[论文解读] Selection of training populations (and other subset selection problems) with an accelerated genetic algorithm (STPGA: An R-package for selection of training populations with a genetic algorithm)

Deniz Akdemir|arXiv (Cornell University)|Feb 26, 2017

Genetic and phenotypic traits in livestock参考文献 50被引用 3

一句话总结

本论文介绍了STPGA，一个R包，实现了加速遗传算法（LA-GA-T），用于高维数据中的最优子集选择，尤其适用于基因组预测中的训练群体选择。该方法结合了禁忌记忆和基于适应度的前瞻启发式策略，以提升收敛性并避免陷入局部最优，展现出在变量选择、影响观测点检测以及混合整数二次规划等多种应用中的优异性能。

ABSTRACT

Optimal subset selection is an important task that has numerous algorithms designed for it and has many application areas. STPGA contains a special genetic algorithm supplemented with a tabu memory property (that keeps track of previously tried solutions and their fitness for a number of iterations), and with a regression of the fitness of the solutions on their coding that is used to form the ideal estimated solution (look ahead property) to search for solutions of generic optimal subset selection problems. I have initially developed the programs for the specific problem of selecting training populations for genomic prediction or association problems, therefore I give discussion of the theory behind optimal design of experiments to explain the default optimization criteria in STPGA, and illustrate the use of the programs in this endeavor. Nevertheless, I have picked a few other areas of application: supervised and unsupervised variable selection based on kernel alignment, supervised variable selection with design criteria, influential observation identification for regression, solving mixed integer quadratic optimization problems, balancing gains and inbreeding in a breeding population. Some of these illustrations pertain new statistical approaches.

研究动机与目标

• 为解决高维数据中最优子集选择的挑战，特别是基因组预测中的训练群体设计问题。
• 开发一种可扩展、可并行化的算法，其在计算效率和解质量方面优于传统启发式与精确方法。
• 提供一个灵活、可扩展的子集选择框架，适用于基因组学之外的应用，包括变量选择、影响观测点检测以及混合整数二次规划。
• 通过用户友好的R接口，使研究人员能够使用可自定义的目标函数高效选择信息丰富的子集。

提出的方法

• LA-GA-T算法将遗传算法与禁忌记忆相结合，以追踪并避免重复评估先前已评估的解及其适应度值。
• 通过在解编码上建立适应度回归模型，预测理想解，从而实现一种‘前瞻’策略，引导搜索朝向高质量区域。
• 该算法采用自适应突变和精英保留策略，以维持多样性与收敛性，并支持对种群规模、突变概率和停止标准等参数的配置。
• 通过'mc.cores'参数支持并行执行，利用多核架构加速计算。
• 该方法设计为可扩展，允许用户通过'errorstat'参数定义自定义目标函数。
• 其完全基于R实现，确保了可访问性与易于定制，同时支持与现有R工作流的集成。

实验结果

研究问题

• RQ1 结合禁忌记忆与前瞻启发式策略的改进遗传算法，是否能在求解最优子集选择问题时优于标准启发式与精确方法？
• RQ2 LA-GA-T算法在高维标记数据中选择训练群体以最大化基因组预测准确性的效果如何？
• RQ3 STPGA包在其他子集选择问题（如变量选择、影响观测点检测、混合整数二次规划）中的通用性程度如何？
• RQ4 并行化对LA-GA-T算法在大规模基因组与统计问题上的性能与可扩展性有何影响？
• RQ5 该算法能否通过选择最小化系数不稳定性的子集，可靠地识别回归中的影响观测点？

主要发现

• LA-GA-T算法成功识别出回归模型中六个被操纵的观测点（5、30、55、80、105、130）为最具影响力的点，表现为当从144个样本的子集中排除这些点时，准则值出现显著上升。
• 该算法在检测影响观测点方面表现出稳健性，n=144时的解包含了全部六个被操纵的点，证实了该方法对高杠杆情况的敏感性。
• 当并行效率仅提高1%时，使用256个处理器可实现高达3.5倍的加速，凸显了该算法强大的并行可扩展性。
• 该方法在多次运行中均实现了稳定的收敛，最佳准则值在迭代过程中变化极小，表明其性能可靠。
• 该包成功解决了多种问题，包括监督与非监督变量选择、近交平衡的育种群体设计以及混合整数二次规划。
• 通过使用用户自定义的目标函数，实现了对新型统计准则的灵活适配，将该工具的应用范围扩展至默认的基因组选择度量之外。