[论文解读] Genetic Algorithms for multimodal optimization: a review

Noé Casas|arXiv (Cornell University)|Jun 10, 2015

Metaheuristic Optimization Algorithms Research参考文献 24被引用 9

一句话总结

本文综述了用于多模态优化的遗传算法技术，将其分类为结构化种群模型（例如，岛屿模型和空间分散的GA）与促进多样性的方法（例如，适应度共享、拥挤）。结论指出，拥挤法是最具鲁棒性且广泛有效的技术，而其他方法则严重依赖于问题特定的调参，且在整体上并不优于随机交配的GA。

ABSTRACT

In this article we provide a comprehensive review of the different evolutionary algorithm techniques used to address multimodal optimization problems, classifying them according to the nature of their approach. On the one hand there are algorithms that address the issue of the early convergence to a local optimum by differentiating the individuals of the population into groups and limiting their interaction, hence having each group evolve with a high degree of independence. On the other hand other approaches are based on directly addressing the lack of genetic diversity of the population by introducing elements into the evolutionary dynamics that promote new niches of the genotypical space to be explored. Finally, we study multi-objective optimization genetic algorithms, that handle the situations where multiple criteria have to be satisfied with no penalty for any of them. Very rich literature has arised over the years on these topics, and we aim at offering an overview of the most important techniques of each branch of the field.

研究动机与目标

• 提供针对解决多模态优化问题而设计的进化算法技术的系统性综述。
• 区分通过种群结构隐式促进多样性的方法与通过显式控制遗传多样性来实现的方法。
• 考察多目标优化算法在解决单目标多模态问题中的作用。
• 评估每种方法相对于随机交配遗传算法的优势、劣势及实际性能。
• 基于问题特征与实证证据，为研究人员提供选择合适多模态优化策略的指导。

提出的方法

• 将多模态优化技术分为两大类：结构化种群GA（如岛屿模型、空间分散GA）与多样性控制GA（如适应度共享、拥挤）。
• 分析使用孤立子种群（岛屿）并定期迁移以维持多样性、避免早熟收敛的岛屿模型GA。
• 研究将空间坐标分配给个体并仅允许邻近个体交配的空间分散GA，从而自然形成子种群。
• 回顾促进多样性的机制，如适应度共享，通过惩罚基因型空间中拥挤区域的个体来鼓励生态位形成。
• 讨论拥挤法，即用新后代替换种群中相似个体以保持多样性并探索多个最优解。
• 探讨将多目标进化算法（MOEAs）用于将单目标多模态问题转化为多目标问题，通过引入第二个目标来实现。

实验结果

研究问题

• RQ1 哪些遗传算法策略在解决具有多个局部最优解的多模态优化问题时最为有效？
• RQ2 与多样性控制机制（如适应度共享、拥挤）相比，结构化种群方法（如岛屿模型）在性能和鲁棒性方面如何？
• RQ3 多目标优化算法在多大程度上可被重新用于解决单目标多模态问题？
• RQ4 为何一些多模态优化技术尽管具有理论优势，却仍表现不如标准随机交配GA？
• RQ5 在实际应用中，配置和部署多模态优化算法面临哪些主要挑战？

主要发现

• 拥挤法是在所审查方法中最为一致有效且被广泛接受的技术，在多种多模态问题中均表现出鲁棒性能。
• 岛屿模型等结构化种群方法得益于并行化，且可在不同子种群中应用不同优化算法，但需仔细调参，如迁移频率和拓扑结构。
• 适应度共享需要手动设定生态位半径，且性能对这一参数高度敏感，若未正确调优，常导致次优结果。
• 空间分散GA的配置需求低于岛屿模型，对参数选择的敏感性也较低，但若缺乏自适应机制，性能仍可能不足。
• 这些算法的自适应变体通常表现不如精心调优的非自适应版本，表明自适应调优并非万能解法。
• 如Deb（2002）提出的多目标进化算法（MOEAs）可通过将单目标多模态问题转化为多目标问题，有效解决此类问题，提供了一种有前景的替代方法。