[논문 리뷰] Towards a Theory-Guided Benchmarking Suite for Discrete Black-Box Optimization Heuristics: Profiling $(1+\lambda)$ EA Variants on OneMax and LeadingOnes

Carola Doerr, Furong Ye외 3명|arXiv (Cornell University)|2018. 08. 17.

Metaheuristic Optimization Algorithms Research참고 문헌 14인용 수 10

한 줄 요약

이 논문은 COCO 플랫폼을 의사-불리안 문제에 맞게 변형하여 이산 블랙박스 최적화를 위한 이론 유도 기반 벤치마킹 세트를 제안한다. 이는 OneMax 및 LeadingOnes 문제에서 $(1+\lambda)$ EA 변종의 세밀한 경험적 분석을 가능하게 하며, LeadingOnes에서의 최적화 시간 행동을 더욱 정교하게 규명한다. 이는 이산 진화 계산 분야에서 이론적 연구와 경험적 연구의 통합을 촉진한다.

ABSTRACT

Theoretical and empirical research on evolutionary computation methods complement each other by providing two fundamentally different approaches towards a better understanding of black-box optimization heuristics. In discrete optimization, both streams developed rather independently of each other, but we observe today an increasing interest in reconciling these two sub-branches. In continuous optimization, the COCO (COmparing Continuous Optimisers) benchmarking suite has established itself as an important platform that theoreticians and practitioners use to exchange research ideas and questions. No widely accepted equivalent exists in the research domain of discrete black-box optimization. Marking an important step towards filling this gap, we adjust the COCO software to pseudo-Boolean optimization problems, and obtain from this a benchmarking environment that allows a fine-grained empirical analysis of discrete black-box heuristics. In this documentation we demonstrate how this test bed can be used to profile the performance of evolutionary algorithms. More concretely, we study the optimization behavior of several $(1+\lambda)$ EA variants on the two benchmark problems OneMax and LeadingOnes. This comparison motivates a refined analysis for the optimization time of the $(1+\lambda)$ EA on LeadingOnes.

연구 동기 및 목표

• 이슬람적으로 개별적으로 발전해 온 이슬람 이론적 연구와 경험적 연구 사이의 격차를 해소하기 위해.
• 연속 최적화에서 COCO에 해당하는 광범위하게 채택 가능한 이슬람 이산 진화 알고리즘을 위한 벤치마킹 프레임워크를 수립하기 위해.
• OneMax 및 LeadingOnes와 같은 표준 벤치마크 문제에서 $(1+\lambda)$ EA 변종의 세밀한 경험적 프로파일링을 가능하게 하기 위해.
• LeadingOnes 문제에서 $(1+\lambda)$ EA의 최적화 시간에 대한 보다 정교한 이론적 분석을 유도하기 위해.

제안 방법

• 표준화되고 재현 가능한 벤치마킹을 가능하게 하기 위해 COCO 소프트웨어 스택을 의사-불리안 최적화 문제를 지원하도록 변형하기 위해.
• 실행 시간 및 수렴 행동을 포함한 이슬람 블랙박스 휴리스틱의 세밀한 성능 프로파일링을 지원하는 테스트 베드 설계하기 위해.
• 이론적으로 접근 가능하고 경험적으로 관련성이 높은 두 가지 표준 벤치마크 문제인 OneMax 및 LeadingOnes 선택하기 위해.
• 통제된 실험 조건 하에서 여러 $(1+\lambda)$ EA 변종을 구현하고 평가하여 문제 인스턴스 간 성능 비교하기 위해.
• 특히 LeadingOnes에서의 최적화 시간에 관해 이론적 기대를 정보화하고 정교화하기 위해 경험적 데이터를 활용하기 위해.

실험 결과

연구 질문

• RQ1 통일된 경험적 프레임워크 하에서 다양한 $(1+\lambda)$ EA 변종은 OneMax 및 LeadingOnes 벤치마크 문제에서 어떻게 성능을 발휘하는가?
• RQ2 COCO 플랫폼은 이슬람 이산, 의사-불리안 최적화 문제를 지원하기 위해 어느 정도 적응 가능하는가?
• RQ3 세밀한 경험적 프로파일링을 통해 LeadingOnes에서 $(1+\lambda)$ EA의 최적화 역학에 대해 어떤 통찰를 도출할 수 있는가?
• RQ4 경험적 발견은 이슬람 진화 계산 알고리즘의 실행 시간 행동에 대한 이론적 분석을 어떻게 정보화하고 정교화할 수 있는가?

주요 결과

• 적응된 COCO 플랫폼은 특히 표준 벤치마크 문제에서 $(1+\lambda)$ EA 변종의 세밀한 경험적 분석을 가능하게 하였다.
• 경험적 프로파일링은 OneMax 및 LeadingOnes에서 $(1+\lambda)$ EA 변종 간의 성능 패턴의 상이함을 드러내며, 문제에 특화된 역학을 강조하였다.
• 이 연구는 LeadingOnes에서 수렴 행동의 구조적 차이를 규명하여 최적화 시간에 대한 보다 정교한 이론적 분석을 유도하였다.
• 경험적 벤치마킹과 이론적 분석의 통합은 이슬람 최적화에서 휴리스틱 성능 이해를 향상시키는 피드백 루프를 창출하였다.