[论文解读] Artificial Mutation inspired Hyper-heuristic for Runtime Usage of Multi-objective Algorithms

Donia El Kateb, François Fouquet+2 more|arXiv (Cornell University)|Feb 18, 2014

Advanced Multi-Objective Optimization Algorithms参考文献 18被引用 4

一句话总结

本文提出 Sputnik，一种超启发式方法，通过利用基于历史突变效率的、人工的、选择性突变，加速多目标进化算法（MOEAs）。通过动态选择高影响力突变算子进行持续学习，Sputnik 将达到可接受权衡所需的代数减少约 37%，同时保持或提升超体积性能。

ABSTRACT

In the last years, multi-objective evolutionary algorithms (MOEA) have been applied to different software engineering problems where many conflicting objectives have to be optimized simultaneously. In theory, evolutionary algorithms feature a nice property for runtime optimization as they can provide a solution in any execution time. In practice, based on a Darwinian inspired natural selection, these evolutionary algorithms produce many deadborn solutions whose computation results in a computational resources wastage: natural selection is naturally slow. In this paper, we reconsider this founding analogy to accelerate convergence of MOEA, by looking at modern biology studies: artificial selection has been used to achieve an anticipated specific purpose instead of only relying on crossover and natural selection (i.e., Muller et al [18] research on artificial mutation of fruits with X-Ray). Putting aside the analogy with natural selection , the present paper proposes an hyper-heuristic for MOEA algorithms named Sputnik 1 that uses artificial selective mutation to improve the convergence speed of MOEA. Sputnik leverages the past history of mutation efficiency to select the most relevant mutations to perform. We evaluate Sputnik on a cloud-reasoning engine, which drives on-demand provisioning while considering conflicting performance and cost objectives. We have conducted experiments to highlight the significant performance improvement of Sputnik in terms of resolution time.

研究动机与目标

• 为解决多目标进化算法（MOEAs）在运行时使用中的性能瓶颈，其因随机自然选择导致收敛缓慢。
• 通过用受现代基因工程启发的、有指导的人工突变策略替代随机突变，提升 MOEAs 的收敛速度。
• 开发一种超启发式方法，通过学习历史突变表现，动态选择每一步中最有效的突变算子。
• 在平衡延迟与成本等冲突目标的云推理引擎中验证该方法。
• 证明人工突变选择可在不牺牲解的质量或多样性的情况下实现更快收敛。

提出的方法

• Sputnik 采用持续学习机制，根据突变算子对适应度函数的历史影响对其排序。
• 采用两种策略——精英策略与种姓策略——进行突变选择：精英策略优先选择表现最佳的算子，而种姓策略通过从更广泛集合中选择来维持多样性。
• 该算法可与 NSGA-II、ε-NSGA-II、ε-MOEA 和 Hyper-MOEA 等 MOEA 框架集成，替代其默认的随机突变选择机制。
• 适应度评估基于超体积，这是衡量多目标优化质量的标准指标。
• 系统在每代结束后动态更新算子排名，依据其对改进帕累托前沿的贡献。
• Sputnik 在 Polymer model@runtime 框架内进行评估，以检验其在自适应、实时云资源配置中的性能。

实验结果

研究问题

• RQ1 RQ1：基于人工突变选择的超启发式方法是否能减少 MOEA 收敛所需的代数？
• RQ2 RQ2：所提出的的人工突变策略是否能保持或改善帕累托前沿的质量，相比随机选择？
• RQ3 RQ3：Sputnik 与标准 MOEA 算法集成时，在超体积提升方面表现如何？
• RQ4 RQ4：种姓策略是否能在保持收敛速度的同时增强解的多样性？

主要发现

• 与随机突变选择相比，Sputnik 将达到可接受权衡所需的代数减少了约 37%。
• Sputnik 的精英策略收敛速度略快于种姓策略，但两者均优于随机选择。
• 种姓策略的超体积得分（0.81）高于精英策略（0.77）和随机基线（0.78），表明其收敛质量更优。
• Sputnik 维持或提升了解的质量，表现为在 200 代后，精英策略的超体积值为 0.77，种姓策略为 0.81，而标准 MOEAs 的值为 0.67–0.68。
• 当与 NSGA-II 和 ε-NSGA-II 集成时，Sputnik 分别实现了 0.72 和 0.75 的超体积得分，优于基线（0.67 和 0.66）。
• 结果证实，人工突变选择不会降低解的质量，并可在实时优化场景中显著加速收敛。