[論文レビュー] A Hybrid ACO Algorithm for the Next Release Problem

He Jiang, Jingyuan Zhang+3 more|arXiv (Cornell University)|Apr 16, 2017

Distributed and Parallel Computing Systems参考文献 22被引用数 34

ひとこと要約

本稿では、顧客の好み、リソース制約、依存関係を考慮した要件工学分野におけるNP困難な問題である次回リリース問題（NRP）を解くために、ハイブリッド・アンチコロニー最適化（HACO）アルゴリズムを提案する。HACOは、解の構築にフェロモンの痕跡と近隣情報の両方を組み合わせ、最初に見つかった勾配上昇の局所探索を統合し、標準的なNRPベンチマークにおいて、GRASPおよびシミュレーテッドアニーリングよりも優れた解の品質と実行時間の両方を達成する。

ABSTRACT

In this paper, we propose a Hybrid Ant Colony Optimization algorithm (HACO) for Next Release Problem (NRP). NRP, a NP-hard problem in requirement engineering, is to balance customer requests, resource constraints, and requirement dependencies by requirement selection. Inspired by the successes of Ant Colony Optimization algorithms (ACO) for solving NP-hard problems, we design our HACO to approximately solve NRP. Similar to traditional ACO algorithms, multiple artificial ants are employed to construct new solutions. During the solution construction phase, both pheromone trails and neighborhood information will be taken to determine the choices of every ant. In addition, a local search (first found hill climbing) is incorporated into HACO to improve the solution quality. Extensively wide experiments on typical NRP test instances show that HACO outperforms the existing algorithms (GRASP and simulated annealing) in terms of both solution uality and running time.

研究の動機と目的

• 顧客の好み、リソース制約、要件の依存関係をバランスさせる次回リリース問題（NRP）を要件工学分野で解決すること。
• ハイブリッドメタヒューリスティックアプローチを用いて、NRPの解の品質と計算効率を向上させること。
• 局所探索をアンチコロニー最適化（ACO）に統合し、収束性と解の正確性を向上させること。
• 標準的なNRPテストインスタンス上で、GRASPおよびシミュレーテッドアニーリングといった既存のアルゴリズムと比較してHACOの性能を評価すること。

提案手法

• HACOは、フェロモンの痕跡と局所的な近隣情報を利用して、要件選択をガイドする複数の人工アリを用いて、反復的に解を構築する。
• 解の構築段階で、フェロモンのレベルとヒューリスティック情報（近隣関連性）を組み合わせたハイブリッド意思決定ルールを用いる。
• 各解の構築後、解の品質を向上させるために最初に見つかった勾配上昇の局所探索を適用する。
• 全アリが解を完成させた後に、グローバルにフェロモンの更新ルールを適用し、優れた選択を強化する。
• 解空間を効果的に探索するため、事前に定義されたサイクル数にわたり反復的にアルゴリズムを実行する。
• HACOは、標準的なNRPベンチマークインスタンス上で評価され、GRASPおよびシミュレーテッドアニーリングと性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドACOアプローチは、次回リリース問題における顧客満足度、リソース制約、要件の依存関係を効果的にバランスさせることができるか？
• RQ2 局所探索の統合は、ACOフレームワークにおけるNRPの解の品質にどのように寄与するか？
• RQ3 HACOは、解の品質と実行時間の両面で、GRASPおよびシミュレーテッドアニーリングを上回る性能を達成するか？
• RQ4 フェロモンの痕跡と近隣情報が、HACOにおける解の構築にどのように共同で影響を与えるか？

主な発見

• HACOは、テストされたすべてのNRPインスタンスにおいて、GRASPおよびシミュレーテッドアニーリングよりも優れた解の品質を達成した。
• アルゴリズムは収束が早く、実行時間が短縮されており、計算効率の向上が示された。
• 最初に見つかった勾配上昇の局所探索の統合により、候補解の品質が顕著に向上した。
• HACOは、顧客満足度とリソース制約の両方のトレードオフをより良く反映する目的関数値を達成し、両方のアルゴリズムを上回った。