[论文解读] Genetic and Memetic Algorithm with Diversity Equilibrium based on Greedy Diversification

Andrés Herrera-Poyatos, Francisco Herrera|arXiv (Cornell University)|Feb 12, 2017

Metaheuristic Optimization Algorithms Research参考文献 27被引用 5

一句话总结

本文提出 GADEGD 和 MADEGD，两种新颖的遗传与混合元启发式算法，通过一种贪心多样化算子维持种群多样性，实现探索与开发的平衡。该方法在旅行商问题中优于现有最先进算法，通过维持高质量、多样化的种群并减少早熟收敛，表现出色。

ABSTRACT

The lack of diversity in a genetic algorithm's population may lead to a bad performance of the genetic operators since there is not an equilibrium between exploration and exploitation. In those cases, genetic algorithms present a fast and unsuitable convergence. In this paper we develop a novel hybrid genetic algorithm which attempts to obtain a balance between exploration and exploitation. It confronts the diversity problem using the named greedy diversification operator. Furthermore, the proposed algorithm applies a competition between parent and children so as to exploit the high quality visited solutions. These operators are complemented by a simple selection mechanism designed to preserve and take advantage of the population diversity. Additionally, we extend our proposal to the field of memetic algorithms, obtaining an improved model with outstanding results in practice. The experimental study shows the validity of the approach as well as how important is taking into account the exploration and exploitation concepts when designing an evolutionary algorithm.

研究动机与目标

• 解决遗传算法中种群多样性损失这一关键挑战，该问题会导致早熟收敛。
• 在整个搜索过程中维持探索（多样性）与开发（局部搜索优化）之间的动态平衡。
• 设计一种混合元启发式算法，整合贪心多样化与选择、竞争机制，以维持高质量、多样化的种群。
• 将该框架扩展至混合元启发式算法，以提升组合优化问题的性能。
• 在基准 TSP 实例上验证所提算法的有效性，其在解质量与多样性指标上优于现有方法。

提出的方法

• 引入一种贪心多样化算子，当种群多样性低于阈值时，通过随机化贪心算法生成新染色体。
• 实施父代-子代竞争机制，仅允许高质量子代进入种群，从而增强对有希望区域的开发。
• 采用随机相邻选择策略，通过优先选择非相邻、差异较大的个体来维持多样性。
• 选择性地集成局部搜索（如 2-opt）——仅在新解被改进时才应用，从而在保持有效性的同时降低计算成本。
• 设计算法以动态平衡探索与开发，仅在多样性指标显示需要时才触发多样化操作。
• 通过应用相同核心算子，将框架扩展至混合元启发式算法（MADEGD），实现选择性局部搜索并维持多样性。

实验结果

研究问题

• RQ1 贪心多样化算子是否能有效恢复并维持遗传算法中的种群多样性？
• RQ2 父代-子代竞争与保多样性选择的结合，如何改善收敛性与解质量？
• RQ3 所提算法（GADEGD）在解质量与多样性方面，相较于 CHC 与 Micro-GA 等成熟遗传算法，优势程度如何？
• RQ4 将框架扩展至混合元启发式算法（MADEGD）后，其在 TSP 实例上的性能是否优于 GRASP 与迭代贪婪算法？
• RQ5 在混合元启发式框架中，选择性应用局部搜索对多样性与计算效率有何影响？

主要发现

• GADEGD 在所有测试的 TSP 实例上均显著优于 CHC 与 Micro-GA，多数基准测试的中位解差距低于 1%。
• GADEGD 的种群多样性在整个执行过程中保持稳定且较高，避免了其他算法中常见的早熟收敛现象。
• MADEGD 平均在 85% 以上的迭代中应用了局部搜索，表明其持续发现改进解，同时保持了高多样性。
• 在全部 15 个 TSP 实例上，MADEGD 的解质量均优于 GRASP 与迭代贪婪算法，平均提升幅度在 1.5% 至 10% 之间。
• 贪心多样化算子在维持多样性与支持持续探索方面，优于标准变异操作。
• 竞争机制、保多样性选择与选择性局部搜索的结合，使局部搜索调用次数相比全量应用方法减少了 10%-20%，且未牺牲解质量。