[논문 리뷰] Evolutionary Multi-Objective Optimization for the Dynamic Knapsack Problem.

Vahid Roostapour, Aneta Neumann외 1명|arXiv (Cornell University)|2020. 04. 27.

Advanced Multi-Objective Optimization Algorithms참고 문헌 16인용 수 6

한 줄 요약

이 논문은 동적 0-1 배낭 문제에 대해 단일 목적 및 다중 목적 유전적 알고리즘을 제안하고 평가한다. 여기서 배낭 용량은 균일 분포 또는 정규 분포에 따라 시간이 지남에 따라 변화한다. 결과적으로, 변화 빈도가 중간 수준일 경우, 특히 다중 목적 접근법이 적응형 인구를 사용할 때 단일 목적 방법보다 뛰어난 성능을 보이며, NSGA-II 및 SPEA2와 같은 고급 지표 기반 기법은 성능 향상을 일관되게 제공하지 못하고 오히려 해의 품질을 저해할 수 있다.

ABSTRACT

Evolutionary algorithms are bio-inspired algorithms that can easily adapt to changing environments. In this paper, we study single- and multi-objective baseline evolutionary algorithms for the classical knapsack problem where the capacity of the knapsack varies over time. We establish different benchmark scenarios where the capacity changes every $ au$ iterations according to a uniform or normal distribution. Our experimental investigations analyze the behavior of our algorithms in terms of the magnitude of changes determined by parameters of the chosen distribution, the frequency determined by $ au$, and the class of knapsack instance under consideration. Our results show that the multi-objective approaches using a population that caters for dynamic changes have a clear advantage in many benchmarks scenarios when the frequency of changes is not too high. Furthermore, we demonstrate that the distribution handling techniques in advance algorithms such as NSGA-II and SPEA2 do not necessarily result in better performance and even prevent these algorithms from finding good quality solutions in comparison with simple multi-objective approaches.

연구 동기 및 목표

• 배낭 용량이 시간이 지남에 따라 변화하는 동적 배낭 문제에서 진화적 알고리즘의 성능을 조사하는 것.
• 변화 빈도와 변화 폭의 변화 조건에서 단일 목적 및 다중 목적 진화적 접근법을 비교하는 것.
• NSGA-II 및 SPEA2와 같은 알고리즘의 고급 지표 기반 기법이 동적 환경에서 성능 향상에 기여하는지 평가하는 것.
• 다중 목적 기반 전략이 간단하거나 더 복잡한 방법보다 명확한 이점을 제공하는 시나리오를 특정하는 것.

제안 방법

• 연구는 단일 목적 및 다중 목적 최적화를 위한 기초 진화적 알고리즘을 사용한다.
• 배낭 용량은 매 τ 반복마다 균일 분포 또는 정규 분포를 사용하여 동적으로 변경하여 환경 변화를 시뮬레이션한다.
• 변화 빈도를 제어하기 위해 다양한 τ 값을 가진 벤치마크 시나리오를 설계하고, 변화 폭를 제어하기 위해 분포 매개변수를 설정한다.
• 다중 목적 알고리즘은 동적 변화에 적응하기 위해 다양성을 유지하는 인구를 유지하며, 상충되는 목표 간의 트레이드오프를 탐색할 수 있도록 한다.
• NSGA-II 및 SPEA2의 성능을 고급 지표 처리 기법이 없는 간단한 다중 목적 접근법과 비교하여, 고급 지표 처리의 가치를 평가한다.
• 다양한 배낭 인스턴스 클래스에서 실험을 수행하여 문제 특성의 다양성 속에서 강건성과 적응 능력을 평가한다.

실험 결과

연구 질문

• RQ1 변화 빈도를 제어하는 데 사용되는 τ에 의해 배낭 문제에서 진화적 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ2 분포 매개변수로 제어되는 변화 폭의 영향은 알고리즘이 고품질 해를 유지하는 능력에 어떤 영향을 미치는가?
• RQ3 NSGA-II 및 SPEA2와 같은 알고리즘에서 고급 지표 처리 메커니즘을 사용할 경우, 단순한 다중 목적 접근법에 비해 동적 배낭 시나리오에서 더 나은 성능을 내는가?
• RQ4 어떤 동적 벤치마크 시나리오에서 적응형 인구를 가진 다중 목적 진화적 알고리즘이 단일 목적 대비 명확한 이점을 보이는가?
• RQ5 어떤 조건에서 고도로 발전된 다중 목적 알고리즘이 단순한 대안보다 성능을 떨어뜨리는가?

주요 결과

• 변화 빈도가 중간 수준일 경우, 적응형 인구를 가진 다중 목적 진화적 알고리즘이 동적 배낭 문제에서 단일 목적 방법보다 일관되게 뛰어난 성능을 보인다.
• 다중 목적 방법의 성능 이점은 극단적이지 않은 변화 빈도와 중간 수준의 변화 폭에서 가장 두드러진다.
• NSGA-II 및 SPEA2와 같은 고급 지표 기반 알고리즘은 반드시 더 나은 결과를 내는 것은 아니며, 때로는 단순한 다중 목적 접근법보다 성능이 떨어질 수 있다.
• NSGA-II 및 SPEA2의 분포 처리 메커니즘은 수렴성과 다양성 유지에 악영향을 미쳐 동적 환경에서 해의 품질을 떨어뜨릴 수 있다.
• 간단한 다중 목적 방법은 일반적으로 더 적은 계산 오버헤드로 더 나은 또는 유사한 성능을 달성하며, 변화 빈도가 너무 높지 않은 경우 특히 그렇다.
• 동적 배낭 최적화에서 알고리즘의 선택과 동적 적응을 위한 설계가 고급 지표 기반 메커니즘의 사용보다 더 중요하다.