[논문 리뷰] Genetic Algorithms for Multiple-Choice Problems

Uwe Aickelin|arXiv (Cornell University)|2010. 04. 19.

Metaheuristic Optimization Algorithms Research참고 문헌 7인용 수 4

한 줄 요약

이 박사학위 논문은 간접 유전적 알고리즘(IGA)을 제안하며, 이는 복잡한 다중선택 최적화 문제, 예를 들어 간호사 스케줄링과 백화점 상권 배정 문제를 해결하기 위해 자가조정 디코더 함수를 갖춘다. 문제 특화 지식을 수리 기법과 계층적 공진화를 통해 통합함으로써 표준 유전적 알고리즘에 비해 해의 품질과 타당성이 크게 향상되며, 구조적 제약 조건에 의존도가 낮아지기 때문에 직접적 방법에 비해 IGA가 뛰어난 성능을 보인다.

ABSTRACT

This thesis investigates the use of problem-specific knowledge to enhance a genetic algorithm approach to multiple-choice optimisation problems.It shows that such information can significantly enhance performance, but that the choice of information and the way it is included are important factors for success.Two multiple-choice problems are considered.The first is constructing a feasible nurse roster that considers as many requests as possible.In the second problem, shops are allocated to locations in a mall subject to constraints and maximising the overall income.Genetic algorithms are chosen for their well-known robustness and ability to solve large and complex discrete optimisation problems.However, a survey of the literature reveals room for further research into generic ways to include constraints into a genetic algorithm framework.Hence, the main theme of this work is to balance feasibility and cost of solutions.In particular, co-operative co-evolution with hierarchical sub-populations, problem structure exploiting repair schemes and indirect genetic algorithms with self-adjusting decoder functions are identified as promising approaches.The research starts by applying standard genetic algorithms to the problems and explaining the failure of such approaches due to epistasis.To overcome this, problem-specific information is added in a variety of ways, some of which are designed to increase the number of feasible solutions found whilst others are intended to improve the quality of such solutions.As well as a theoretical discussion as to the underlying reasons for using each operator,extensive computational experiments are carried out on a variety of data.These show that the indirect approach relies less on problem structure and hence is easier to implement and superior in solution quality.

연구 동기 및 목표

• 대규모 다중선택 최적화 문제 해결에서 표준 유전적 알고리즘의 한계를 해결하기 위해.
• 문제 특화 지식이 어떻게 효과적으로 유전적 알고리즘에 통합되어 타당성과 해 품질을 향상시킬 수 있는지 조사하기 위해.
• 성능, 내구성, 구현 용이성 측면에서 직접적 방법과 간접적 방법의 유전적 알고리즘 접근 방식을 비교하기 위해.
• 제약 최적화를 위해 협동적 공진화와 계층적 하위집단, 수리 기법을 개발하고 평가하기 위해.
• 실제 문제에 대한 계산 실험을 통해 간접적 방법의 우수성을 입증하기 위해.

제안 방법

• 해를 매개변수 벡터로 인코딩하고 자가조정 함수를 통해 디코딩하는 간접 유전적 알고리즘(IGA)을 사용한다.
• 복잡하고 상호의존적인 결정 변수를 관리하기 위해 계층적 하위집단을 갖는 협동적 공진화를 사용한다.
• 타당하지 않은 해를 유지보수하면서 품질을 보존하는 문제 구조를 고려한 수리 기법을 구현한다.
• 문제 제약 조건에 동적으로 적응하는 자가조정 디코더를 도입하여 수작업으로 만든 규칙에 대한 의존도를 줄인다.
• 타당성과 비용을 균형 있게 유지하기 위해 수리 기법과 적합도 평가의 조합을 적용한다.
• 간호사 스케줄링과 백화점 상권 배정이라는 두 가지 실제 문제에 대해 광범위한 계산 실험을 수행한다.

실험 결과

연구 질문

• RQ1 문제 특화 지식은 어떻게 효과적으로 유전적 알고리즘에 인코딩되어 다중선택 문제의 성능을 향상시킬 수 있는가?
• RQ2 제약 조건이 있는 다중선택 최적화 문제 해결에서 직접적 방법과 간접적 방법의 유전적 알고리즘 접근 방식 중 어느 것이 상대적으로 더 효과적인가?
• RQ3 협동적 공진화와 계층적 하위집단, 수리 기법이 해 품질과 수렴성에 어떤 영향을 미치는가?
• RQ4 자기조정 디코더 기능은 얼마나 문제의 구조적 세부 정보에 대한 필요성을 줄일 수 있는가?
• RQ5 제약 조건 처리 기법을 진화 알고리즘에 통합할 때 성공을 결정짓는 요소는 무엇인가?

주요 결과

• 자기조정 디코더를 갖춘 간접 유전적 알고리즘은 두 테스트 문제 전반에서 직접적 방법에 비해 해 품질과 내구성 면에서 뛰어난 성능을 보였다.
• 수리 기법과 계층적 공진화를 통해 문제 특화 지식을 적절히 통합하면 타당한 해를 찾는 데 있어 상당한 향상이 이루어졌다.
• 간접적 접근은 문제 특화 구조적 지식이 덜 필요로 하여 구현이 더 쉽고 새로운 문제에 더 잘 적응할 수 있었다.
• 하위집단을 갖는 협동적 공진화는 문제의 하위 구성 요소를 독립적으로 탐색함으로써 탐색 효율성을 향상시켰다.
• 계산 실험을 통해 IGA는 표준 유전적 알고리즘에 비해 뛰어난 수렴성과 해 품질을 달성했다.
• 자기조정 디코더는 수동 조정의 필요성을 줄였고, 복잡한 제약 조건을 동적으로 처리할 수 있는 능력을 향상시켰다.