[논문 리뷰] Benchmarking HillVallEA for the GECCO 2019 Competition on Multimodal Optimization

S. C. Maree, Tanja Alderliesten외 1명|arXiv (Cornell University)|2019. 07. 25.

Metaheuristic Optimization Algorithms Research참고 문헌 7인용 수 9

한 줄 요약

이 논문은 GECCO 2019 니치 경쟁의 제약 조건 하에서, 적응형 인구 샘플링, 선택적 힐밸리 테스트, 재조정된 인구 크기 설정을 통해 개선된 다중모달 최적화 알고리즘인 HillVallEA-2019를 벤치마킹한다. 이 알고리즘은 CEC2013 벤치마크 세트에서 최신 기술 수준의 성능을 달성하여, 모든 세 가지 평가 시나리오에서 이전 버전과 경쟁 알고리즘을 압도한다.

ABSTRACT

This report presents benchmarking results of the Hill-Valley Evolutionary Algorithm version 2019 (HillVallEA19) on the CEC2013 niching benchmark suite under the restrictions of the GECCO 2019 niching competition on multimodal optimization. Performance is compared to algorithms that participated in previous editions of the niching competition.

연구 동기 및 목표

• GECCO 2019 니칭 경쟁의 조건 하에서 HillVallEA 알고리즘의 다중모달 최적화 성능을 향상시키기 위해.
• 다중모달 진화 알고리즘에서 흔히 발생하는 인구 재초기화 및 저성능 클러스터 평가의 계산 비효율성을 해결하기 위해.
• 문제에 특화된 파rameter 조정 없이도 알고리즘의 개선을 통해 니치 탐지 및 수렴 속도를 향상시키기 위해.
• 20개의 CEC2013 벤치마크 문제를 대상으로 표준화된 지표를 사용해 HillVallEA-2019를 이전 경쟁 참가자들과 비교하기 위해.
• 실수값 다중모달 최적화에서 적응형 샘플링, 선택적 힐밸리 테스트, 재조정된 인구 크기 설정의 효과를 입증하기 위해.

제안 방법

• 적응형 초기 인구 샘플링은 이전 인구 해의 클러스터 소속을 기반으로 한 기각 샘플링을 사용하여, 중복된 계곡 재탐색을 방지한다.
• 2N개의 샘플링된 해에 대해 탐욕적 산산이 흩어진 부분집합 선택 방법을 적용하여 잘 분포된 N개의 인구를 생성함으로써, 초기 다양성을 향상시킨다.
• 히л밸리 테스트는 오직 가장 우수한 절반의 해이거나, 기대된 모서리 길이(EEL)보다 더 멀리 떨어진 해 쌍에 대해서만 강제 수락하여, 저성능 클러스터에서의 계산을 줄인다.
• 인구 크기 설정 방식을 ξ = (2^6, 2, 0.8, 1.1)로 재조정하여 초기 인구 및 클러스터 크기를 줄이고 클러스터 성장을 느리게 하여 효율성을 향상시킨다.
• 성능 평가에는 피크 비율(S1), 정적 F1(S2), 동적 F1(S3)의 세 가지 평가 시나리오를 사용하며, 결과는 50회 반복 및 다섯 단계의 정확도 수준에서 평균화된다.
• 모든 알고리즘은 동일한 기능 평가 예산과 성능 지표를 사용하여 CEC2013 니칭 벤치마크 세트에서 평가되며, 파rameter 재조정 없이 진행된다.

실험 결과

연구 질문

• RQ1 HillVallEA-2019의 적응형 초기 인구 샘플링 전략은 균일한 랜덤 샘플링에 비해 어떻게 중복된 계곡 재탐색을 줄이는가?
• RQ2 저성능 최적화가 많은 다중모달 문제에서, 선택적 힐밸리 테스트(더 우수한 해나 넓게 떨어진 해 쌍에 한정)는 계산 효율성을 얼마나 향상시키는가?
• RQ3 재조정된 인구 크기 설정(ξ = (2^6, 2, 0.8, 1.1))이 수렴 속도와 니치 탐지 정확도에 어떤 영향을 미치는가?
• RQ4 HillVallEA-2019는 CEC2013 벤치마크 세트에서 모든 세 가지 경쟁 평가 시나리오(S1, S2, S3)에서 이전 버전 및 경쟁 알고리즘과 비교해 어떻게 성과를 내는가?
• RQ5 제안된 알고리즘 개선 사항은 문제에 특화된 파rameter 조정 없이도 뛰어난 성능을 달성할 수 있는가?

주요 결과

• S1(피크 비율) 시나리오에서 HillVallEA-2019는 평균 점수 0.892를 기록하여, HillVallEA18(0.885) 및 모든 다른 경쟁 알고리즘을 앞서며 최고의 성과를 냈다.
• S2(정적 F1) 시나리오에서 HillVallEA-2019는 평균 점수 0.934를 기록하여 1위를 차지했으며, RS-CMSA(0.911), SDE-Ga(0.884), NEA2+(0.855)를 크게 앞서 성과를 냈다.
• S3(동적 F1) 시나리오에서 HillVallEA-2019는 평균 점수 0.883을 기록하여 1위를 차지했고, 가장 낮은 점수를 기록한 SDE-Ga(0.376)를 상당히 앞서 성과를 냈다.
• S1과 S2에서 20개의 벤치마크 문제 중 11개에서 완벽한 점수(1.000)를 기록했으며, 복잡한 함수인 Shubert(문제 6 및 8)를 포함한 모든 문제 유형에서 높은 성능를 유지했다.
• 모든 세 가지 시나리오에서의 평균 순위는 HillVallEA-2019가 1.0으로, 일관된 최상의 성능를 보였으며, 다음으로 좋은 알고리즘인 RS-CMSA는 평균 순위 3.0을 기록했다.
• 성능 향상의 원인은 중복된 계곡 탐색으로 인한 계산 낭비 감소와 더 나은 클러스터링에 기인하며, 특히 문제 8(Shubert)처럼 많은 국소 최적화를 가진 문제에서 뚜렷하게 드러났다.