[论文解读] Genetic Transfer or Population Diversification? Deciphering the Secret Ingredients of Evolutionary Multitask Optimization

Abhishek Gupta, Yew-Soon Ong|arXiv (Cornell University)|Jul 19, 2016

Evolutionary Algorithms and Applications参考文献 18被引用 3

一句话总结

本文以数独谜题为测试平台，研究了进化多任务优化背后的作用机制。结果表明，遗传迁移（即高质量解从一个任务向其他任务传递）是实现性能提升的主要机制，其在利用任务相似性方面优于仅依靠种群多样化的策略。

ABSTRACT

Evolutionary multitasking has recently emerged as a novel paradigm that enables the similarities and/or latent complementarities (if present) between distinct optimization tasks to be exploited in an autonomous manner simply by solving them together with a unified solution representation scheme. An important matter underpinning future algorithmic advancements is to develop a better understanding of the driving force behind successful multitask problem-solving. In this regard, two (seemingly disparate) ideas have been put forward, namely, (a) implicit genetic transfer as the key ingredient facilitating the exchange of high-quality genetic material across tasks, and (b) population diversification resulting in effective global search of the unified search space encompassing all tasks. In this paper, we present some empirical results that provide a clearer picture of the relationship between the two aforementioned propositions. For the numerical experiments we make use of Sudoku puzzles as case studies, mainly because of their feature that outwardly unlike puzzle statements can often have nearly identical final solutions. The experiments reveal that while on many occasions genetic transfer and population diversity may be viewed as two sides of the same coin, the wider implication of genetic transfer, as shall be shown herein, captures the true essence of evolutionary multitasking to the fullest.

研究动机与目标

• 理解支持进化多任务优化优于单任务优化的潜在机制。
• 探究在成功解决多任务问题时，遗传迁移与种群多样化何者占主导地位。
• 评估在统一搜索空间探索中，共享遗传物质交换与种群多样性所起的相对贡献。
• 采用数独谜题作为受控测试案例，因其最终解在结构上具有相似性，尽管初始条件各不相同。

提出的方法

• 采用统一的进化算法框架，通过共享种群同时求解多个数独谜题。
• 设计实验以隔离并测量遗传迁移与种群多样化对收敛速度和解质量的影响。
• 在所有任务中使用固定种群规模和共享遗传算子（交叉、变异）以实现遗传物质交换。
• 追踪各任务的解进展，量化一个谜题中的高质量解影响其他谜题的频率。
• 利用性能指标和收敛时间线分析遗传物质在任务间转移的频率与影响。
• 在遗传迁移被启用或禁用的受控条件下比较结果，以隔离其影响。

实验结果

研究问题

• RQ1 遗传迁移与种群多样化在进化多任务优化中的相对贡献是什么？
• RQ2 遗传迁移本身是否足以解释多任务优化中观察到的性能提升？
• RQ3 当不同数独谜题的最终解在结构上几乎完全相同时，遗传迁移的有效性如何？
• RQ4 当遗传迁移不存在时，种群多样化在全局搜索中贡献有多大？
• RQ5 问题结构（例如共享解空间）是否会影响某一机制相对于另一机制的主导地位？

主要发现

• 在多个数独谜题实例中，遗传迁移始终是性能提升的主导因素。
• 即使维持了种群多样性，若缺乏遗传迁移，性能提升仍显著降低，表明遗传迁移具有必要性。
• 一个谜题中的解经常能促进其他谜题的更快收敛，尤其是在最终解结构相似时。
• 高质量遗传物质转移的频率与整体算法成功程度高度相关。
• 仅依靠种群多样化无法实现可比的收敛速度或解质量，尤其是在早期阶段。
• 结果表明，进化多任务优化的真正优势在于任务间隐式交换有益遗传组件的能力。