[논문 리뷰] Genetic Algorithms for multimodal optimization: a review

Noé Casas|arXiv (Cornell University)|2015. 06. 10.

Metaheuristic Optimization Algorithms Research참고 문헌 24인용 수 9

한 줄 요약

이 논문은 다모달 최적화를 위한 유전 알고리즘 기법을 검토하며, 이를 구조적 인구 모델(예: 아일랜드 모델 및 공간적으로 분산된 GA)과 다양성 촉진 기법(예: 적합도 공유, 쐐기)으로 분류한다. 연구 결과, 쐐기 기법이 가장 강건하고 광범위하게 효과적인 기법으로 나타났으며, 다른 기법들은 문제에 특화된 캘리브레이션에 크게 의존하고, 전반적인 우수성 면에서 파나믹틱(GA)에 열등하다.

ABSTRACT

In this article we provide a comprehensive review of the different evolutionary algorithm techniques used to address multimodal optimization problems, classifying them according to the nature of their approach. On the one hand there are algorithms that address the issue of the early convergence to a local optimum by differentiating the individuals of the population into groups and limiting their interaction, hence having each group evolve with a high degree of independence. On the other hand other approaches are based on directly addressing the lack of genetic diversity of the population by introducing elements into the evolutionary dynamics that promote new niches of the genotypical space to be explored. Finally, we study multi-objective optimization genetic algorithms, that handle the situations where multiple criteria have to be satisfied with no penalty for any of them. Very rich literature has arised over the years on these topics, and we aim at offering an overview of the most important techniques of each branch of the field.

연구 동기 및 목표

• 다모달 최적화 문제를 해결하기 위해 설계된 진화 알고리즘 기법에 대한 체계적 검토를 제공하는 것.
• 인구 구조를 통해 다양성을 암묵적으로 촉진하는 접근과 유전적 다양성을 명시적으로 제어하는 접근 방식을 구분하는 것.
• 다목적 최적화 알고리즘이 단일 목표 다모달 문제를 해결하는 데 어떻게 기여하는지 검토하는 것.
• 각 기법이 파나믹틱 유전 알고리즘과 비교하여 가지는 강점, 약점 및 실용적 성능을 평가하는 것.
• 문제 특성과 경험적 증거를 바탕으로 연구자들이 적절한 다모달 최적화 전략을 선택하도록 안내하는 것.

제안 방법

• 다모달 최적화 기법을 두 주요 범주로 분류: 구조적 인구 GA(예: 아일랜드 모델, 공간적으로 분산된 GA)와 다양성 제어 GA(예: 적합도 공유, 쐐기).
• 고립된 하위집단(아일랜드)을 사용하고 주기적으로 이주를 수행함으로써 다양성을 유지하고 조기 수렴을 방지하는 아일랜드 모델 GA 분석.
• 개체에 공간 좌표를 할당하고 이웃한 개체들 사이에서만 번식을 허용함으로써 자연스럽게 하위집단이 형성되는 공간적으로 분산된 GA 검토.
• 유전자 공간의 혼잡한 영역에 있는 개체에 대해 징벌을 가함으로써 나이프 형성 촉진을 위한 적합도 공유와 같은 다양성 촉진 메커니즘 검토.
• 유사한 개체를 대체하여 다양성을 유지하고 다수의 최적해를 탐색하는 쐐기 기법 논의.
• 두 번째 目적을 도입함으로써 단일 목표 다모달 문제를 다목적 문제로 변환하기 위해 다목적 진화 알고리즘(MOEAs)의 활용 탐색.

실험 결과

연구 질문

• RQ1 다수의 국소 최적해를 가진 다모달 최적화 문제를 해결하는 데 가장 효과적인 유전 알고리즘 전략은 무엇인가?
• RQ2 아일랜드 모델 등의 구조적 인구 접근 방식과 적합도 공유, 쐐기 등의 다양성 제어 메커니즘 간의 성능 및 강건성 측면에서의 비교는 어떻게 되는가?
• RQ3 다목적 최적화 알고리즘이 단일 목표 다모달 문제를 해결하기 위해 얼마나 효과적으로 재사용될 수 있는가?
• RQ4 다음과 같은 이론적 우수성에도 불구하고 일부 다모달 최적화 기법이 표준 파나믹틱 GA에 비해 성능이 열 劣하는 이유는 무엇인가?
• RQ5 실제로 다모달 최적화 알고리즘을 캘리브레이션하고 구현하는 데 있어 주요 과제는 무엇인가?

주요 결과

• -reviewed 기법들 중에서 쐐기 기법이 가장 일관되게 효과적이며, 다양한 다모달 문제에서 강건한 성능을 보이며 광범위하게 수용되고 있다.
• 아일랜드 모델 및 공간적으로 분산된 GA와 같은 구조적 인구 접근 방식은 병렬 처리에 유리하며 하위집단마다 다른 최적화 알고리즘을 적용할 수 있지만, 이주 빈도 및 구조도와 같은 파rameter의 정교한 캘리브레이션이 필요하다.
• 적합도 공유 기법은 나이프 반경을 수동으로 설정해야 하며, 이 파rameter에 매우 민감하여 적절히 캘리브레이션되지 않으면 일반적으로 최적 결과를 얻기 어려운 편이다.
• 공간적으로 분산된 GA는 아일랜드 모델보다 설정이 덜 복잡하고 파rameter 선택에 덜 민감하지만, 적응 메커니즘이 없으면 여전히 성능이 열 劣할 수 있다.
• 이러한 알고리즘의 자가 적응형 변종은 일반적으로 정교하게 캘리브레이션된 비적응형 대비 성능이 열 劣하는 경향이 있어, 적응형 캘리브레이션 전략이 만능은 아니라는 것을 시사한다.
• 데브(2002)가 제안한 다목적 진화 알고리즘(MOEAs)은 단일 목표 다모달 문제를 다목적 문제로 변환함으로써 효과적으로 해결할 수 있으며, 유망한 대안적 접근 방식을 제공한다.