[논문 리뷰] Memetic firefly algorithm for combinatorial optimization

Iztok Fister, Yang, Xin-She외 2명|arXiv (Cornell University)|2012. 04. 23.

Scheduling and Timetabling Solutions참고 문헌 28인용 수 100

한 줄 요약

이 논문은 실수값 벡터로 해를 인코딩하여 가중치에 따라 정점 순서를 유도하고, DSatur 기반 색칠 및 국소 탐색을 수행함으로써 조합 최적화, 특히 그래프 3색칠 문제에 대해 맴버틱 파리나 알고리즘(MFFA)을 제안한다. MFFA는 중규모 균일 및 균등 분할 그래프에서 HEA 및 Tabucol보다 뛰어난 성공률과 더 적은 기능 평가 횟수를 기록하며, 위상 전이 영역에서 성능을 냅니다.

ABSTRACT

Firefly algorithms belong to modern meta-heuristic algorithms inspired by nature that can be successfully applied to continuous optimization problems. In this paper, we have been applied the firefly algorithm, hybridized with local search heuristic, to combinatorial optimization problems, where we use graph 3-coloring problems as test benchmarks. The results of the proposed memetic firefly algorithm (MFFA) were compared with the results of the Hybrid Evolutionary Algorithm (HEA), Tabucol, and the evolutionary algorithm with SAW method (EA-SAW) by coloring the suite of medium-scaled random graphs (graphs with 500 vertices) generated using the Culberson random graph generator. The results of firefly algorithm were very promising and showed a potential that this algorithm could successfully be applied in near future to the other combinatorial optimization problems as well.

연구 동기 및 목표

• 연속 최적화를 위해 설계된 자연 기반 파리나 알고리즘을 조합 최적화 문제, 예를 들어 그래프 3색칠 문제에 적응시키는 것.
• 메타휴리스틱을 이산적이고 NP-완전 문제에 적용하는 데 도전하기 위해 국소 탐색과 실수값 가중치를 통한 해 표현 방식을 통합하는 것.
• 제안된 맴버틱 파리나 알고리즘(MFFA)의 성능을 벤치마크 무작위 그래프에서 기존 알고리즘과 비교 평가하는 것.
• 인구 업데이트 전략, 엘리티즘, 국소 탐색과 같은 핵심 알고리즘 구성 요소들이 MFFA 성능에 미치는 영향을 조사하는 것.

제안 방법

• 각 원소가 정점의 가중치에 해당하는 실수값 벡터로 해를 표현하며, 이는 정점의 색칠 순서 우선순위를 결정한다.
• 정점은 가중치에 따라 정렬되어 순열을 형성하고, 이 순열이 DSatur 히우리스틱에 입력되어 3색칠을 구성한다.
• 파리나 알고리즘은 이러한 실수값 벡터를 대상으로 작동하며, 목적 함수 값과 해 공간 내 거리에 기반한 매력도에 따라 이동이 유도된다.
• 최고 해를 세대 간 유지하기 위해 엘리티즘이 적용되어 수렴 안정성을 확보한다.
• 해를 개선하고 체계의 최적 지역을 더 깊이 탐색하기 위해 히우리스틱적 스왑 국소 탐색이 통합된다.
• 알고리즘은 하이브리드 전략을 사용한다: 파리나 이동을 통한 글로벌 탐색과 국소 탐색을 통한 국소 탐색

실험 결과

연구 질문

• RQ1 파리나 알고리즘이 그래프 3색칠과 같은 조합 최적화 문제에 효과적으로 적응될 수 있는가?
• RQ2 실수값 가중치를 통한 해 표현 방식과 국소 탐색의 통합이 이산 문제에서의 성능에 어떤 영향을 미치는가?
• RQ3 MFFA는 HEA, Tabucol, EA-SAW와 같은 기존 알고리즘과 비교해 중규모 무작위 그래프를 해결할 때 어떻게 성능을 내는가?
• RQ4 인구 업데이트 전략과 엘리티즘과 같은 핵심 알고리즘 구성 요소들이 MFFA 성능에 어떤 영향을 미치는가?
• RQ5 MFFA는 문제 난이도가 정점에 도달하는 위상 전이 영역에서 강건성을 보여주는가?

주요 결과

• 균일 및 균등 분할 그래프에서 MFFA는 성공률(SR)이 HEA 및 Tabucol보다 높았으며, 특히 간선 확률 p = 0.014–0.016 근처의 위상 전이 영역에서 두드러졌다.
• 균일 및 균등 분할 그래프에서 MFFA는 평균 기능 평가 횟수(AES)가 다른 알고리즘보다 적어 더 빠른 수렴을 나타냈다.
• 평탄한 그래프에서는 MFFA가 HEA 및 Tabucol보다 略적으로 열등했지만 여전히 유사한 성능을 보였고, EA-SAW는 모든 그래프 유형에서 가장 열 劣한 결과를 기록했다.
• 파리나 이동을 위한 중간 인구 P′의 사용은 통제된 난류성을 도입함으로써 성능을 크게 향상시켰다.
• 엘리티즘은 최고 해를 유지하고 검색 공간의 유망한 영역으로 향하는 데 필수적이었다.
• 난이도 매개변수 α의 자가 적응 조정이 성능 향상에 기여하지 않았으며, 이는 현재 문제 인스턴스에 대해 고정된 매개변수 설정으로도 충분할 수 있음을 시사한다.