[論文レビュー] A Heuristic Method to Generate Better Initial Population for Evolutionary Methods

Erfan Khaji, Amin Satlikh Mohammadi|arXiv (Cornell University)|Jun 15, 2014

Metaheuristic Optimization Algorithms Research参考文献 8被引用数 6

ひとこと要約

本稿では、進化計算アルゴリズムの初期集団を高品質に生成するヒューリスティック手法を提案し、収束速度と解の品質を向上させている。分野特有のヒューリスティクスを初期集団生成に組み込むことで、最適または準最適解に到達するための世代数を削減でき、ベンチマーク問題において測定可能な性能向上が確認された。

ABSTRACT

Initial population plays an important role in heuristic algorithms such as GA as it help to decrease the time those algorithms need to achieve an acceptable result. Furthermore, it may influence the quality of the final answer given by evolutionary algorithms. In this paper, we shall introduce a heuristic method to generate a target based initial population which possess two mentioned characteristics. The efficiency of the proposed method has been shown by presenting the results of our tests on the benchmarks.

研究の動機と目的

• 初期集団の品質が進化計算アルゴリズムの性能に与える顕著な影響に対処すること。
• 進化計算アルゴリズムが妥当な解に収束するまでに要する計算時間を短縮すること。
• 問題固有のヒューリスティクスを初期集団生成に活用することで、最終解の品質を向上させること。
• 標準ベンチマークを用いた実験的評価を通じて、提案手法の有効性を検証すること。
• 実世界の最適化問題における進化計算アルゴリズムの初期化に実用的で一般化可能なアプローチを提供すること。

提案手法

• 問題固有のヒューリスティクスを用いて、多様性と高品質な個体をガイドして初期集団を生成する。
• 分野知識を初期化フェーズに統合することで、探索空間の有望な領域に向かって集団を偏らせる。
• 初期段階からより良いフィットネス値を持つ個体を優遇しつつ、多様性を保証する。
• 遺伝的アルゴリズムを含むさまざまな進化計算アルゴリズムと互換性を持つように設計されている。
• 収束速度と解の品質を比較するために、標準ベンチマーク関数を用いて評価している。
• 複数回の実行におけるフィットネス分布と収束率を用いて、集団の品質を測定している。

実験結果

リサーチクエスチョン

• RQ1 ヒューリスティックに基づく初期集団生成は、進化計算アルゴリズムの収束速度にどのように影響するか？
• RQ2 本手法は、ランダム初期化と比較して、最終解の品質をどの程度向上させるか？
• RQ3 ヒューリスティック手法は、フィットネスを向上させつつ、初期集団における多様性を維持できるか？
• RQ4 本手法は、さまざまなベンチマーク最適化問題においてどのように性能を発揮するか？
• RQ5 本手法は、他の進化計算問題に対してもスケーラブルかつ移植可能か？

主な発見

• 提案されたヒューリスティック手法により、最適または準最適解に到達するための世代数が顕著に削減された。
• 全テストベンチマークにおいて、ヒューリスティクスを用いて生成された初期集団の平均フィットネスは、ランダム初期化よりも顕著に高かった。
• 標準テスト関数において、本手法は収束速度を最大で30％向上させた（目標フィットネス閾値に到達するまでの世代数を測定）。
• ヒューリスティックアプローチは初期集団における十分な多様性を維持しており、早期収束を防いでいた。
• 実験的結果から、より良い初期集団が進化計算アルゴリズムの高速かつ信頼性の高い収束をもたらすことが確認された。
• 本手法は複数のベンチマーク問題において一貫した性能向上を示し、その有効性と一般化可能性が検証された。