[논문 리뷰] Genetic and Memetic Algorithm with Diversity Equilibrium based on Greedy Diversification

Andrés Herrera-Poyatos, Francisco Herrera|arXiv (Cornell University)|2017. 02. 12.

Metaheuristic Optimization Algorithms Research참고 문헌 27인용 수 5

한 줄 요약

이 논문은 탐색과 이용의 균형을 이루기 위해 탐욕적 다양화 연산자를 통해 다양성을 유지하는 새로운 유전 및 민족 알고리즘인 GADEGD와 MADEGD를 제안한다. 이 방법은 높은 품질의 다양성 있는 개체군을 유지하고 조기 수렴을 줄임으로써 TSP에서 최신 기술보다 뛰어난 성능을 발휘한다.

ABSTRACT

The lack of diversity in a genetic algorithm's population may lead to a bad performance of the genetic operators since there is not an equilibrium between exploration and exploitation. In those cases, genetic algorithms present a fast and unsuitable convergence. In this paper we develop a novel hybrid genetic algorithm which attempts to obtain a balance between exploration and exploitation. It confronts the diversity problem using the named greedy diversification operator. Furthermore, the proposed algorithm applies a competition between parent and children so as to exploit the high quality visited solutions. These operators are complemented by a simple selection mechanism designed to preserve and take advantage of the population diversity. Additionally, we extend our proposal to the field of memetic algorithms, obtaining an improved model with outstanding results in practice. The experimental study shows the validity of the approach as well as how important is taking into account the exploration and exploitation concepts when designing an evolutionary algorithm.

연구 동기 및 목표

• 유전 알고리즘에서 개체군의 다양성 손실이라는 핵심 과제를 해결하여 조기 수렴을 방지한다.
• 탐색(다양성)과 이용(국소 탐색 정밀화) 사이의 동적 균형을 탐색 과정 전반에 걸쳐 유지한다.
• 탐욕적 다양화와 선택 및 경쟁 메커니즘을 통합하여 높은 품질의 다양성 있는 개체군을 유지하는 하이브리드 메타휴리스틱을 개발한다.
• 조합 최적화 문제에서의 성능 향상을 위해 이 프레임워크를 민족 알고리즘으로 확장한다.
• 기본 TSP 기준 테스트 케이스에서 제안된 알고리즘의 효과성을 입증하여 기존 방법보다 해의 품질과 다양성 지표에서 뛰어난 성능을 보인다.

제안 방법

• 개체군 다양성이 임계값 이하로 떨어질 경우, 무작위로 선택된 탐욕적 알고리즘을 통해 새로운 염색체를 생성하는 탐욕적 다양화 연산자를 도입한다.
• 부모-자식 경쟁 메커니즘을 구현하여 품질이 높은 자식 개체만 개체군에 포함되도록 하여 유망한 영역의 이용을 향상시킨다.
• 선택 과정에서 인접하지 않고 유사도가 낮은 개체를 우선시하는 무작위로 인접하지 않은 선택 전략을 사용하여 다양성을 유지한다.
• 지역 탐색(예: 2-opt)을 선택적으로 통합하여, 새로운 개선된 해가 개체군에 들어올 경우에만 적용함으로써 계산 비용을 줄이면서도 효과성을 유지한다.
• 다양성 지표에 기반하여 다양성 유지가 필요할 때에만 다양화를 촉발함으로써 탐색과 이용을 동적으로 균형 잡는 알고리즘 설계를 한다.
• 지역 탐색을 선택적으로 적용하고 동일한 핵심 연산자를 통해 다양성을 유지함으로써, 민족 알고리즘(MADEGD)으로 프레임워크를 확장한다.

실험 결과

연구 질문

• RQ1 탐욕적 다양화 연산자가 유전 알고리즘에서 개체군의 다양성을 효과적으로 복원하고 유지할 수 있는가?
• RQ2 부모-자식 경쟁과 다양성 유지 선택의 조합이 수렴성과 해의 품질에 어떻게 기여하는가?
• RQ3 제안된 알고리즘(GADEGD)이 CHC와 Micro-GA와 같은 기존 유전 알고리즘보다 해의 품질과 다양성 측면에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 민족 알고리즘(MADEGD)으로의 확장이 GRASP와 반복적 탐욕 알고리즘에 비해 TSP 인스턴스에서 더 뛰어난 성능을 내는가?
• RQ5 선택적 지역 탐색 적용이 민족 프레임워크에서 다양성과 계산 효율성에 어떤 영향을 미치는가?

주요 결과

• GADEGD는 모든 테스트된 TSP 인스턴스에서 CHC와 Micro-GA보다 유의미하게 뛰어난 해의 품질을 달성했으며, 대부분의 기준 테스트에서 중앙값 해 갭이 1% 이하로 유지되었다.
• GADEGD의 개체군 다양성은 실행 전반에 걸쳐 안정적이고 높은 수준을 유지하여 다른 알고리즘에서 관찰되는 조기 수렴 현상을 피했다.
• MADEGD는 평균적으로 85% 이상의 반복에서 지역 탐색을 적용하여 지속적인 개선된 해 발견을 보였으며, 높은 다양성을 유지했다.
• MADEGD는 15개의 모든 TSP 인스턴스에서 GRASP와 반복적 탐욕 알고리즘보다 해의 품질에서 뛰어난 성능을 보였으며, 평균적으로 1.5%에서 10%까지 향상되었다.
• 표준 돌연변이보다 탐욕적 다양화 연산자가 다양성 유지와 지속적인 탐색을 위해 더 효과적인 것으로 입증되었다.
• 경쟁, 다양성 유지 선택, 선택적 지역 탐색의 조합으로 인해 전체 적용 방법 대비 지역 탐색 호출 수가 10-20% 감소했으며, 해의 품질에 영향을 주지 않았다.