[논문 리뷰] Preselection via Classification: A Case Study on Evolutionary Multiobjective Optimization

Jinyuan Zhang, Aimin Zhou외 2명|arXiv (Cornell University)|2017. 08. 03.

Advanced Multi-Objective Optimization Algorithms참고 문헌 5인용 수 5

한 줄 요약

이 논문은 다목적 진화 최적화를 위한 분류 기반 사전 선택(CPS) 전략을 제안한다. 여기서 비지배 및 지배된 해를 기반으로 훈련된 분류기가 목적 함수 평가 없이 유망한 후보 후손을 선별한다. CPS는 다양한 테스트 문제에서 최신의 3개의 MOEA에 대해 성능을 향상시켜 수렴성과 초과체적 영역 지표를 일관되게 감소시키며, 기준 알고리즘보다 뛰어난 성능을 입증한다.

ABSTRACT

In evolutionary algorithms, a preselection operator aims to select the promising offspring solutions from a candidate offspring set. It is usually based on the estimated or real objective values of the candidate offspring solutions. In a sense, the preselection can be treated as a classification procedure, which classifies the candidate offspring solutions into promising ones and unpromising ones. Following this idea, we propose a classification based preselection (CPS) strategy for evolutionary multiobjective optimization. When applying classification based preselection, an evolutionary algorithm maintains two external populations (training data set) that consist of some selected good and bad solutions found so far; then it trains a classifier based on the training data set in each generation. Finally it uses the classifier to filter the unpromising candidate offspring solutions and choose a promising one from the generated candidate offspring set for each parent solution. In such cases, it is not necessary to estimate or evaluate the objective values of the candidate offspring solutions. The classification based preselection is applied to three state-of-the-art multiobjective evolutionary algorithms (MOEAs) and is empirically studied on two sets of test instances. The experimental results suggest that classification based preselection can successfully improve the performance of these MOEAs.

연구 동기 및 목표

• 다목적 진화 알고리즘(MOEAs)에서 목적 함수 평가의 높은 계산 비용 문제를 해결하기 위해 직접 평가에 의존도를 줄이기 위해.
• 유망한 후손과 그렇지 않은 후손을 구분하는 이진 분류 문제로 사전 선택을 재정의하여 사전 선택의 효율성을 향상시키기 위해.
• 파레토 지배 기반, 지표 기반, 분해 기반의 다양한 MOEA 철학에 적용 가능한 일반적이고 재사용 가능한 CPS 프레임워크를 개발하기 위해.
• 다양한 형태의 파레토 최적 해면을 가진 복잡한 테스트 인스턴스에서 CPS의 효과성을 실증적으로 검증하기 위해.
• 서rogate 모델 추정 없이 분류기 예측을 기반으로 후손 선택을 이끌 수 있는 잠재적 가능성을 탐색하기 위해.

제안 방법

• 지배되지 않은(유망한) 해와 지배된(비유망한) 해로 구성된 두 개의 외부 집단을 유지하여 훈련 데이터로 사용한다.
• 각 세대에서 현재 훈련 데이터 세트를 기반으로 이진 분류기를 훈련하여 후보 후손의 레이블을 예측한다.
• 각 부모에서 후보 후손을 생성하고, 분류기를 사용하여 각 후손이 유망한지 비유망한지 예측한다.
• 환경 선택에만 가장 높은 점수를 받은(유망하다고 예측된) 후손만 선택하여 목적 함수 평가를 피한다.
• RM-MEDA, SMS-EMOA, MOEA/D-MO의 세 MOEA 프레임워크에 CPS 전략을 적용하여 선택 파이프라인에 원활하게 통합한다.
• 동적 데이터 준비 전략을 사용: 매번 발견된 새로운 지배되지 않은 해와 지배된 해를 모두 훈련 세트에 지속적으로 업데이트한다.

실험 결과

연구 질문

• RQ1 분류 기반 사전 선택 전략이 다목적 진화 알고리즘(MOEAs)에서 비용이 많이 드는 목적 함수 평가 횟수를 효과적으로 줄일 수 있는가?
• RQ2 제안된 CPS 전략이 다양한 MOEA 프레임워크에서 수렴성과 다양성 지표를 향상시키는가?
• RQ3 복잡하고 비정상적인 파레토 최적 해를 가진 테스트 문제에서 CPS는 IGD 및 반대로 계산된 세대 거리(I⁻H) 지표에서 기준 MOEA와 비교해 어떻게 성능을 내는가?
• RQ4 CPS의 성능 향상은 파편화되거나 끊어진 최적 해면을 가진 문제를 포함한 다양한 다목적 최적화 문제 유형에서 일관되게 유지되는가?
• RQ5 동적 훈련 데이터 업데이트 전략이 분류기 정확도와 전체 알고리즘 성능에 어떤 영향을 미치는가?

주요 결과

• CPS는 IGD 기준으로 9개 테스트 인스턴스 중 5개에서 RM-MEDA를 크게 향상시켰고, 나머지 4개에서는 성능 저하 없이 기준보다 우수한 성능을 보였다. I⁻H 기준으로는 9개 중 7개에서 기준 알고리즘을 초월했다.
• SMS-EMOA-CPS는 I⁻H 기준으로 9개 테스트 인스턴스 전부에서 SMS-EMOA를 뛰어넘었고, IGD 기준으로는 9개 중 8개에서 더 좋은 결과를 얻었다.
• MOEA/D-MO-CPS는 IGD 기준으로 5개 인스턴스에서 MOEA/D-MO를 초월했고, I⁻H 기준으로는 4개에서 승리했으며, 나머지 인스턴스에서는 성능 저하 없이 유지했다.
• LZ6(595명의 개체 수)에서 CPS는 IGD를 2.08e-01에서 1.00e-01으로 감소시키고, I⁻H를 4.15e-01에서 2.07e-01으로 낮춰 수렴성 향상이 뚜렷하게 나타났다.
• 모든 테스트 인스턴스에서 CPS 변종은 항상 더 우수하거나 동등한 성능을 기록했고, 성능 저하가 발생한 인스턴스는 없었으며, 이는 강건성을 확인한다.
• 이 방법은 목적 함수 평가가 전혀 필요 없이 분류기 예측에만 의존하여 후보 후손에 대한 평가를 완전히 제거했고, 계산 비용을 감소시켰다.