[논문 리뷰] Metaheuristics and Their Hybridization to Solve the Bi-objective Ring Star Problem: a Comparative Study

Arnaud Liefooghe, Laëtitia Jourdan외 1명|ArXiv.org|2008. 04. 24.

Advanced Multi-Objective Optimization Algorithms참고 문헌 51인용 수 7

한 줄 요약

이 논문은 이중목표 Ring Star 문제(RSP)를 위한 하이브리드 메타휴리스틱 접근법을 제안하고 평가한다. 이는 엘리트 기반 진화 알고리즘(SEEA)과 집단 기반 국소 탐색(IBMOLS)을 주기적이고 자동 적응형 협업 전략을 통해 결합한 것이다. 하이브리드 방법은 특히 대규모 인스턴스에서 비열등한 해의 수렴성과 다양성을 크게 향상시키며, 독립적으로 작동하는 알고리즘과 최신의 단목표 방법보다 뛰어난 성능을 보인다.

ABSTRACT

This paper presents and experiments approaches to solve a new bi-objective routing problem called the ring star problem. It consists of locating a simple cycle through a subset of nodes of a graph while optimizing two kinds of cost. The first objective is the minimization of a ring cost that is related to the length of the cycle. The second one is the minimization of an assignment cost from non-visited nodes to visited ones. In spite of its obvious bi-objective formulation, this problem has always been investigated in a single-objective way. To tackle the bi-objective ring star problem, we first investigate different stand-alone search methods. Then, we propose two cooperative strategies that combines two multiple objective metaheuristics: an elitist evolutionary algorithm and a population-based local search. We apply this new hybrid approaches to well-known benchmark test instances and demonstrate their effectiveness in comparison to non-hybrid algorithms and to state-of-the-art methods.

연구 동기 및 목표

• 이중목표 Ring Star 문제(RSP)를 단일 목표로 축소하지 않고 진정한 다목표 최적화 문제로 다루기 위해.
• 기본 벤치마크 RSP 인스턴스에 대해 독립적인 다목표 메타휴리스틱의 성능 평가를 위해.
• 진화적 탐색과 국소 탐색 방법의 장점을 조합하여 품질 향상을 위한 협업 하이브리드 전략 설계 및 테스트를 위해.
• 비하이브리드 메타휴리스틱 및 기존 최신 기술과의 비교에서 하이브리드 접근법의 효과성을 평가하기 위해.
• 향후 알고리즘 개선을 위한 적응형 파rameter 제어 및 향상된 초기화 방법 등의 향상 요소 탐색을 위해.

제안 방법

• 다목표 조합 최적화 문제에 특화된 새로운 단순 엘리트 기반 진화 알고리즘(SEEA)을 제안한다.
• 변동 이웃 구역 탐색을 통한 집단 기반 국소 탐색 기반의 IBMOLS를, 에프스실론-지표 기반 적합도 할당을 사용하여 이중목표 RSP에 적응시킨다.
• 두 가지 협업 전략을 도입한다: 주기적 협업 탐색(PCS), SEEA의 각 단계에서 IBMOLS를 활성화하며, 자동 적응형 협업 탐색(ACS), 동적 조건이 충족될 경우에만 IBMOLS를 활성화한다.
• 비열등한 해를 저장하기 위한 공유 외부 아카이브를 사용하며, 협업 단계 동안 SEEA와 IBMOLS 간의 정보 교환을 가능하게 한다.
• 수렴성과 다양성 평가를 위해 에프스실론-지표를 사용하며, 비교 가능성을 확보하기 위해 目표 값의 정규화를 실시한다.
• 문헌에서 표준화된 벤치마크 인스턴스에 방법을 적용하여, 통계적 검정과 품질 지표를 통한 결과 비교를 수행한다.

실험 결과

연구 질문

• RQ1 독립적인 다목표 메타휴리스틱, 즉 SEEA, IBEA, NSGA-II 및 IBMOLS는 이중목표 Ring Star 문제에서 어떻게 성능을 발휘하는가?
• RQ2 진화 알고리즘(SEEA)과 국소 탐색(IBMOLS) 간의 하이브리드 협업은 독립적 방법 대비 비열등한 해의 수렴성과 다양성 향상에 기여하는가?
• RQ3 주기적 협업 전략과 자동 적응형 협업 전략 중 어느 것이 해 품질과 계산 효율성 측면에서 더 뛰어난 성능을 보이는가?
• RQ4 하이브리드 접근법은 RSP에 대한 최신 기술의 단목표 방법보다 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ5 더 나은 초기화, 적응형 연산자 제어 또는 대체 품질 지표를 통해 어떤 향상이 달성될 수 있는가?

주요 결과

• 특히 PCS와 ACS를 포함한 하이브리드 방법은 다양한 테스트 인스턴스에서 모든 독립적 메타휴리스틱 대비 비열등한 해 집합의 품질을 통계적으로 향상시킨다.
• ACS의 동적 결정 기반 설계에도 불구하고, 조건 평가의 계산 오버헤드로 인해 주기적 협업 탐색(PCS)이 자동 적응형 협업 탐색(ACS)보다 略적으로 더 뛰어난 성능을 보인다.
• 모든 하이브리드 방법은 대규모 RSP 인스턴스에서 수렴성과 다양성을 크게 향상시키며, 이는 독립적 알고리즘이 잘 분포된 해를 찾는 데 어려움을 겪는 영역에서 두드러진다.
• SEEA는 제한된 계산 시간 조건에서도 최신 기술의 다목표 진화 알고리즘과 경쟁력을 유지한다.
• 공유 외부 아카이브의 사용은 SEEA와 IBMOLS 간 효과적인 정보 교환을 가능하게 하며, 복잡성 증가 없이도 탐색 과정을 향상시킨다.
• 향후 개선 사항으로서 적응형 연산자 제어 및 향상된 초기화 방법은 특히 수렴 속도 향상과 해 품질 향상에 기여할 것으로 기대된다.