[논문 리뷰] Investigating the effects Diversity Mechanisms have on Evolutionary Algorithms in Dynamic Environments

Matthew T. Hughes|arXiv (Cornell University)|2016. 10. 09.

Metaheuristic Optimization Algorithms Research참고 문헌 19인용 수 3

한 줄 요약

이 논문은 다양성 메커니즘이 동적 최적화 문제에서 진화 알고리즘 성능에 미치는 영향을 조사하며, 피트니스 공유, 클리어링, 쐐기, 육친 방지, 아일랜드 모델 등의 기법을 비교한다. 주요 기여는 다중 이동 피크를 추적하는 데 있어 모든 다른 알고리즘을 능가하는 새로운 하이브리드 알고리즘을 제안하는 것으로, 모든 동적 테스트 문제에서 근사 최적의 피트니스를 달성하고 인구 집단의 다양성을 유지한다.

ABSTRACT

Evolutionary algorithms have been successfully applied to a variety of optimisation problems in stationary environments. However, many real world optimisation problems are set in dynamic environments where the success criteria shifts regularly. Population diversity affects algorithmic performance, particularly on multiobjective and dynamic problems. Diversity mechanisms are methods of altering evolutionary algorithms in a way that promotes the maintenance of population diversity. This project intends to measure and compare the performance effect a variety of diversity mechanisms have on an evolutionary algorithm when facing an assortment of dynamic problems.

연구 동기 및 목표

• 다양한 다양성 메커니즘이 동적 환경에서 진화 알고리즘 성능에 미치는 영향을 평가하기 위해.
• 피트니스 지형 변화 중 인구 집단의 다양성을 유지하는 데 가장 효과적인 메커니즘을 특정하기 위해.
• 이동 피크와 높이 변화가 있는 지형을 포함한 다양한 동적 벤치마크 문제에서 알고리즘 성능을 비교하기 위해.
• 기존 다양성 메커니즘의 장점을 융합하여 향상된 동적 최적화를 위한 새로운 하이브리드 알고리즘을 개발하고 테스트하기 위해.
• 다양한 문제 역학과 파rameter 설정 하에서 다양성 메커니즘의 강건성과 적응 가능성 평가하기 위해.

제안 방법

• 피트니스 공유, 클리어링, 쐐기, 육친 방지, 게놈 제거, 아일랜드 모델, 그리고 새로운 하이브리드 알고리즘을 포함한 각기 다른 다양성 메커니즘을 가진 진화 알고리즘 세트를 구현하였다.
• 이 알고리즘들을 여섯 가지 동적 테스트 문제에 적용하였다: OneMax, TwoMax, One Moving Peak, Two Moving Peaks, Height Changing Peaks, Moving Height Changing Peaks.
• 알고리즘 구현 및 실험을 위해 표준화된 파rameter를 사용한 DEAP(Distributed Evolutionary Algorithms in Python)를 사용하였다.
• 여러 시행 동안 오프라인 성능, 최대 피트니스, 다양성 지표, 수렴 안정성 등을 측정하여 성능을 평가하였다.
• 문제 지형의 동적 변화에 대한 알고리즘 민감도를 평가하기 위해 비트 플립 돌연변이 확률을 조정하였다.
• 다양성 메커니즘의 장점을 융합하여 다중 이동 피크 추적 능력을 향상시킬 수 있도록 새로운 하이브리드 알고리즘을 설계하였다.

실험 결과

연구 질문

• RQ1 다양한 다양성 메커니즘은 동적 환경에서 다중 이동 피크를 추적하는 데 있어 진화 알고리즘의 능력에 어떻게 영향을 미치는가?
• RQ2 빠른 피트니스 지형 변화 중 인구 집단의 다양성을 유지하는 데 가장 효과적인 다양성 메커니즘은 무엇인가?
• RQ3 다양한 다양성 메커니즘을 융합한 하이브리드 알고리즘이 복잡한 동적 문제에서 개별 메커니즘을 능가할 수 있는가?
• RQ4 동적 최적화 작업에서 인구 집단의 다양성은 피트니스 성능과 수렴 안정성과 어떻게 관련이 있는가?
• RQ5 변동하는 돌연변이율과 문제 역학은 다양성 메커니즘의 성능에 어떤 영향을 미치는가?

주요 결과

• 새로운 하이브리드 알고리즘은 One Moving Peak 문제에서 가장 높은 오프라인 성능(94.910)을 기록하여 모든 다른 알고리즘을 능가했다.
• Two Moving Peaks 문제에서는 유일하게 두 피크에 지속적으로 도달하고 유지할 수 있었으며, 피크 탐지 성공률가 100%에 달했다.
• Height Changing Peaks 문제에서는 피크 이동 후에도 최대 피트니스(100)를 유지하여 뛰어난 안정성과 수렴 성능를 보였다.
• Moving Height Changing Peaks 문제에서는 가장 높은 오프라인 성능(90.249)을 기록했고, 동적 변화가 있음에도 불구하고 전역 최적값 근처의 피트니스를 유지했다.
• 모든 다이피크 문제에서 두 피크를 성공적으로 추적했으며, 피크 탐지 성공률가 100%였고, 다른 알고리즘들은 하위집단을 유지하지 못했다.
• 피트니스 공유와 클리어링은 단일 피크 문제에서는 뛰어난 성능를 보였지만, 다이피크 추적에서는 어려움을 겪었고, 아일랜드 모델과 육친 방지는 전반적으로 덜 효과적이었다.