[논문 리뷰] An Interactive Many Objective Evolutionary Algorithm with Cascade Clustering and Reference Point Incremental Learning.

Hongwei Ge, Mingde Zhao외 5명|arXiv (Cornell University)|2018. 03. 03.

Advanced Multi-Objective Optimization Algorithms참고 문헌 48인용 수 1

한 줄 요약

이 논문은 복잡한 다목적 최적화 문제(MaOPs)를 해결하는 데 있어 수렴성과 다양성을 향상시키기 위해 연쇄적 군집화와 기준점 점진적 학습을 통합한 상호작용식 다목적 진화 알고리즘인 CLIA를 제안한다. 반복적으로 기준점을 정밀화하고 기준선를 사용하여 개체를 군집화함으로써, 추가적인 적합도 평가 없이도 다양한 진짜 파레토 프론트에 대해 뛰어난 수렴성과 강건성을 달성한다.

ABSTRACT

Researches have shown difficulties in obtaining proximity while maintaining diversity for solving many-objective optimization problems (MaOPs). The complexities of the true Pareto Front (PF) also pose serious challenges for the pervasive algorithms for their insufficient ability to adapt to the characteristics of the true PF with no priori. This paper proposes a cascade Clustering and reference point incremental Learning based Interactive Algorithm (CLIA) for many-objective optimization. In the cascade clustering process, using reference lines provided by the learning process, individuals are clustered and intraclassly sorted in a bi-level cascade style for better proximity and diversity. In the reference point incremental learning process, using the feedbacks from the clustering process, the proper generation of reference points is gradually obtained by incremental learning and the reference lines are accordingly repositioned. The advantages of the proposed interactive algorithm CLIA lie not only in the proximity obtainment and diversity maintenance but also in the versatility for the diverse PFs which uses only the interactions between the two processes without incurring extra evaluations. The experimental studies on the CEC'2018 MaOP benchmark functions have shown that the proposed algorithm CLIA has satisfactory covering of the true PFs, and is competitive, stable and efficient compared with the state-of-the-art algorithms.

연구 동기 및 목표

• 진짜 파레토 프론트에 가까이 가는 것과 다양성을 동시에 유지하는 데 도전하는 것.
• 사전 지식이 없이도 복잡하고 다양한 진짜 파레토 프론트(PF) 형태에 적응하는 데 있어 기존 알고리즘의 한계를 극복하는 것.
• 동적 기준점 생성과 군집화를 통해 수렴성과 다양성을 향상시키는 상호작용 프레임워크를 개발하는 것.
• 적합도 평가를 추가로 수행하지 않고도 군집화와 기준점 과정 간의 상호작용을 통해 자가 적응 학습을 가능하게 하여 의존도를 줄이는 것.

제안 방법

• CLIA는 기준선를 사용하여 개체를 군집화하고 군집 내에서 정렬함으로써 수렴성과 다양성을 향상시키는 이중 수준의 연쇄적 군집화 메커니즘을 채택한다.
• 군집화 과정의 피드백에 기반하여 기준선가 동적으로 업데이트되어 목적 공간의 유망한 영역을 향해 검색을 이끌어낸다.
• 기준점 점진적 학습 과정을 통해 반복적 정밀화를 통해 적절한 기준점을 점차 생성함으로써 사전 정의되거나 정적 기준점에 의존하지 않는다.
• 군집화와 기준점 학습 간의 상호작용을 통해 추가적인 적합도 평가 없이도 진짜 파레토 프론트의 기하학적 구조에 적응할 수 있다.
• 군집화 결과가 기준점의 생성과 재위치를 안내하는 피드백 루프를 사용하여 검색 효율성을 향상시킨다.
• 이중 과정을 활용하여 다양한 PF 형태에 대해 유연하게 대응할 수 있도록 설계되었으며, 추가적인 계산 부담 없이도 기능한다.

실험 결과

연구 질문

• RQ1 알 수 없는 PF 특성 조건 하에서 상호작용식 다목적 진화 알고리즘이 MaOPs에서 수렴성과 다양성을 효과적으로 균형 있게 유지할 수 있는가?
• RQ2 연쇄적 군집화와 기준점 점진적 학습이 추가 적합도 평가 없이 수렴성과 다양성을 공동으로 향상시킬 수 있는 정도는 어느 정도인가?
• RQ3 제안된 알고리즘이 사전 문제 구조 지식 없이도 열거형 및 비열거형 형태를 포함한 다양한 진짜 파레토 프론트 형태에 적응할 수 있는가?
• RQ4 군집화와 기준점 학습 간의 동적 상호작용은 정적 또는 비상호작용 기준점 방법에 비해 성능 및 안정성 측면에서 어떻게 비교되는가?

주요 결과

• CLIA는 다목적 최적화를 위한 CEC'2018 기준 함수 전반에서 경쟁력 있고 안정적인 성능을 달성한다.
• 알 수 없는 진짜 파레토 프론트에 효과적으로 수렴하며, 열거형 및 비열거형 형태를 포함한 다양한 PF 형태에 대해 효과적인 커버리지가 이루어진다.
• 이중 수준의 연쇄적 군집화와 동적 기준선 업데이트를 활용하여 최종 해 집합에서 높은 다양성을 유지한다.
• 군집화와 기준점 학습 간의 상호작용을 통해 추가 적합도 평가 없이도 복잡한 PF 기하학적 구조에 효과적으로 적응할 수 있다.
• CEC'2018 MaOP 기준 테스트 세트에서 CLIA는 수렴성 및 다양성 지표에서 최첨단 알고리즘을 능가하거나 동등하게 성능을 발휘한다.
• 제안된 방법은 강건성과 효율성을 입증하여, 알려지지 않았거나 복잡한 파레토 프론트 구조를 가진 실세계 MaOPs에 적합함을 확인한다.