[논문 리뷰] Novel Methods for Enhancing the Performance of Genetic Algorithms

Esra’a Alkafaween|arXiv (Cornell University)|2018. 01. 09.

Metaheuristic Optimization Algorithms Research참고 문헌 90인용 수 8

한 줄 요약

이 석사학위논문은 TSP에서 유전 알고리즘(GA) 성능을 향상시키기 위해 새로운 교차 및 변이 연산자—예를 들어 최악의 유전자에서 자르기(COWGC), 충돌 교차, 다수의 최악의 유전자 기반 변이 전략—과 함께 네 가지 적응형 선택 전략(SAC, SAM, SBC, SBM)을 제안한다. 실험 결과 이러한 방법들은 조기 수렴을 감소시키고 표준 연산자보다 뛰어난 성능을 보이며, 특히 적응형 선택 전략을 통해 다수의 연산자를 조합함으로써 성능 향상을 이룬다.

ABSTRACT

In this thesis we propose new methods for crossover operator namely: cut on worst gene (COWGC), cut on worst L+R gene (COWLRGC) and Collision Crossovers. And also we propose several types of mutation operator such as: worst gene with random gene mutation (WGWRGM) , worst LR gene with random gene mutation (WLRGWRGM), worst gene with worst gene mutation (WGWWGM), worst gene with nearest neighbour mutation (WGWNNM), worst gene with the worst around the nearest neighbour mutation (WGWWNNM), worst gene inserted beside nearest neighbour mutation (WGIBNNM), random gene inserted beside nearest neighbour mutation (RGIBNNM), Swap worst gene locally mutation (SWGLM), Insert best random gene before worst gene mutation (IBRGBWGM) and Insert best random gene before random gene mutation (IBRGBRGM). In addition to proposing four selection strategies, namely: select any crossover (SAC), select any mutation (SAM), select best crossover (SBC) and select best mutation (SBM). The first two are based on selection of the best crossover and mutation operator respectively, and the other two strategies randomly select any operator. So we investigate the use of more than one crossover/mutation operator (based on the proposed strategies) to enhance the performance of genetic algorithms. Our experiments, conducted on several Travelling Salesman Problems (TSP), show the superiority of some of the proposed methods in crossover and mutation over some of the well-known crossover and mutation operators described in the literature. In addition, using any of the four strategies (SAC, SAM, SBC and SBM), found to be better than using one crossover/mutation operator in general, because those allow the GA to avoid local optima, or the so-called premature convergence. Keywords: GAs, Collision crossover, Multi crossovers, Multi mutations, TSP.

연구 동기 및 목표

• 고도화된 적응형 연산자 선택 및 융합 기법을 도입하여 유전 알고리즘(GA)에서의 조기 수렴 문제를 해결한다.
• 새로운 교차 및 변이 연산자를 사용하여 대칭 TSP의 해 품질과 수렴 속도를 향상시킨다.
• 단일 고정 연산자에 의존하는 것과는 달리, 다수의 교차 및 변이 연산자를 동시에 사용할 경우의 영향을 조사한다.
• 실행 중에 가장 잘 작동하는 연산자를 동적으로 선택할 수 있도록 네 가지 적응형 선택 전략(SAC, SAM, SBC, SBM)을 개발하고 평가한다.
• 기본 GA 연산자와의 비교를 통해 제안된 방법의 우수성을 벤치마크 TSP 인스턴스에 대한 실험적 평가를 통해 입증한다.

제안 방법

• 부모 해에서 낮은 적합도를 가진 유전자를 재조합에 우선적으로 고려하는 Cut on Worst Gene(COWGC) 및 Cut on Worst L+R Gene(COWLRGC) 교차 연산자를 제안한다.
• 다양한 후손을 생성하고 탐색 능력을 향상시키기 위해 유전자 충돌을 시뮬레이션하는 새로운 방법인 충돌 교차(Collision Crossovers)를 도입한다.
• 최악의 유전자 선택 기반으로 설계된 다수의 변이 연산자를 제안하며, WGWRGM, WGWWGM, WGWNNM 및 삽입 기반 변형인 WGIBNNM, RGIBNNM 등이 포함된다.
• 네 가지 적응형 선택 전략—SAC(어떤 교차 연산자든 선택), SAM(어떤 변이 연산자든 선택), SBC(가장 좋은 교차 연산자 선택), SBM(가장 좋은 변이 연산자 선택)—을 개발하여 진화 과정 중에 동적으로 최적의 연산자를 선택할 수 있도록 한다.
• 다수의 교차 및 변이 연산자를 한 세대에 평가하는 다중 연산자 프레임워크를 활용하며, 전략에 따라 최고의 연산자 또는 무작위로 선택된 연산자를 적용한다.
• 적합도 기반 평가 메커니즘을 사용하여 연산자 선택을 유도함으로써 다양성을 증진하고 局부 최적해에 갇히는 것을 방지한다.

실험 결과

연구 질문

• RQ1 COWGC 및 충돌 교차와 같은 새로운 교차 연산자가 표준 연산자와 비교해 TSP에서 수렴성과 해 품질을 향상시키는가?
• RQ2 최악의 유전자 기반 변이 전략이 유전 알고리즘에서 탐색 능력을 향상시키고 조기 수렴을 줄이는가?
• RQ3 SAC 및 SBM와 같은 전략을 통해 다수의 교차 및 변이 연산자를 동적으로 선택하면 단일 고정 연산자 사용보다 성능이 향상되는가?
• RQ4 SAC, SAM, SBC, SBM와 같은 제안된 적응형 선택 전략들이 TSP 벤치마크에서 해 품질과 수렴 속도 측면에서 어떻게 상호 비교되는가?
• RQ5 다수의 교차 및 변이 기법을 융합함으로써 조합 최적화 문제에 대한 GA에서 조기 수렴의 위험을 줄일 수 있는가?

주요 결과

• COWGC 및 충돌 교차 연산자는 표준 순서 기반 및 사이클 기반 교차 연산자와 비교해 TSP 인스턴스에서 뛰어난 성능을 보이며, 평균 해 품질이 향상되었다.
• WGWWGM 및 WGIBNNM과 같은 변이 전략은 특히 후기 세대에서 다양성을 크게 향상시키고 局부 최적해에 수렴하는 것을 줄였다.
• SBC(가장 좋은 교차 연산자 선택) 및 SBM(가장 좋은 변이 연산자 선택) 전략을 사용할 경우 고정 연산자 기반 베이스라인 대비 더 빠른 수렴과 더 나은 해 품질을 달성했다.
• SAC 및 SAM 전략은 다수의 연산자 중에서 무작위로 선택함으로써 인구 집단의 다양성을 유지하고 정체를 방지하여 단일 연산자 GA보다 뛰어난 성능을 보였다.
• 특히 SBC 및 SBM를 통해 다수의 교차 및 변이 기법을 적응형 선택과 함께 융합함으로써, 모든 테스트된 TSP 인스턴스에서 조기 수렴의 가능성을 감소시켰다.
• 종합적으로 볼 때, 제안된 다중 연산자 프레임워크와 적응형 선택 전략은 기존의 고전적 GA 설정보다 벤치마크 TSP 문제에서 평균 및 최고 해 값 모두에서 더 뛰어난 성능을 달성했다.