전역 루프 업데이트를 갖는 다목적 진화 알고리즘
📝 원문 정보
- Title: A mullti- or many- objective evolutionary algorithm with global loop update
- ArXiv ID: 1803.06282
- 발행일: 2018-03-19
- 저자: Yingyu Zhang, Bing Zeng, Yuanzhen Li and Junqing Li
📝 초록 (Abstract)
다목적이나 다수 목적 진화 알고리즘(MOEAs)은 특히 분해 기반의 MOEAs가 최근 몇 년 동안 광범위하게 주목을 받고 있다. 분해 기반의 MOEAs는 간단한 모델에서 수렴성과 다양성을 강조하며, 이론적이고 실용적인 다목적이나 다수 목적 최적화 문제를 해결하는 데 큰 성공을 거두었다. 본 논문에서는 분해 기반의 MOEAs의 업데이트 전략과 솔루션 비교 기준에 초점을 맞추고 있다. 이 논문은 분해 기반 MOEAs의 현지 업데이트 전략 및 몇 가지 존재하는 솔루션 비교 기준의 세 가지 단점을 분석하고 검토한다. 또한 전역 루프 업데이트 전략과 두 가지 하이브리드 기준을 제안한다. 그 결과, 전역 루프 업데이트를 사용한 진화 알고리즘이 구현되며, 15개의 목적까지 가능한 두 유명한 제약 없는 테스트 스위트에서 몇 가지 최고의 다목적이나 다수 목적 최적화 알고리즘과 비교된다. 실험 결과는 현지 업데이트 전략을 사용하는 진화 알고리즘과 달리, 본 논문의 알고리즘은 진화 과정 중 어느 시점에서도 개체군이 퇴화하지 않으며, 이는 결과 개체군의 다양성을 보장한다. 또한, 본 논문의 알고리즘은 두 가지 테스트 스위트의 대부분 인스턴스에서 우세를 나타내어 수렴성과 다양성 측면에서 매우 경쟁력이 있음을 보여준다. 솔루션 비교 기준을 바탕으로 하는 본 논문의 알고리즘 실행 결과도 비교되었으며, 그 차이는 매우 상당하며 이는 본 논문의 알고리즘이 사용하는 기준에 따라 성능이 영향을 받음을 나타낸다.💡 논문 핵심 해설 (Deep Analysis)
This paper delves into the world of multi-objective evolutionary algorithms (MOEAs), particularly focusing on decomposition-based MOEAs. The authors highlight that while these algorithms have been successful in dealing with both theoretical and practical multi-objective optimization problems, they often suffer from drawbacks related to local update strategies and solution comparison criteria. To address this issue, the researchers propose a global loop update strategy along with two hybrid criteria for evaluating solutions.The core of their approach involves replacing traditional local updates with a more comprehensive global loop update mechanism that ensures better convergence and diversity across generations. This method is designed to avoid the pitfalls associated with local strategies, such as premature convergence and loss of genetic diversity within populations.
Experimental results demonstrate that this new algorithm outperforms several existing MOEAs when tested on well-known unconstrained benchmark problems, showcasing improved performance in both convergence and diversity metrics. The paper also highlights how different comparison criteria can significantly impact the outcomes, suggesting a flexible framework for future research and practical applications.
This work is significant as it not only advances the field of evolutionary algorithms but also provides a robust solution to handle complex multi-objective optimization challenges encountered across various industries and scientific domains.