[論文レビュー] Applications of Gaussian Mutation for Self Adaptation in Evolutionary Genetic Algorithms

Okezue Bell|arXiv (Cornell University)|Jan 2, 2022

Evolutionary Algorithms and Applications被引用数 6

ひとこと要約

本稿は、連続的かつ複雑な探索空間において最適化性能を向上させるために、自己適応的遺伝的アルゴリズムにおけるガウスノイズ変異の使用を調査する。正規分布を用いて変異強度を動的に調整することで、収束速度と解の品質が向上し、ベンチマーク関数およびビーム設計や分子幾何最適化といった実世界の問題において、標準的遺伝的アルゴリズムを上回る性能を示す。

ABSTRACT

In recent years, optimization problems have become increasingly more prevalent due to the need for more powerful computational methods. With the more recent advent of technology such as artificial intelligence, new metaheuristics are needed that enhance the capabilities of classical algorithms. More recently, researchers have been looking at Charles Darwin's theory of natural selection and evolution as a means of enhancing current approaches using machine learning. In 1960, the first genetic algorithm was developed by John H. Holland and his student. We explore the mathematical intuition of the genetic algorithm in developing systems capable of evolving using Gaussian mutation, as well as its implications in solving optimization problems.

研究の動機と目的

• 自己適応的遺伝的アルゴリズム内でのガウス変異の有効性を検討すること。
• 変異パラメータを動的に調整することにより、連続的かつ複雑な探索空間における最適化性能を向上させること。
• ベンチマーク関数および実世界の工学的・分子的問題に対して、この手法の評価を行うこと。
• 収束性および解の品質の観点から、提案手法を標準的遺伝的アルゴリズムおよび他のメタヒューリスティクスと比較すること。
• ロボットの軌道計画、分子構造予測、感情辞書最適化といった応用分野におけるガウス変異の実用的有用性を示すこと。

提案手法

• ガウス変異演算子は $ M_g(x) = \text{min}(\text{max}(N(x, \sigma), a), b) $ として定義され、ここで $ N(x, \sigma) $ は平均 $ x $、標準偏差 $ \sigma $ の正規分布を適用する。
• 変異強度 $ \sigma $ は進化の過程で自己適応的であるため、探索と活用のバランスを自動的に調整できる。
• 選択、交差（例：1点交差）および変異を用いて新しい世代を生成する、集団ベースの進化的フレームワークを採用する。
• フィットネス評価は、分子構造におけるエネルギー最小化やビーム設計における構造的剛性の最小化といった目的関数に基づく。
• 本手法は16の標準的テスト関数で評価され、ケイブンタービル・ビーム設計やカーボンフラーレンの構造予測といった実世界の問題に応用された。
• 自己適応は、変異強度を染色体の一部として符号化することで実装され、解ベクトルとともに進化するようにする。

実験結果

リサーチクエスチョン

• RQ1 固定または2値の変異演算子と比較して、ガウス変異は遺伝的アルゴリズムにおける自己適応性をどのように向上させるか？
• RQ2 自己適応的ガウス変異は、ベンチマーク最適化関数において収束速度と解の正確性をどの程度向上させるか？
• RQ3 提案手法は、カンティレバー・ビームの離散的断面寸法設計といった実世界の工学的問題を効果的に解けるか？
• RQ4 分子幾何最適化のような複雑で高次元の探索空間において、アルゴリズムはどのように性能を発揮するか？
• RQ5 感情辞書学習およびロボット経路計画において、自己適応的ガウス変異は標準的遺伝的アルゴリズムをどの程度上回るか？

主な発見

• 最適化結果から、MOIRGCA（自己適応的ガウス変異に基づくアルゴリズム）がカンティレバー・ビーム設計問題においてRCGA（標準的実数表現遺伝的アルゴリズム）よりも優れた関数値を達成した。
• 人間の生物化学者と比較して、$ C_{60} $ フラーレンの最低エネルギー状態を特定する計算時間を200%以上短縮した。
• 感情分析において、ガウス変異を用いたALGA手法は、6つのマイクロブログデータセットで80%を超える精度を達成し、効果的な適応的辞書学習を示した。
• 分子幾何最適化において、遺伝的アルゴリズムは精度と計算効率の両面でシミュレーテッド・アニーリングを上回った。
• ガウス変異の導入により、ロボットアームの軌道最適化において収束が速くなり、探索空間の網羅性が向上し、エネルギー消費と作動時間の両方が削減された。
• 自己適応メカニズムにより、アルゴリズムは変異強度を動的にチューニングでき、手動によるパrameter調整なしに多様な問題タイプに対して高いロバスト性を示した。