[논문 리뷰] Multimodal Multi-objective Optimization: Comparative Study of the State-of-the-Art

Wenhua Li, Tao Zhang외 2명|arXiv (Cornell University)|2022. 07. 11.

Advanced Multi-Objective Optimization Algorithms인용 수 4

한 줄 요약

이 논문은 표준 테스트 세트에서 12개의 최신 다중모드 다목적 진화 알고리즘(MMEAs)을 종합적으로 비교 분석하여, 결정 공간과 목적 공간에서의 다양성 유지 능력을 평가한다. 연구 결과, 모든 문제 유형에서 우월한 성능를 보이는 단일 알고리즘이 존재하지는 않지만, 국소 파레토 집합 식별에 초점을 맞춘 기법들이 다중모드 다목적 문제(MMOPs) 해결에 있어 뛰어난 효과를 보인다.

ABSTRACT

Multimodal multi-objective problems (MMOPs) commonly arise in real-world problems where distant solutions in decision space correspond to very similar objective values. To obtain all solutions for MMOPs, many multimodal multi-objective evolutionary algorithms (MMEAs) have been proposed. For now, few studies have encompassed most of the recently proposed representative MMEAs and made a comparative comparison. In this study, we first review the related works during the last two decades. Then, we choose 12 state-of-the-art algorithms that utilize different diversity-maintaining techniques and compared their performance on existing test suites. Experimental results indicate the strengths and weaknesses of different techniques on different types of MMOPs, thus providing guidance on how to select/design MMEAs in specific scenarios.

연구 동기 및 목표

• 기존 MMOP 테스트 세트에서 다양성 유지 기법이 상이한 12개의 최신 MMEAs의 성능을 평가하기 위해.
• 다양한 유형의 MMOPs를 다룰 때 다양한 다양성 유지 전략의 강점과 약점을 규명하기 위해.
• 문제 특성과 원하는 해의 분포에 따라 MMEAs의 선택 또는 설계에 실용적인 지침을 제공하기 위해.
• 현재 MMOP 연구에서의 핵심적 격차, 즉 다중모드성 탐지 부족, 이산 최적화 기준 테스트 세트 부족, 종합적인 성능 평가 지표 부족을 부각하기 위해.
• 실제 응용에서의 전역 탐색 능력과 강인성을 향상시키기 위해 기존 MOEAs에 다중모드 기법을 통합할 것을 주장하기 위해.

제안 방법

• 결정 공간에서의 빈도 거리, 니칭, 전용 환경 선택 전략 등 서로 다른 다양성 유지 메커니즘을 적용한 12개의 대표적 MMEAs를 선정하였다.
• MMF, IDMP 및 기타 널리 사용되는 MMOP 문제를 포함한 여러 기준 테스트 세트에 대해 표준화된 실험 설정을 적용하였다.
• 진정한 파레토 최적 해에 수렴하는 정도와 결정 공간 및 목적 공간에서의 분포 다양성을 평가하는 지표를 사용하여 성능를 평가하였다.
• 다양한 알고리즘적 접근 방식 간의 해 집합을 비교하여, 국소 및 전역 파레토 집합을 포함한 다수의 파레토 집합을 탐지하고 유지하는 능력을 중점적으로 분석하였다.
• 특히 고차원 및 복잡한 MMOPs에서 알고리즘 설계가 수렴성, 다양성, 강인성에 미치는 영향을 평가하였다.
• 기존 지표와 기준 테스트 세트의 한계를 분석하여, 다차원 공간에서의 종합적 평가 프레임워크의 필요성을 강조하였다.

실험 결과

연구 질문

• RQ1 다양한 MMOP 테스트 문제 범위에서 가장 우수한 성능를 보이는 MMEA는 무엇이며, 어떤 조건에서 뛰어난 성능를 발휘하는가?
• RQ2 다양성 유지 기법(예: 니칭, 결정 공간에서의 빈도 거리)의 차이가 다수의 파레토 집합을 탐지하고 유지하는 능력에 미치는 영향은 어떠한가?
• RQ3 기존 성능 지표가 결정 공간과 목적 공간에서의 수렴성과 다양성을 충분히 반영하고 있는가?
• RQ4 기존 MMEAs가 고차원 MMOPs에서 어려움을 겪는 이유는 무엇이며, 현재 기준 테스트 세트의 핵심적 한계는 무엇인가?
• RQ5 다중모드성 탐지 부족, 이산 최적화 기준 테스트 세트 부족, 종합적 평가 지표 부족 등 MMOP 연구의 핵심적 격차는 무엇인가?

주요 결과

• 모든 테스트 세트에서 다른 알고리즘보다 뛰어난 성능를 보이는 단일 MMEA는 존재하지 않으며, 이는 알고리즘 선택이 문제 유형에 매우 의존함을 시사한다.
• 국소 파레토 집합을 명시적으로 식별하는 데 초점을 맞춘 알고리즘이 대부분의 MMOPs에서 뛰어난 성능를 보이며, 특히 다수의 분리된 파레토 집합을 포함한 문제에서 두각을 나타낸다.
• 수렴성 중심 전략을 취하는 전통적 MOEAs는 결정 공간에서 충분한 다양성을 유지하지 못해 조기 수렴 현상이 발생하고 다수의 최적 해를 상실한다.
• 기존 성능 지표는 종종 결정 공간의 다양성을 간과하며, 현재까지 목적 공간과 결정 공간의 품질을 조정 가능한 가중치로 균형 잡는 종합적 지표는 존재하지 않는다.
• IDMP 테스트 세트는 도전적인 문제로, 이전의 MMEAs가 모든 파레토 집합을 탐지하지 못함을 시사하며, 더 강력하고 확장 가능한 알고리즘이 필요함을 강조한다.
• 이산 최적화 기준 테스트 세트와 다중모드성 탐지 도구의 부족이 심각한 문제로 존재하며, 이는 MMEAs의 실생활 문제 적용에 장애를 초래하고 있다.