[논문 리뷰] Applications of Gaussian Mutation for Self Adaptation in Evolutionary Genetic Algorithms

Okezue Bell|arXiv (Cornell University)|2022. 01. 02.

Evolutionary Algorithms and Applications인용 수 6

한 줄 요약

이 논문은 연속적이고 복잡한 검색 공간에서 최적화 성능을 햖스키기 위해 자기적응형 유전 알고리즘에서 가우시안 변이를 사용하는 것을 조사한다. 정규 분포를 통해 변이 강도를 동적으로 조정함으로써, 수렴 속도와 해의 품질이 향상되며, 벤치마크 함수와 빔 설계, 분자 구조 최적화와 같은 실제 문제들에서 표준 유전 알고리즘을 능가한다.

ABSTRACT

In recent years, optimization problems have become increasingly more prevalent due to the need for more powerful computational methods. With the more recent advent of technology such as artificial intelligence, new metaheuristics are needed that enhance the capabilities of classical algorithms. More recently, researchers have been looking at Charles Darwin's theory of natural selection and evolution as a means of enhancing current approaches using machine learning. In 1960, the first genetic algorithm was developed by John H. Holland and his student. We explore the mathematical intuition of the genetic algorithm in developing systems capable of evolving using Gaussian mutation, as well as its implications in solving optimization problems.

연구 동기 및 목표

• 유전 알고리즘 내에서 자기적응을 가능하게 하는 가우시안 변이의 효과성을 탐색하기 위해.
• 변이 파라미터를 동적으로 조정하여 연속적이고 복잡한 검색 공간에서의 최적화 성능을 향상시키기 위해.
• 벤치마크 함수와 실제 공학 및 분자 문제에 대해 해당 방법을 평가하기 위해.
• 수렴성과 해의 품질 측면에서 제안된 방법을 표준 유전 알고리즘 및 기타 메타휴리스틱과 비교하기 위해.
• 로봇 궤적 계획, 분자 구조 예측, 감성 어휘 최적화와 같은 애플리케이션에서 가우시안 변이의 실용적 유용성을 입증하기 위해.

제안 방법

• 가우시안 변이 연산자는 $ M_g(x) = \text{min}(\text{max}(N(x, \sigma), a), b) $ 로 정의되며, 여기서 $ N(x, \sigma) $ 는 평균 $ x $ 와 표준편차 $ \sigma $ 를 갖는 정규분포를 적용한다.
• 변이 강도 $ \sigma $ 는 진화 과정에서 자기적응적으로 조정되어 알고리즘이 탐색과 탐색의 균형을 자동으로 조절할 수 있도록 한다.
• 선택, 교차(예: 한점 교차), 변이를 통해 새로운 세대를 생성하기 위한 인구 기반의 진화적 프레임워크를 사용한다.
• 적합도 평가는 분자 구조의 에너지 최소화 또는 빔 설계에서의 구조적 강성 최소화와 같은 목적 함수에 기반한다.
• 해법은 16개의 표준 테스트 함수에서 테스트되었으며, 캔틸레버 빔 설계 및 탄소 풀러렌의 구조 예측과 같은 실제 문제에 적용되었다.
• 자기적응은 변이 강도를 염색체의 일부로 인코딩하여 해 벡터와 함께 진화하도록 구현된다.

실험 결과

연구 질문

• RQ1 고정되거나 이진 변이 연산자와 비교할 때, 가우시안 변이는 유전 알고리즘 내 자기적응에 어떻게 향상되는가?
• RQ2 자기적응형 가우시안 변이는 벤치마크 최적화 함수에서 수렴 속도와 해의 정확도를 얼마나 향상시키는가?
• RQ3 제안된 방법은 캔틸레버 빔의 이산 단면 설계와 같은 실제 공학 문제를 효과적으로 해결할 수 있는가?
• RQ4 분자 구조 최적화와 같은 복잡하고 고차원적인 검색 공간에서 알고리즘은 어떻게 성능을 발휘하는가?
• RQ5 감성 어휘 학습과 로봇 경로 계획에서 자기적응형 가우시안 변이는 표준 유전 알고리즘을 얼마나 뛰어넘는가?

주요 결과

• 최적화 결과에서 MOIRGCA(자기적응형 가우시안 변이 기반 알고리즘)를 사용할 경우 캔틸레버 빔 설계 문제에서 RCGA(표준 실수 코딩 유전 알고리즘)보다 우수한 함수 값을 확보하였다.
• 인간 생화학자들이 $ C_{60} $ 풀러렌의 최저 에너지 구조를 결정하는 데 소요하는 시간보다 200% 이상 단축시켜 계산 시간을 크게 절감하였다.
• 감성 분석에서 가우시안 변이를 사용한 ALGA 방법은 6개의 마이크로블로그 데이터셋에서 80% 이상의 정확도를 달성하여 효과적인 적응형 어휘 학습을 입증하였다.
• 분자 구조 최적화에서 유전 알고리즘이 정밀도와 계산 효율성 측면에서 시뮬레이티드 어닐링을 능가하였다.
• 로봇 팔 궤적 최적화에서 가우시안 변이의 사용은 더 빠른 수렴과 더 나은 검색 공간 탐색을 가능하게 하여 에너지 소비와 운영 시간을 감소시켰다.
• 자기적응 메커니즘은 변이 강도를 동적으로 조정함으로써 수동 파rameter 조정 없이 다양한 문제 유형에 대해 강건성을 향상시켰다.