[论文解读] How to use the Scuba Diving metaphor to solve problem with neutrality ?

Philippe Collard, Sebástien Vérel+1 more|ArXiv.org|Jul 4, 2007

Metaheuristic Optimization Algorithms Research参考文献 12被引用 4

一句话总结

本文提出了一种名为Scuba Search（SS）的新型元启发式算法，通过在搜索空间中利用中性性（neutrality）来增强可进化性（evolvability）——即生成更优后代的潜力。该算法通过在中性网络上显式优化可进化性，再跳转至更优解，从而在中性景观（如NKq和稀释TSP问题）上优于标准爬山法，尤其在中性程度较高时表现更优，尽管其评估成本高于基础爬山法。

ABSTRACT

We proposed a new search heuristic using the scuba diving metaphor. This approach is based on the concept of evolvability and tends to exploit neutrality which exists in many real-world problems. Despite the fact that natural evolution does not directly select for evolvability, the basic idea behind the scuba search heuristic is to explicitly push evolvability to increase. A comparative study of the scuba algorithm and standard local search heuristics has shown the advantage and the limitation of the scuba search. In order to tune neutrality, we use the NKq fitness landscapes and a family of travelling salesman problems (TSP) where cities are randomly placed on a lattice and where travel distance between cities is computed with the Manhattan metric. In this last problem the amount of neutrality varies with the city concentration on the grid ; assuming the concentration below one, this TSP reasonably remains a NP-hard problem.

研究动机与目标

• 解决在中性适应度景观上局部搜索启发式算法易陷入早熟收敛的问题。
• 探索在现实问题中普遍存在的中性性如何被利用以提升搜索效率。
• 提出一种新启发式算法，显式在中性网络上优化可进化性，以逃离局部最优。
• 评估Scuba Search在中性和崎岖景观上相对于标准爬山法（HC）和迭代爬山法（HC2）的性能表现。
• 基于中性网络的结构，识别Scuba Search成功或失败的条件。

提出的方法

• Scuba Search启发式采用深海潜水的隐喻：潜水员（解）在中性网络（适应度相等的平坦区域）中探索，同时观察表面之上的更优状态（邻域中的更优解），从而实现向更高适应度的有意识跃迁。
• 可进化性定义为某解的邻居中最大适应度，算法在中性网络上局部最大化该值。
• 若一解在其所属的中性网络中为局部最大值，但其外部邻居中存在更优解，则该解被判定为局部-中性最优，触发向更高适应度的跃迁。
• 该算法在中性网络上执行局部搜索，评估所有邻居以评估可进化性，当发现更优解时即跳转至该解。
• 该方法在两类问题上进行了评估：通过参数q调节中性程度的NKq适应度景观，以及使用曼哈顿距离的稀释TSP问题，其中中性程度随城市聚集度增加而提高。
• 评估指标为平均适应度评估次数与最终达到的适应度，将Scuba Search（SS）与标准爬山法（HC）和迭代爬山法（HC2）进行比较。

实验结果

研究问题

• RQ1 在中性适应度景观上，对中性网络中的可进化性进行显式优化是否能提升搜索性能？
• RQ2 在中性和崎岖景观上，Scuba Search相较于标准局部搜索启发式算法（HC和HC2）在收敛速度和解质量方面表现如何？
• RQ3 在何种条件下Scuba Search会失效，特别是当可进化性在中性网络中保持恒定时？
• RQ4 Scuba Search更高的评估成本是否因其在中性问题上更优的解质量而值得？
• RQ5 若采用可进化性的替代定义（如仅采样部分邻居），能否在不牺牲性能的前提下降低计算成本？

主要发现

• 在N=64的NKq景观上，当q ≥ 8时，Scuba Search在高中的性条件下平均适应度优于HC和HC2，尽管评估次数更多。
• 在相同NKq设置下，Scuba Search在q=16时平均需3,962次评估，而HC仅需424次，HC2需12,374次，表明其评估成本更高但解质量更优。
• 在N=64的稀释TSP问题中，当L=10（低浓度，高中性）时，Scuba Search使用25.3×10⁶次评估，L=100（高浓度，低中性）时降至13.0×10⁶次，而HC在L=100时仅使用0.117×10⁶次评估。
• 在NKq和TSPn问题中，当中性程度足够时，Scuba Search在最终适应度上均优于HC和HC2，表明其在中性区域的有效性。
• Scuba Search的性能高度依赖于其在中性网络上优化可进化性的能力；当可进化性在中性网络中恒定时（如在Royal-Road景观中），该算法会失效。
• 尽管评估成本高于HC，Scuba Search更优的解质量表明，其更高的成本是值得的，因其能更充分探索中性网络并更有效地逃离局部最优。