[논문 리뷰] A Multi-parent Memetic Algorithm for the Linear Ordering Problem

Tao Ye, Tao Wang외 2명|arXiv (Cornell University)|2014. 05. 18.

Constraint Satisfaction and Optimization참고 문헌 21인용 수 4

한 줄 요약

이 논문은 NP-난이도의 선형 순서 문제(Lin-ear Ordering Problem, LOP)를 위한 다부모 유전자 알고리즘(Multi-parent Memetic Algorithm, MPM)을 제안한다. 이 알고리즘은 다부모 재조합 연산자(Multi-parent Crossover, MPC)와 거리-품질 기반의 개체군 갱신 전략을 통합한다. MPM은 기존 최고의 결과보다 더 나은 해를 255개의 미해결 LOP 인스턴스 중 66개에서 확보하여 최신 기술보다 뛰어난 성능을 보였다. 나머지 163개 인스턴스에 대해서는 동일하거나 더 나은 결과를 확보하였다.

ABSTRACT

In this paper, we present a multi-parent memetic algorithm (denoted by MPM) for solving the classic Linear Ordering Problem (LOP). The MPM algorithm integrates in particular a multi-parent recombination operator for generating offspring solutions and a distance-and-quality based criterion for pool updating. Our MPM algorithm is assessed on 8 sets of 484 widely used LOP instances and compared with several state-of-the-art algorithms in the literature, showing the efficacy of the MPM algorithm. Specifically, for the 255 instances whose optimal solutions are unknown, the MPM is able to detect better solutions than the previous best-known ones for 66 instances, while matching the previous best-known results for 163 instances. Furthermore, some additional experiments are carried out to analyze the key elements and important parameters of MPM.

연구 동기 및 목표

• 대규모의 NP-난이도 선형 순서 문제(Lin-ear Ordering Problem, LOP)를 고품질 휴리스틱 방법으로 해결하는 데 도전한다.
• 우수한 탐색 영역을 효과적으로 탐색할 수 있도록 다부모 재조합을 도입하여 기존의 유전자 알고리즘을 향상시키는 것을 목표로 한다.
• 새로운 거리-품질 기반의 풀 갱신 전략을 통해 개체군의 다양성과 해의 품질을 유지한다.
• 알고리즘의 성능 평가를 위해 484개의 널리 사용되는 LOP 기준 인스턴스(해가 알려지지 않은 경우 포함)를 대상으로 한다.

제안 방법

• MPM는 개체군 기반의 진화적 탐색과 국소 탐색을 융합한 유전자 알고리즘 프레임워크를 사용한다.
• 다부모 재조합 연산자(MPC)는 순서 기반(OB) 재조합을 확장하여 두 명 이상의 부모 해를 조합하여 자식 해를 생성한다.
• 부모 선택은 해의 품질과 거리 요소를 고려한 다양성 인식 전략에 따라 이루어져 조기 수렴을 방지한다.
• 해의 품질과 다양성을 균형 잡는 하이브리드 적합도 함수를 사용하며, 동적 파라미터 α는 [0.8, 1.0] 범위에서 추출된다.
• 모든 자식 해에 대해 국소 탐색 절차를 적용하여 해를 정밀화하고 국소 최적해에 도달한다.
• 해의 품질이 g세대 동안 정체될 경우, 알고리즘은 재시작 메커니즘을 사용하며, 발견된 최고의 해를 유지한다.

실험 결과

연구 질문

• RQ1 LOP 인스턴스에서 다부모 재조합(MPC)이 전통적인 이중 부모 재조합과 비교해 해의 품질과 다양성 측면에서 어떻게 성능을 발휘하는가?
• RQ2 거리-품질 기반의 풀 갱신 전략이 개체군의 다양성과 수렴 속도에 미치는 영향은 무엇인가?
• RQ3 제안된 MPM 알고리즘이 표준 LOP 기준 인스턴스에서 최신 기술보다 더 나은 또는 동일한 해를 일관되게 확보할 수 있는가?
• RQ4 부모 수(m)와 가중치 인자 α와 같은 핵심 파라미터가 MPM의 성능에 미치는 영향은 어떠한가?

주요 결과

• 해가 알려지지 않은 255개의 LOP 인스턴스에 대해 MPM은 이전 최고 결과보다 더 나은 해를 66개에서 확보하였다.
• 255개의 미해결 인스턴스 중 163개에 대해서는 이전 최고 결과와 동일한 해를 확보하였다.
• 해가 알려진 229개의 인스턴스에 대해 MPM은 모든 최적 해를 성공적으로 복원하였다.
• 어려운 인스턴스에서 최고 해를 찾는 데 있어 다부모 재조합 연산자(MPC, m=3 또는 m=4)가 기존의 이중 부모 OB 연산자보다 뛰어난 성능를 보였으며, 평균 성능는 약간 낮게 나타났다.
• α ∈ [0.8, 1.0] 범위의 거리-품질 기반 풀 갱신 전략은 개체군의 다양성을 향상시키고, 목적 함수 값에만 기반한 전략보다 더 나은 최종 해 품질을 이끌어냈다.
• 제거 실험(Ablation studies) 결과, MPC 재조합과 다양성 인식 갱신 전략이 MPM의 뛰어난 성능를 결정짓는 데 핵심적인 역할을 한다는 것이 확인되었다.