[论文解读] MultiKulti Algorithm: Migrating the Most Different Genotypes in an Island Model

Lourdes Araujo, J. J. Merelo+2 more|ArXiv.org|Jun 17, 2008

Metaheuristic Optimization Algorithms Research参考文献 15被引用 5

一句话总结

本文提出 Multikulti 算法，一种新型的岛屿模型进化算法迁移策略，通过基于供体种群与目标种群之间的基因型差异选择迁移个体，以增强多样性。通过优先选择与目标种群差异最大的个体——尤其是精英个体——Multikulti 在 MMDP 等欺骗性问题上显著提升了收敛速度与解的质量，优于传统的基于最优或随机选择的迁移策略。

ABSTRACT

Migration policies in distributed evolutionary algorithms has not been an active research area until recently. However, in the same way as operators have an impact on performance, the choice of migrants is due to have an impact too. In this paper we propose a new policy (named multikulti) for choosing the individuals that are going to be sent to other nodes, based on multiculturality: the individual sent should be as different as possible to the receiving population. We have checked this policy on different discrete optimization problems, and found that, in average or in median, this policy outperforms classical ones like sending the best or a random individual.

研究动机与目标

• 为解决分布式进化算法中迁移策略作用的未充分探索问题，特别是迁移个体选择对多样性与收敛性的影响。
• 探究基于迁移个体与目标种群之间基因型差异进行选择，是否能优于基于适应度或随机选择，从而提升算法性能。
• 评估在限制选择范围为精英个体的前提下，维持高多样性与确保迁移个体质量之间的权衡。
• 比较不同种群表示方式——最优个体与共识字符串——在迁移决策中表征目标种群的效果。
• 通过实证验证所提策略对多样性度量（如表型熵）与收敛行为的影响。

提出的方法

• 提出一种名为 Multikulti 的新型迁移策略，基于接收种群当前状态的基因型距离最大值选择迁移个体。
• 采用多种目标种群表示方式：最优个体与共识字符串（每个位点的多数位）。
• 实现三种变体：Multikulti（与最优个体差异最大）、consensus-multikulti（与共识字符串差异最大）以及 multikulti-elite-consensus（精英个体中与共识字符串差异最大的）。
• 使用香农熵作为衡量种群随时间推移表型多样性程度的定量指标。
• 在离散优化问题上测试该算法，包括欺骗性 MMDP（多峰欺骗问题），以评估性能与多样性动态。
• 将 Multikulti 与基线策略（发送最优个体与随机个体）进行比较，采用收敛速度与平均/中位数解质量等指标。

实验结果

研究问题

• RQ1 基于迁移个体与目标种群之间基因型差异进行选择，是否能提升岛屿模型进化算法的性能？
• RQ2 迁移个体多样性与适应度质量之间的最优平衡是什么？限制选择范围为精英个体是否能提升性能？
• RQ3 不同目标种群表示方式（最优个体 vs. 共识字符串）如何影响迁移的有效性？
• RQ4 Multikulti 策略在多大程度上能随时间维持或提升表型多样性（以熵衡量）？
• RQ5 在欺骗性问题上，Multikulti 是否能在收敛速度与解质量方面超越经典迁移策略（如最优或随机）？

主要发现

• 在 MMDP 问题上，Multikulti 策略在收敛速度与解质量方面显著优于最优个体与随机迁移策略。
• multikulti-elite 变体（从最优质前 50% 个体中选择基因型差异最大的）取得最佳结果，表明精英质量对性能提升至关重要。
• 在 Multikulti 策略下，表型熵保持高位甚至随进化过程上升，而最优个体迁移策略下熵迅速下降，证实其在多样性维持方面表现更优。
• 目标种群的共识字符串表示方式仅略优于最优个体，表明两者在基于多样性的迁移决策中均具有效性。
• multikulti-elite-consensus 策略的结果与 multikulti-elite 相当，证实将多样性与适应度结合于迁移个体选择中是有效的。
• 本研究证明，通过基于基因型的迁移选择增强多样性，可直接促进算法性能提升，尤其在欺骗性优化环境中。