[논문 리뷰] Evolutionary Multitasking for Single-objective Continuous Optimization: Benchmark Problems, Performance Metric, and Baseline Results

Bingshui Da, Yew-Soon Ong외 7명|arXiv (Cornell University)|2017. 06. 12.

Advanced Multi-Objective Optimization Algorithms인용 수 137

한 줄 요약

이 논문은 단일 목표 연속 작업을 위한 다요인 진화 최적화를 형식화하고, 도함수 없이 간단한 인터태스크 시너지 메트릭을 도입하며, 서로 다른 유사성 및 최적해 교차를 가진 아홉 개의 벤치마크 작업 쌍을 구성하고, 기본 MFEA 및 SOEA 결과를 제공합니다.

ABSTRACT

In this report, we suggest nine test problems for multi-task single-objective optimization (MTSOO), each of which consists of two single-objective optimization tasks that need to be solved simultaneously. The relationship between tasks varies between different test problems, which would be helpful to have a comprehensive evaluation of the MFO algorithms. It is expected that the proposed test problems will germinate progress the field of the MTSOO research.

연구 동기 및 목표

• 단일 인구가 여러 관련 작업을 동시에 풀이하도록 하는 진화적 다태스크링(다요인 최적화)을 동기 부여하고 형식화합니다.
• 작업 간 유사성을 정량화하기 위해 간단하고 도함수 없는 인터태스크 시너지 메트릭을 정의하고 계산합니다.
• 최적해 교차 및 유사성의 다양한 정도를 가진 아홉 개의 작업 쌍으로 구성된 벤치마크 스위트를 구축하고 발표합니다.
• 벤치마크 집합에서 다요인 진화 알고리즘(MFEA)과 단일 작업 진화 알고리즘(SOEA)을 사용한 기본 결과를 제공합니다.
• 향후 연구를 안내하기 위한 MATLAB 구현 및 기본 평가 프레임워크를 제공합니다.

제안 방법

• 랜덤 키 표현을 사용하여 단일 표기 유전자 공간 Y를 채택하고 Y를 여러 작업 공간 Xj로 매핑하는 디코딩 스킴을 채택합니다.
• 단계 비용, 단계 순위, 기술 인자(skill factor), 스칼라 적합도, 그리고 다요인 최적성을 정의하여 하나의 모집단 내에서 교차 작업 선택 및 평가를 가능하게 합니다.
• 교차 및 돌연변이 동안 작업 간 지식 전이를 위해 수직 문화 전파(선택적 모방)가 있는 다요인 진화 알고리즘(MFEA)을 활용합니다.
• 많은 해독된 해들에 걸친 쌍된 작업의 단계 순위 간 도함수/적분 없이 Spearman 순위 상관관계로 인터태스크 시너지를 정량화합니다.
• 일곱 가지 고전 단일 작업 함수(Sphere, Rosenbrock, Ackley, Rastrigin, Griewank, Weierstrass, Schwefel)로부터 다양한 최적해 교차 및 유사성 체제에서 아홉 개의 벤치마크 문제 쌍을 구성합니다.
• SBX 교차 및 다항 돌연변이로 MFEA와 SOEA를 사용한 기본 성능을 제공하고 20회 실행의 평균 결과를 보고합니다.

실험 결과

연구 질문

• RQ1 What is the impact of inter-task synergy on multitask optimization performance for single-objective problems?
• RQ2 How do complete, partial, and no intersections of global optima influence transfer and convergence in evolutionary multitasking?
• RQ3 How does task similarity, quantified by Spearman rank correlation of factorial ranks, correlate with performance gains of the MFEA?
• RQ4 What baseline performancedo MFEA and SOEA achieve on the nine constructed benchmark pairs across varying similarity regimes?

주요 결과

Category	T1 (MFEA)	T2 (MFEA)	Score (MFEA)	T1 (SOEA)	T2 (SOEA)	Score (SOEA)
CI+HS	0.3732	194.6774	-37.6773	0.9084	410.3692	37.6773
CI+MS	4.3918	227.6537	-25.2130	5.3211	440.5710	25.2130
CI+LS	20.1937	3700.2443	-25.7157	21.1666	4118.7017	25.7157
PI+HS	613.7820	10.1331	-6.8453	445.1040	83.9985	6.8453
PI+MS	3.4988	702.5026	-33.1556	5.0665	23956.6394	33.1556
PI+LS	20.0101	19.3731	36.1798	5.0485	13.1894	-36.1798
NI+HS	1008.1740	287.7497	-33.7021	24250.9184	447.9407	33.7021
NI+MS	0.4183	27.1470	-35.2738	0.9080	36.9601	35.2738
NI+LS	650.8576	3616.0492	4.2962	437.9926	4139.8903	-4.2962

• A derivative-free Spearman rank correlation is proposed to quantify inter-task synergy between task pairs.
• Nine composite benchmark problem pairs are constructed from seven classic continuous functions, spanning complete/partial/no optima intersections and high/medium/low similarity.
• Baseline results show diverse transfer effects: some task pairs yield clear benefits from multitasking (e.g., CI+HS, CI+MS, NI+MS), while others exhibit limited or negative gains depending on similarity and intersection.
• Table IV reports mean performances across 20 runs showing MFEA and SOEA results across all nine problem pairs, illustrating the relative strengths of multitasking versus single-task optimization under different synergy regimes.
• The authors provide MATLAB implementations of the MFEA and the benchmark suite to support replication and future research.