[논문 리뷰] A Memetic Algorithm for the Minimum Conductance Graph Partitioning Problem

David Chalupa|arXiv (Cornell University)|2017. 04. 10.

Complex Network Analysis Techniques참고 문헌 51인용 수 5

한 줄 요약

이 논문은 NP-난이도 최소 도전도 그래프 분할 문제를 위한 안정 상태 적응형 멤레틱 알고리즘(StS AMA)을 제안한다. 이는 효율적인 국소 탐색과 안정 상태 진화적 프레임워크를 결합한 것으로, 다양한 실생활 네트워크에서 다중 시작 국소 탐색, 랜덤화 국소 탐색, 유전 알고리즘보다 뛰어난 성능을 보이며, 모든 테스트 인스턴스에서 최적 또는 근접 최적의 도전도 값을 달성한다.

ABSTRACT

The minimum conductance problem is an NP-hard graph partitioning problem. Apart from the search for bottlenecks in complex networks, the problem is very closely related to the popular area of network community detection. In this paper, we tackle the minimum conductance problem as a pseudo-Boolean optimisation problem and propose a memetic algorithm to solve it. An efficient local search strategy is established. Our memetic algorithm starts by using this local search strategy with different random strings to sample a set of diverse initial solutions. This is followed by an evolutionary phase based on a steady-state framework and two intensification subroutines. We compare the algorithm to a wide range of multi-start local search approaches and classical genetic algorithms with different crossover operators. The experimental results are presented for a diverse set of real-world networks. These results indicate that the memetic algorithm outperforms the alternative stochastic approaches.

연구 동기 및 목표

• 네트워크 커뮤니티 탐지 및 그래프 클러스터링의 핵심 과제인 NP-난이도 최소 도전도 그래프 분할 문제를 해결하기 위해.
• 도전도 최소화를 위한 효율적인 국소 탐색 전략을 개발하여 빠른 이웃 탐색과 도전도 재계산을 가능하게 하기 위해.
• 국소 탐색과 진화 계산을 통합한 멤레틱 알고리즘을 설계하여 해 품질과 강건성을 향상시키기 위해.
• 실생활 네트워크에서 여러 최첨단 확률적 및 진화적 방법과 제안된 접근법을 비교 평가하기 위해.
• 대규모 그래프, 특히 사회적 네트워크와 단백질-단백질 상호작용 네트워크에서 알고리즘의 확장성과 성능을 조사하기 위해.

제안 방법

• 최소 도전도 문제를 이진 정점 할당의 비선형 함수로 표현하는 의사-불리안 최적화 문제로 공식화한다.
• 국소 탐색 중 개선 이동을 신속하게 식별할 수 있도록 효율적인 이웃 탐색 전략을 개발한다.
• 부피와 컷 크기 업데이트를 이용해 도전도를 효율적으로 재계산함으로써 국소 탐색 및 진화 단계에서 계산 오버헤드를 감소시킨다.
• StS AMA는 안정 상태 진화적 프레임워크를 사용하여 해 집단을 유지하고, 선택 및 국소 탐색을 통해 열 劣한 해를 교체한다.
• 강화를 위한 두 가지 서브루틴을 사용한다: 체계적 국소 탐색(LS 1)과 적응형 랜덤화 국소 탐색(ARLS 1,2), 둘 다 모든 해가 국소 최적임을 보장한다.
• 성능 피드백에 기반해 적응적으로 탐색 전략을 선택하는 방식으로 국소 탐색 및 진화적 요소를 통합한다.

실험 결과

연구 질문

• RQ1 효율적인 국소 탐색과 안정 상태 진화를 갖춘 멤레틱 알고리즘이 최소 도전도 문제에서 단독 국소 탐색 및 유전 알고리즘보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 다양한 실생활 네트워크에서 제안된 국소 탐색 전략의 수렴 속도와 해 품질 측면에서의 효과성은 어떠한가?
• RQ3 문제 크기가 커질수록, 특히 대규모 사회적 및 생물학적 네트워크에서 StS AMA와 다른 방법 간의 성능 격차가 커지는가?
• RQ4 국소 탐색 중 도전도 함수를 효율적으로 재계산할 수 있는가? 이는 확장 가능한 이웃 탐색을 가능하게 하는가?
• RQ5 병렬 처리 또는 그래프 이론 기반 기법과의 하이브리드화를 통해 추가적인 성능 향상 가능성이 있는가?

주요 결과

• StS AMA는 모든 테스트 인스턴스에서 최고의 성능을 보였으며, lesmis, zachary, dolphins, polbooks, football 네트워크에서 100%의 런에서 최적의 도전도 값을 달성했다.
• adjnoun 네트워크에서는 StS AMA가 30번의 런 중 27번에서 최적 값을 달성했고, ARLS 1,2는 30번 중 단 1번에서 성공에 그쳤다.
• 대규모 celegansneural 네트워크에서는 StS AMA가 100%의 런에서 최적 도전도를 유지했으며, ARLS 1,2는 30번 중 7번에서만 성공했다.
• 2000정점의 사회적 네트워크와 대규모 단백질-단백질 상호작용 네트워크와 같은 더 큰 그래프에서 StS AMA와 다른 알고리즘 간의 성능 격차가 특히 AGA-UX 및 AGA-1PX와 비교해 크게 벌어졌다.
• StS AMA는 장시간 런(15분 제한)에서도 모든 네트워크에서 100%의 성공률를 보이며 뛰어난 강건성을 입증했으며, 특히 도전적인 adjnoun 및 celegansneural 그래프에서도 성공했다.
• 알고리즘의 적응형 국소 탐색과 효율적인 도전도 재계산이 대규모 인스턴스에서의 확장성과 일관된 고성능을 가능하게 했다.