[论文解读] A Compact Self-organizing Cellular Automata-based Genetic Algorithm

Vasileios Barmpoutis, Gary F. Dargush|ArXiv.org|Nov 15, 2007

Cellular Automata and Applications参考文献 45被引用 3

一句话总结

本文提出一种紧凑的自组织遗传算法（GA），该算法利用细胞自动机（CA）原理，仅在空间结构化种群中相邻个体之间进行交叉。通过利用CA的自组织特性而非并行性，该方法在极小种群规模下实现了高效的搜索，减少了早熟收敛，并提高了在测试函数和桁架设计问题上的解精度。

ABSTRACT

A Genetic Algorithm (GA) is proposed in which each member of the population can change schemata only with its neighbors according to a rule. The rule methodology and the neighborhood structure employ elements from the Cellular Automata (CA) strategies. Each member of the GA population is assigned to a cell and crossover takes place only between adjacent cells, according to the predefined rule. Although combinations of CA and GA approaches have appeared previously, here we rely on the inherent self-organizing features of CA, rather than on parallelism. This conceptual shift directs us toward the evolution of compact populations containing only a handful of members. We find that the resulting algorithm can search the design space more efficiently than traditional GA strategies due to its ability to exploit mutations within this compact self-organizing population. Consequently, premature convergence is avoided and the final results often are more accurate. In order to reinforce the superior mutation capability, a re-initialization strategy also is implemented. Ten test functions and two benchmark structural engineering truss design problems are examined in order to demonstrate the performance of the method.

研究动机与目标

• 开发一种紧凑遗传算法，利用自组织原理维持种群多样性并避免早熟收敛。
• 将细胞自动机（CA）规则整合到遗传算法操作中，特别是交叉操作，以实现基于邻近个体的局部进化。
• 探究CA的自组织特性在小种群中是否能增强变异和探索能力。
• 在基准优化问题上验证该方法，包括结构工程中的桁架设计问题。
• 通过重新初始化和紧凑种群动态，相比传统GA提升解的精度和收敛速度。

提出的方法

• 将GA种群中的每个个体映射到一维细胞自动机（CA）格点中的一个细胞。
• 交叉操作仅限于相邻细胞之间，基于预定义的CA转移规则进行。
• CA规则集控制相邻个体之间遗传物质的交换，促进局部进化。
• 该算法利用CA固有的自组织行为，动态塑造种群结构并促进多样性。
• 采用重新初始化策略以恢复停滞个体，增强基于变异的探索能力。
• 种群规模保持极小——通常仅几个个体——聚焦于紧凑性与效率。

实验结果

研究问题

• RQ1 在极小种群规模下，紧凑GA是否能比传统GA实现更好的收敛性和精度？
• RQ2 由CA规则控制的邻近交叉如何影响种群多样性和搜索效率？
• RQ3 CA的自组织特性在多大程度上能减少遗传优化中的早熟收敛？
• RQ4 在CA结构化种群中实施重新初始化是否能进一步增强变异和探索能力？
• RQ5 该方法在复杂的真实世界工程问题（如桁架设计）上的表现如何？

主要发现

• 与标准GA实现相比，所提出的CA基GA在十个测试函数上均实现了更优的收敛性和解精度。
• 紧凑种群结构显著减少了早熟收敛，即使仅使用少数个体亦然。
• 自组织CA规则实现了种群的动态重构，增强了局部搜索能力和多样性。
• 重新初始化策略有效恢复了停滞个体，提升了算法逃离局部最优的能力。
• 在两个基准桁架设计问题上，该方法生成了比传统GA更精确且更轻量的结构设计。
• 该算法在多种问题类型上表现出稳健性能，表明其具备强大的泛化能力。