[논문 리뷰] Using Dissortative Mating Genetic Algorithms to Track the Extrema of Dynamic Deceptive Functions

Carlos M. Fernandes, J. J. Merelo외 1명|ArXiv.org|2009. 04. 20.

Metaheuristic Optimization Algorithms Research참고 문헌 57인용 수 4

한 줄 요약

이 논문은 동적 위험 함수에서 움직이는 최적해를 추적하기 위해 높은 유전적 다양성을 유지하기 위해 자가 조절 가능한 해밍 거리 임계값을 사용하는 적응형 이질적 짝짓기 유전 알고리즘(ADMGA)을 제안한다. ADMGA는 표준 유전 알고리즘과 이전의 이질적 짝짓기 유전 알고리즘보다 우수한 성능을 보이며, 특히 더 어려운 문제 인스턴스에서 국소 최적해를 효과적으로 회피하고 외부 튜닝 없이 환경 변화에 적응함으로써 뛰어난 성능을 발휘한다.

ABSTRACT

Traditional Genetic Algorithms (GAs) mating schemes select individuals for crossover independently of their genotypic or phenotypic similarities. In Nature, this behaviour is known as random mating. However, non-random schemes - in which individuals mate according to their kinship or likeness - are more common in natural systems. Previous studies indicate that, when applied to GAs, negative assortative mating (a specific type of non-random mating, also known as dissortative mating) may improve their performance (on both speed and reliability) in a wide range of problems. Dissortative mating maintains the genetic diversity at a higher level during the run, and that fact is frequently observed as an explanation for dissortative GAs ability to escape local optima traps. Dynamic problems, due to their specificities, demand special care when tuning a GA, because diversity plays an even more crucial role than it does when tackling static ones. This paper investigates the behaviour of dissortative mating GAs, namely the recently proposed Adaptive Dissortative Mating GA (ADMGA), on dynamic trap functions. ADMGA selects parents according to their Hamming distance, via a self-adjustable threshold value. The method, by keeping population diversity during the run, provides an effective means to deal with dynamic problems. Tests conducted with deceptive and nearly deceptive trap functions indicate that ADMGA is able to outperform other GAs, some specifically designed for tracking moving extrema, on a wide range of tests, being particularly effective when speed of change is not very fast. When comparing the algorithm to a previously proposed dissortative GA, results show that performance is equivalent on the majority of the experiments, but ADMGA performs better when solving the hardest instances of the test set.

연구 동기 및 목표

• 유전적 다양성을 유지하는 데 어려움을 겪는 동적 최적화 문제에서 수렴성이 적응 가능성 감소를 초래하는 문제를 해결하기 위해.
• 위험한 경로에서 움직이는 최적해를 추적하는 데 이질적 짝짓기가 유전 알고리즘의 성능을 향상시킬 수 있는지 조사하기 위해.
• 다양한 변화 속도를 가진 동적 트랩 함수에서 기존의 유전 알고리즘과의 성능 비교를 위해 ADMGA의 성능 평가하기 위해.
• 고정된 파rameter 대비 ADMGA의 짝짓기 임계값의 자가 조절 능력을 평가하기 위해.
• 이질적 짝짓기가 동적 위험 환경에서 탐색 능력을 향상시키고 국소 최적해에서의 조기 수렴을 방지하는 데 기여하는지 판단하기 위해.

제안 방법

• ADMGA는 해밍 거리 기반의 자가 조절 가능한 임계값을 사용하여 짝짓기 쌍을 선택하며, 이는 상호적으로 다른 유전적 특성을 가진 개체를 선호한다.
• 짝짓기 임계값은 실행 중 동적으로 조정되어 이질적 짝짓기의 강도를 제어하며, 수동 튜닝에 대한 의존도를 감소시킨다.
• 교배 연산은 현재 임계값을 초과하는 해밍 거리를 가진 개체 간에만 수행되며, 이는 유전적 다양성을 증진시킨다.
• 표준 유전 연산자(선택, 교배, 변이)를 사용하며, 변이 확률은 1/L로 설정되어 균형을 유지한다.
• 성능 평가는 다양한 환경 변화 속도(ρ)와 이동 폭(ε)을 가진 5차 동적 트랩 함수에서 평가된다.
• 비교 실험에는 ADMGA, nAMGGA(이전의 이질적 유전 알고리즘), 전통적 RIGA, SORIGA가 포함되며, 유의미성을 평가하기 위해 통계적 검정이 사용된다.

실험 결과

연구 질문

• RQ1 이질적 짝짓기는 동적 위험 함수에서 움직이는 최적해를 추적하는 데 있어 유전 알고리즘의 능력을 향상시킬 수 있는가?
• RQ2 ADMGA의 자가 조절 임계값은 동적 환경에서 고정된 파rameter를 가진 이질적 짝짓기 방법과 비교해 어떻게 성능을 발휘하는가?
• RQ3 ADMGA는 동적 트랩 문제에서 수렴 속도와 해의 품질 측면에서 기존의 전통적 및 전문화된 유전 알고리즘보다 뛰어나게 성능을 발휘하는가?
• RQ4 환경 변화의 속도와 폭에 따라 ADMGA의 성능은 어떻게 변하는가?
• RQ5 이질적 짝짓기는 어느 정도의 정도로 탐색 능력을 향상시키고 위험한 경로에서의 조기 수렴을 방지하는가?

주요 결과

• ADMGA는 100,000 및 200,000 평가 시나리오에서 전통적 RIGA 및 SORIGA보다 유의미하게 뛰어난 성능을 보였으며, 특히 ρ = 0.3, 0.6 및 0.95에서 두드러진 성능 향상을 보였다.
• 가장 어려운 인스턴스(ε = 200,000)에서 ADMGA는 nAMGGA보다 유의미하게 높은 적합도를 달성했으며, p-값은 통계적 우월성을 시사했다.
• ADMGA는 실행 전반에 걸쳐 높은 유전적 다양성을 유지하여 국소 최적해에서의 탈출과 움직이는 전역 최적해 추적에 효과적으로 기여했다.
• ADMGA의 자가 조절 임계값은 수동 튜닝이 필요 없게 하여 nAMGGA의 고정된 파rameter 대비 더 뛰어난 강건성을 확보했다.
• 저속도 변화 시나리오(ρ = 0.05)에서는 ADMGA가 강력한 성능을 보였지만, 변화가 너무 빠를 경우 성능 저하가 발생했다.
• 통계적 검정 결과, ADMGA는 테스트 케이스의 75%에서 nAMGGA보다 유의미하게 뛰어난 성능을 보였으며, 특히 고차수 및 고이동 문제에서 두드러진 성능 향상을 보였다.