[논문 리뷰] Evolutionary Multimodal Optimization: A Short Survey

Ka‐Chun Wong|arXiv (Cornell University)|2015. 08. 03.

Photonic and Optical Devices참고 문헌 38인용 수 26

한 줄 요약

이 논문은 한 번의 실행에서 다수의 전역 최적해와 국소 최적해를 동시에 탐색하는 진화적 다중모드 최적화 기법을 조사한다. CrowdingDE-STL 및 CrowdingDE-TL와 같은 알고리즘에 초점을 맞추며, 다양한 선간격 히알로그램 격자 설계와 같은 실제 응용 분야에서의 효과성을 입증한다. 특히 CrowdingDE-TL는 다른 방법들에 비해 통계적으로 유의미하게 높은 평균 45.54개의 최적해를 발견하였다.

ABSTRACT

Real world problems always have different multiple solutions. For instance, optical engineers need to tune the recording parameters to get as many optimal solutions as possible for multiple trials in the varied-line-spacing holographic grating design problem. Unfortunately, most traditional optimization techniques focus on solving for a single optimal solution. They need to be applied several times; yet all solutions are not guaranteed to be found. Thus the multimodal optimization problem was proposed. In that problem, we are interested in not only a single optimal point, but also the others. With strong parallel search capability, evolutionary algorithms are shown to be particularly effective in solving this type of problem. In particular, the evolutionary algorithms for multimodal optimization usually not only locate multiple optima in a single run, but also preserve their population diversity throughout a run, resulting in their global optimization ability on multimodal functions. In addition, the techniques for multimodal optimization are borrowed as diversity maintenance techniques to other problems. In this chapter, we describe and review the state-of-the-arts evolutionary algorithms for multimodal optimization in terms of methodology, benchmarking, and application.

연구 동기 및 목표

• 한 번의 실행에서 단 하나의 최적해만을 찾는传통적 최적화 방법의 한계를 해결한다.
• 진화 알고리즘이 인구 집단의 다양성을 유지하면서 동시에 다수의 최적해를 탐색할 수 있도록 한다.
• VLS 히알로그램 격자 설계와 같은 복잡한 공학 문제에서 다중모드 최적화의 실용적 유용성을 입증한다.
• 표준화된 지표와 통계적 검정을 사용하여 최신의 진화적 다중모드 최적화 알고리즘을 평가하고 비교한다.
• 다중모드 최적화에서 다양성 유지 기법이 다른 최적화 문제에도 광범위하게 적용될 수 있음을 강조한다.

제안 방법

• 다양성 유지 및 다수의 최적해 탐색을 위해 사전 선택 및 쿠링크 기법을 활용한다.
• 후손을 인구 집단 내 유사한 부모와 비교하기 위해 쿠링크 계수(cf) 및 거리 측정법(예: 유클리드 거리)을 사용한다.
• 쿠링크 기반의 유전자 알고리즘(CrowdingGA) 및 차별형 진화(De) 알고리즘(CrowdingDE)을 활용해 다중모드 최적화를 수행한다.
• 특화된 변종인 CrowdingDE-STL 및 CrowdingDE-TL를 도입하여 맞춤형 선택 및 교체 전략을 적용한다.
• 알고리즘 간 성능 차이를 평가하기 위해 통계적 검정(Mann-Whitney U 검정 및 콜모고로프-스미르노프 검정)을 사용한다.
• 표준 테스트 함수와 실제 문제에 대해 최적의 적합도, 탐지된 최적해 수, 표준편차 등의 지표를 사용해 알고리즘을 기준화한다.

실험 결과

연구 질문

• RQ1 기준 테스트 함수와 실제 문제에서 진화적 다중모드 최적화 알고리즘이 다수의 최적해를 얼마나 잘 탐색하는가?
• RQ2 쿠링크 및 사전 선택과 같은 다양성 유지 메커니즘이 다중모드 최적화 성능에 어떤 영향을 미치는가?
• RQ3 진화적 다중모드 최적화가 VLS 히알로그램 격자 설계와 같은 고차원, 비볼록 공학 문제를 효과적으로 해결할 수 있는가?
• RQ4 CrowdingDE-STL, CrowdingDE-TL, 기타 변종 중에서 수렴성과 다양성의 균형을 가장 잘 달성하는 알고리즘은 무엇인가?
• RQ5 통계적 검정을 통해 다중모드 최적화 알고리즘 간 성능 차이의 유의미성이 어느 정도 확인되는가?

주요 결과

• VLS 히알로그램 격자 설계 문제에서 CrowdingDE-TL는 50회의 실행 평균 최적해 수가 가장 높았으며, 평균 45.54개를 기록하였다.
• CrowdingDE-STL는 평균 최적 적합도가 가장 우수하여 8.29×10⁻⁸을 기록하였으며, 이는 최적 해에 더 잘 수렴하고 있음을 시사한다.
• 통계적 검정(MWU 및 KS 검정) 결과, CrowdingDE 기반 방법은 CrowdingGA, SharingGA, SharingDE, SDE, SCGA에 비해 유의미하게 뛰어난 성능을 보였다(p < 0.05).
• CrowdingDE-STL가 도출한 설정은 완전히 다른 구성이었으며, 실현 가능했기 때문에 광학 공학자들이 알고리즘 재실행 없이도 여러 차례 실험을 수행할 수 있었다.
• 본 연구는 다중모드 최적화 기법이 다수의 최적해를 탐색할 뿐 아니라 인구 집단의 다양성을 유지함으로써 전역 탐색 능력을 향상시킨다는 점을 확인하였다.
• 다양성 유지로 인한 높은 계산 복잡도에도 불구하고, 제안된 방법들은 다중모드 함수 분포에서 전통적 단일 최적해 해법보다 뛰어난 성능을 보였다.