[논문 리뷰] AED: An Anytime Evolutionary DCOP Algorithm

Saaduddin Mahmud, Moumita Choudhury외 3명|arXiv (Cornell University)|2019. 09. 13.

Constraint Satisfaction and Optimization참고 문헌 30인용 수 9

한 줄 요약

이 논문은 분산 제약 최적화 문제를 해결하기 위해 인구 기반의 진화적 접근을 사용하는 anytime 진화적 DCOP 알고리즘인 AED를 제안한다. 낙관적 국소 이득 근사치와 새로운 anytime 업데이트 메커니즘을 도입함으로써 AED는 최신 비정확한 DCOP 알고리즘을 능가하며, 가중치가 부여된 그래프 색칠 문제에서 최대 2.4배 높은 해의 품질을 달성한다.

ABSTRACT

Evolutionary optimization is a generic population-based metaheuristic that can be adapted to solve a wide variety of optimization problems and has proven very effective for combinatorial optimization problems. However, the potential of this metaheuristic has not been utilized in Distributed Constraint Optimization Problems (DCOPs), a well-known class of combinatorial optimization problems prevalent in Multi-Agent Systems. In this paper, we present a novel population-based algorithm, Anytime Evolutionary DCOP (AED), that uses evolutionary optimization to solve DCOPs. In AED, the agents cooperatively construct an initial set of random solutions and gradually improve them through a new mechanism that considers an optimistic approximation of local benefits. Moreover, we present a new anytime update mechanism for AED that identifies the best among a distributed set of candidate solutions and notifies all the agents when a new best is found. In our theoretical analysis, we prove that AED is anytime. Finally, we present empirical results indicating AED outperforms the state-of-the-art DCOP algorithms in terms of solution quality.

연구 동기 및 목표

• 중앙집중식 조합 최적화에서의 성공에도 불구하고, 분산 제약 최적화 문제(DCOPs) 해결을 위한 진화적 최적화 기법의 부족을 보완하기 위해.
• 정확한 DCOP 알고리즘의 확장성 한계를 극복하기 위해, 분산형 협동 에이전트 시스템에 적합한 인구 기반 메타휴리스틱을 개발하기 위해.
• 실행 중 지속적인 향상과 빠른 고품질 해의 가용성을 보장하기 위해 anytime 성질을 도입하기 위해.
• 기존의 비정확한 알고리즘들인 로컬 서치, ACO_DCOP, Max-Sum 변종을 넘어서, 개선된 탐색과 이용의 균형을 통해 해의 품질을 향상시키기 위해.

제안 방법

• AED는 각 에이전트가 변수와 부분 할당을 관리하면서, 에이전트 간에 후보 해의 분산 인구를 유지한다.
• 새로운 복제 메커니즘은 국소 이득의 낙관적 근사를 사용하여 해의 수정을 이끌어내며, 탐색과 이용의 균형을 유지한다.
• anytime 업데이트 메커니즘은 에이전트가 지금까지 발견한 최고의 해를 감지하고 전파할 수 있게 하여, 조율과 향상된 해로의 수렴을 보장한다.
• 탐색-이용 균형을 동적으로 조정하기 위해 변수 α를 사용한다: α는 초기에 높게 설정(3)되며 시간이 지남에 따라 1로 감소하여 수렴을 우선시한다.
• 에이전트 간의 이주(MI=5)는 정기적으로 발생하며, 정보 공유와 인구 다양성 유지에 기여한다.
• 알고리즘은 형식적으로 anytime임을 증명하였으며, 이는 시간이 지남에 따라 해의 품질이 지속적으로 향상되고, 언제라도 유효한 해를 반환할 수 있음을 의미한다.

실험 결과

연구 질문

• RQ1 진화적 최적화 기법이 분산형 협동 다중 에이전트 환경에서 DCOPs를 효과적으로 해결하는 데 적합하게 적용될 수 있는가?
• RQ2 인구 기반의 DCOP 알고리즘에 anytime 성질을 통합하여, 지속적인 향상과 빠른 해의 가용성을 보장할 수 있는가?
• RQ3 탐색과 이용의 균형을 최적화하는 데 있어 AED에서의 파라미터 설정(예: ER, α, β)은 어떻게 되는가?
• RQ4 다양한 문제 인스턴스에서 AED는 최신 비정확한 DCOP 알고리즘들과 비교해 해의 품질에서 어떤가?

주요 결과

• 가중치가 부여된 그래프 색칠 문제에서 AED는 최고의 비정확한 DCOP 알고리즘인 ACO_DCOP보다 27% 높은 성능을 기록한다.
• 희박한 무작위 DCOP 문제에서 AED는 기존 알고리즘 대비 해의 품질을 1.7%에서 14.9% 향상시킨다.
• 밀도가 높은 무작위 DCOP 문제에서 AED는 최신 경쟁자들보다 0.7%에서 3.0% 더 나은 해를 달성한다.
• 동일한 실행 시간 동안 DSA, Max-Sum_ADVP, PD-Gibbs에 비해 AED는 1.73배에서 2.4배 더 나은 해를 생성하여 뛰어난 해의 품질을 입증한다.
• 희박한 문제에서는 β = 5일 때, 밀도가 높은 문제에서는 β = 2일 때 탐색과 이용의 최적 균형이 달성되며, 이 이상의 값은 해의 품질을 떨어뜨린다.
• 최소한의 인구 크기(ER = 5)일지라도 AED는 일관되게 벤치마크 알고리즘을 능가하여 낮은 메모리 오버헤드로도 뛰어난 성능을 보인다.