[논문 리뷰] Benchmarking the Hill-Valley Evolutionary Algorithm for the GECCO 2018 Competition on Niching Methods Multimodal Optimization

S. C. Maree, Tanja Alderliesten외 2명|arXiv (Cornell University)|2018. 06. 30.

Metaheuristic Optimization Algorithms Research참고 문헌 2인용 수 8

한 줄 요약

이 논문은 문제별 특화 파rameter 조정 없이, 엄격한 경쟁 규칙 하에서 CEC2013 니치 기반 벤치마크 세트에 대해 향상된 힐밸리 진화 알고리즘(HillVallEA)을 벤치마킹한다. 이 방법은 해 재사용, 수렴 및 재탐색 탐지 기반의 적응형 종료 기준, 재조정된 인구 크기 설정을 통해 니치 탐지 능력과 탐색 효율성을 향상시켜, 모든 문제에서 정점 비율 0.885와 완벽한 정적 F1 스코어를 달성한다.

ABSTRACT

This report presents benchmarking results of the latest version of the Hill-Valley Evolutionary Algorithm (HillVallEA) on the CEC2013 niching benchmark suite. The benchmarking follows restrictions required by the GECCO 2018 competition on Niching methods for Multimodal Optimization. In particular, no problem dependent parameter tuning is performed. A number of adjustments have been made to original publication of HillVallEA that are discussed in this report.

연구 동기 및 목표

• 경쟁 제약 조건 하에서 CEC2013 니치 기반 벤치마크 세트에서 향상된 힐밸리 진화 알고리즘(HillVallEA)의 성능을 평가하기 위해.
• 문제별 특화 파rameter 조정 없이 방법론적 개선 사항이 다모드 최적화에 미치는 영향을 평가하기 위해.
• 적응형 종료 기준과 해 재사용이 니치 탐지에서 수렴성과 다양성 향상에 기여하는지 조사하기 위해.
• 정점 비율과 정적 F1 측정 기준을 사용하여 HillVallEA의 성능을 RS-CMSA 기준선과 비교하기 위해.

제안 방법

• HillVallEA는 두 단계 접근 방식을 사용한다: 먼저 힐밸리 테스트를 통해 초기 해를 군집화하고, 그 다음 각 군집에 대해 인구 기반의 코어 탐색을 수행한다.
• 힐밸리 테스트 기간 동안 샘플링된 해는 새로운 니치에 할당될 때마다 해당 군집에 재사용되어 유용한 정보를 유지한다.
• 5세대마다 힐밸리 테스트를 사용해 최적 해 아카이브와 새로운 해를 비교함으로써, 이전에 발견된 니치를 재탐색하는지 탐지하는 종료 기준이 적용된다.
• 두 번째 종료 기준은 지수 수렴 가정 하에 수렴 속도(r_n)와 최적 도달 시간(tto)을 추정하여 局부 최소값으로의 수렴 여부를 탐지한다.
• 성능 향상을 위해 기존의 2^4 * d에서 2^6 * d로 인구 크기 |P|를 재조정한다.
• 이전 평가에서 뛰어난 성능를 보인 AMaLGaM-Univariate를 코어 탐색 알고리즘으로 사용한다.

실험 결과

연구 질문

• RQ1 문제별 특화 파ram터 조정 없이, 향상된 HillVallEA는 CEC2013 니치 기반 벤치마크 세트에서 어떻게 성능을 발휘하는가?
• RQ2 해 재사용과 적응형 종료 기준이 니치 탐지 및 수렴성 향상에 얼마나 기여하는가?
• RQ3 재조정된 인구 크기 설정 방식이 다모드 최적화에서 전체 성능 향상에 기여하는가?
• RQ4 정점 비율과 정적 F1 스코어 측정 기준에서 HillVallEA는 RS-CMSA 기준선과 어떻게 비교되는가?

주요 결과

• HillVallEA는 CEC2013 벤치마크 문제 20개 전반에서 평균 정점 비율 0.885를 기록하여, 평균 정점 비율 0.856을 기록한 RS-CMSA 기준선을 초월했다.
• 모든 문제에서 정적 F1 스코어는 1.0이었으며, 이는 중복이 없는 해 집합을 통해 고유한 전역 최적해를 완벽하게 탐지했음을 의미한다.
• 가장 도전적인 문제들(예: 20차원에서의 조합 함수 4)에서는 정점 비율 0.482를 기록하여 고차원 다모드 환경에서도 뛰어난 강건성을 보였다.
• 향상된 종료 기준은 부적절한 탐색과 조기 수렴을 효과적으로 방지하여 효율성과 정확도 향상에 기여했다.
• 기존의 |P| = 2^4 * d 설정에서 |P| = 2^6 * d로 재조정된 인구 크기 설정이 성능 향상에 크게 기여했다.
• 이 방법은 모든 국부 최적해와 중복된 해를 성공적으로 걸러내어 정확도 임계값 ε에 관계없이 높은 해 집합 품질을 확보했다.