的プロファイリングから得られる、$(1+\lambda)$EAのLeadingOnes問題における最適化ダイナミクスに関する知見は何か？
• RQ4 経験的発見は、離散的進化的アルゴリズムにおける実行時間挙動の理論的分析をどの程度吟味・洗練できるか？

主な発見

• 適応されたCOCOプラットフォームは、特に標準的なベンチマーク問題における$(1+\lambda)$EA変種の離散的ブラックボックスヒューリスティクスの詳細な経験的分析を成功裏に可能にした。
• 経験的プロファイリングにより、OneMaxおよびLeadingOnesにおける$(1+\lambda)$EA変種のパフォーマンスパターンに顕著な差が明らかとなり、問題固有のダイナミクスが浮き彫りになった。
• 本研究は、LeadingOnesにおける収束挙動の構造的差異を同定し、最適化時間の洗練された理論的分析を促進する要因を明らかにした。
• 経験的ベンチマークと理論的分析の統合により、離散最適化におけるヒューリスティクスの性能理解を高めるフィードバックループが形成された。