[論文レビュー] Novel Methods for Enhancing the Performance of Genetic Algorithms

Esra’a Alkafaween|arXiv (Cornell University)|Jan 9, 2018

Metaheuristic Optimization Algorithms Research参考文献 90被引用数 8

ひとこと要約

この修士論文は、TSPにおける遺伝的アルゴリズム（GA）の性能を向上させるために、Cut on Worst Gene（COWGC）、コラISIONクロスオーバー、および複数のワーストジェーンに基づく突然変異戦略を含む、新しいクロスオーバーおよび突然変異演算子を提案する。加えて、4つの適応的選択戦略（SAC、SAM、SBC、SBM）を用いる。実験の結果、これらの手法は早期収束を軽減し、標準的な演算子よりも優れた性能を発揮する。特に、適応的選択戦略を介して複数の演算子を統合することで顕著な改善が得られた。

ABSTRACT

In this thesis we propose new methods for crossover operator namely: cut on worst gene (COWGC), cut on worst L+R gene (COWLRGC) and Collision Crossovers. And also we propose several types of mutation operator such as: worst gene with random gene mutation (WGWRGM) , worst LR gene with random gene mutation (WLRGWRGM), worst gene with worst gene mutation (WGWWGM), worst gene with nearest neighbour mutation (WGWNNM), worst gene with the worst around the nearest neighbour mutation (WGWWNNM), worst gene inserted beside nearest neighbour mutation (WGIBNNM), random gene inserted beside nearest neighbour mutation (RGIBNNM), Swap worst gene locally mutation (SWGLM), Insert best random gene before worst gene mutation (IBRGBWGM) and Insert best random gene before random gene mutation (IBRGBRGM). In addition to proposing four selection strategies, namely: select any crossover (SAC), select any mutation (SAM), select best crossover (SBC) and select best mutation (SBM). The first two are based on selection of the best crossover and mutation operator respectively, and the other two strategies randomly select any operator. So we investigate the use of more than one crossover/mutation operator (based on the proposed strategies) to enhance the performance of genetic algorithms. Our experiments, conducted on several Travelling Salesman Problems (TSP), show the superiority of some of the proposed methods in crossover and mutation over some of the well-known crossover and mutation operators described in the literature. In addition, using any of the four strategies (SAC, SAM, SBC and SBM), found to be better than using one crossover/mutation operator in general, because those allow the GA to avoid local optima, or the so-called premature convergence. Keywords: GAs, Collision crossover, Multi crossovers, Multi mutations, TSP.

研究の動機と目的

• 高度で適応的な演算子選択およびハイブリッド化技術を導入することで、遺伝的アルゴリズム（GAs）における早期収束を是正すること。
• 新しいクロスオーバーおよび突然変異演算子を用いて、対称TSPの解の品質と収束速度を向上させること。
• 単一の固定演算子に依存するのではなく、複数のクロスオーバーおよび突然変異演算子を同時に使用する影響を調査すること。
• GA実行中に最良のパフォーマンスを示す演算子を動的に選択できる4つの適応的選択戦略（SAC、SAM、SBC、SBM）を開発・評価すること。
• ベンチマークTSPインスタンスを用いた実証的評価を通じて、古典的GA演算子と比較して提案手法の優位性を示すこと。

提案手法

• 親の解における低適合度の遺伝子を再結合の優先対象とする、Cut on Worst Gene（COWGC）およびCut on Worst L+R Gene（COWLRGC）クロスオーバーを提案する。
• 遺伝子の衝突を模擬することで多様な後代を生成し、探索能力を向上させる、新しい方法であるコラISIONクロスオーバーを導入する。
• ワーストジェーン選択に基づく複数の突然変異演算子を設計し、WGWRGM、WGWWGM、WGWNNM、および挿入ベースの変種（WGIBNNM、RGIBNNM）を含む。
• 4つの適応的選択戦略（SAC：任意のクロスオーバーを選択、SAM：任意の突然変異を選択、SBC：最良のクロスオーバーを選択、SBM：最良の突然変異を選択）を開発し、進化過程での動的演算子選択を可能にする。
• 1世代あたりに複数のクロスオーバーおよび突然変異が評価されるマルチオペレータフレームワークを採用し、戦略に従って最良またはランダムに選択された演算子が適用される。
• 適合度に基づく評価メカニズムを用いて演算子選択を誘導し、多様性を促進し、局所最適解への収束を回避する。

実験結果

リサーチクエスチョン

• RQ1 COWGC やコラISIONクロスオーバーといった新しいクロスオーバー演算子は、標準的な演算子と比較して、TSPにおける収束性と解の品質を向上させることができるか？
• RQ2 ワーストジェーンに基づく突然変異戦略は、遺伝的アルゴリズムにおける探索能力を向上させ、早期収束を低減させるか？
• RQ3 SAC や SBM のような戦略を通じて、複数のクロスオーバーおよび突然変異演算子から動的に選択することで、単一の固定演算子を使用する場合よりも優れたパフォーマンスが得られるか？
• RQ4 SAC、SAM、SBC、SBM という提案された適応的選択戦略は、TSPベンチマークにおいて解の品質と収束速度の観点でどのように比較されるか？
• RQ5 複数のクロスオーバーおよび突然変異技術をハイブリダイズすることで、組合せ最適化におけるGAの早期収束リスクを軽減できるか？

主な発見

• COWGC およびコラISIONクロスオーバーは、TSPインスタンスにおいて優れた性能を示し、標準的な順序ベースおよびサイクルベースのクロスオーバーと比較して、より良い平均解の品質を達成した。
• WGWWGM や WGIBNNM といった突然変異戦略は、特に後期世代において多様性を著しく向上させ、局所最適解への収束を低減した。
• SBC（最良のクロスオーバーを選択）および SBM（最良の突然変異を選択）戦略を用いることで、固定演算子ベースラインと比較して、より速い収束と高品質な解が得られた。
• SAC および SAM 戦略は、複数の演算子からランダムに選択するため、集団の多様性を維持し、停滞を回避でき、単一演算子GAを上回る性能を発揮した。
• 複数のクロスオーバーおよび突然変異を適応的選択戦略（特に SBC および SBM）と組み合わせることで、全テストTSPインスタンスにおいて早期収束の可能性が著しく低減された。
• 全体として、適応的選択戦略を用いた提案されたマルチオペレータフレームワークは、ベンチマークTSP問題において古典的GA設定と比較して、平均および最高の解値が優れていた。