[논문 리뷰] Temporal Heterogeneity Improves Speed and Convergence in Genetic Algorithms

Yoshio Martinez, Katya Rodríguez외 1명|arXiv (Cornell University)|2022. 02. 02.

Metaheuristic Optimization Algorithms Research인용 수 6

한 줄 요약

이 논문은 유전 알고리즘에서 교차 확률을 개체의 적합도에 반비례하도록 설정하여 시간적 이질성을 도입한다—즉, 더 적합한 개체일수록 교차 빈도가 낮아진다. 이 방법은 검색 공간에 대한 사전 지식 없이도 N-Queens 문제와 TSP 문제에서 수렴 속도를 향상시키고 해의 품질을 개선한다. 고전적 알고리즘은 6000세대가 지나도 수렴하지 못하는 반면, 본 방법은 1000-Queens 문제를 191분 만에 해결한다.

ABSTRACT

Genetic algorithms have been used in recent decades to solve a broad variety of search problems. These algorithms simulate natural selection to explore a parameter space in search of solutions for a broad variety of problems. In this paper, we explore the effects of introducing temporal heterogeneity in genetic algorithms. In particular, we set the crossover probability to be inversely proportional to the individual's fitness, i.e., better solutions change slower than those with a lower fitness. As case studies, we apply heterogeneity to solve the $N$-Queens and Traveling Salesperson problems. We find that temporal heterogeneity consistently improves search without having prior knowledge of the parameter space.

연구 동기 및 목표

• 개체의 적합도에 기반해 교차 확률을 동적으로 조정하는 것이 유전 알고리즘 성능에 미치는 영향을 조사하는 것.
• 시간적 이질성이 조합 최적화 문제에서 수렴 속도와 해의 품질을 향상시키는지 평가하는 것.
• 이 방법이 매개변수 공간이나 문제 구조에 대한 사전 지식 없이도 작동하는지 테스트하는 것.
• 대규모 인스턴스에서 고전적 유전 알고리즘과의 성능 비교를 수행하는 것.
• 향후 연구에서 실수형 및 확률적 최적화 문제에 이 방법의 잠재력을 탐색하는 것.

제안 방법

• 교차 확률을 개체의 적합도에 반비례하도록 설정하여, 더 적합한 개체일수록 교차 빈도가 낮아지도록 한다.
• 이 방법은 N-Queens 및 TSP 문제 모두에 적용되며, 표준 유전 알고리즘 구성 요소(선택, 교차, 변이, 적합도 평가)를 사용한다.
• 적합도 평가는 N-Queens의 경우 충돌 수, TSP의 경우 총 경로 길이를 기반으로 한다.
• 고정된 세대 수(예: 1000-Queens의 경우 6000세대)와 고정된 인구 수(예: 300)로 알고리즘을 실행한다.
• 이질성은 교차에만 적용되며, 변이는 모든 개체에서 일정하게 유지된다.
• 성능는 수렴 속도, 교차 명령어 수, 해의 품질(예: 경로 길이 또는 충돌 수)로 측정된다.

실험 결과

연구 질문

• RQ1 적합도에 기반해 교차 확률을 동적으로 조정하는 것이 유전 알고리즘의 수렴 속도를 향상시키는가?
• RQ2 시간적 이질성이 N-Queens 및 TSP와 같은 NP-난이도 조합 문제에서 해의 품질을 향상시키는가?
• RQ3 이 방법은 문제 특화 매개변수 조정 없이도 고전적 유전 알고리즘을 능가하는가?
• RQ4 이질성과 함께 교차 연산 횟수는 어떻게 변화하며, 실행 시간에 어떤 영향을 미치는가?
• RQ5 대규모 인스턴스, 예를 들어 1000-Queens나 7,000노드 TSP에 대해 시간적 이질성이 효과적인가?

주요 결과

• 시간적 이질성 알고리즘은 1000-Queens 문제를 191.31분 만에 해결했으며, 교차 명령어 수는 15억 건이었다. 반면 고전적 알고리즘은 6000세대가 지나도 수렴하지 못했다.
• 1000-Queens 문제에서 시간적 이질성 알고리즘은 유일하게 성공한 실행을 기록했고, 고전적 알고리즘은 유효한 해를 생성하지 못했다.
• 7,000노드 TSP 문제에서 시간적 이질성 알고리즘은 87.24시간 만에 경로 길이 24,032.29를 달성했고, 고전적 알고리즘은 94.89시간 만에 35,395.33의 경로 길이를 기록했다.
• 교차 명령어 수는 211,000건(이질성) 대비 192,000건(고전적)으로 다소 높았지만, 시간적 이질성 알고리즘이 훨씬 우수한 해를 더 빨리 도출했다.
• 높은 적합도를 가진 개체에 대한 평가 횟수를 줄여 계산 부담을 감소시키고, 이로 인해 수렴 속도가 빨라졌다.
• 결과적으로 시간적 이질성은 적합한 개체를 유지하면서도 부적합한 개체의 재조합을 촉진함으로써 검색 공간의 더 나은 탐색을 가능하게 한다.