PowerPoint プレゼンテーション

環境分散遺伝的アルゴリズムの
多目的最適化問題への適用
Multi-Objective Genetic Algorithms with Distributed Environment Scheme
同志社大学工学部
廣安知之
同志社大学工学部
三木光範
同志社大学大学院
○ 上浦二郎
研究背景(GAを用いた多目的最適化)

パレート的アプローチ
 Ranking. Goldberg(1989)
 Multi-Objective GA (MOGA). Fonseca (1993)
 Niched Pareto GA (NPGA). Horn, Nafploitis,Goldberg (1994)
 Non-dominated sorting GA (NSGA). Srinivas and Deb (1994)
 Strength Pareto Evolutionary Algorithms (SPEA). Zitzelr (1998)
 Distributed Range MOGA (DRMOGA). Hiroyasu (2000)

非パレート的アプローチ
 Vector Evaluated GA (VEGA). Schaffer (1985)
 VEGA+Pareto optimum individuals. Tamaki(1995)

単一目的化アプローチ
 Multi-Objective Genetic Local Search (MOGLS).
Murata, Ishibuchi, Tanaka (2001)
単一目的化アプローチによる多目的最適化

重みパラメータによって多目的最適化を単一目的化
 各目的関数に重みパラメータωを設定
 重みと目的関数の加重和 →
単一の目的関数

重みの変化
→ 複数のパレート解
単一目的化アプローチの並列化

評価を分散することによる並列化

セルラーモデルによる並列化(Murata,Ishibuchi,and Matsuo 2001)

島モデルによる並列化
分散遺伝的アルゴリズム

分散遺伝的アルゴリズム(分散GA) (Tanese 1989)
 GAの並列化モデル
 母集団を複数のサブ母集団(島)に分割 → 島モデル
 各島内で独立して遺伝的操作
 移住(移住率,移住間隔)
母集団
各島で独立して遺伝的操作
母集団を複数の島に分割
移住
環境分散遺伝的アルゴリズム

環境分散遺伝的アルゴリズム(環境分散GA)(Miki 2000)
 母集団を複数の島に分割
 各島内で独立して遺伝的操作
 島ごとに異なったパラメータを設定
母集団
 パラメータ設定の煩雑性の緩和
移住
母集団の分割
島
島ごとに異なるパラメータを設定
提案手法


環境分散スキームを用いた多目的遺伝的アルゴリズム
 Multi-Objective Genetic Algorithms with
Distributed Environment Scheme ( MOGADES )
特徴

各島に異なった重みパラメータ(重み分散)

類似した重み付けを持つ島間で移住(近傍移住)

目的関数間のスケールの違いにより重みを変化(重み変
化)

エリート個体とパレート解候補個体群を保存
(エリート+パレート保存)
MOGADESの流れ

MOGADESの流れ
・初期個体の発生
・各島に異なった重みを与えて
母集団を分割(重み分散)
・類似した重み付けを持つ
島間で移住(近傍移住)
・目的関数間のスケールの違い
により重みを変化(重み変化)
分散
移住
MOGADESの流れ(続き:各島内)

MOGADESの流れ
 各島は単一目的の最適化
– 適合度値の高い個体(エリート)を保存
 全体は多目的の最適化
– パレート解候補個体群を保存

保存したエリート個体,パレート解候補個体
群と交叉・突然変異によって生成された個体
群の
合計の個体群から次世代の個体群を選択
(エリート+パレート保存)
パレート解候補個体群
エリート個体(群)
MOGADESの特徴

各島に異なった重みパラメータ(重み分散)

類似した重み付けを持つ島間で移住(近傍移住)

目的関数間のスケールの違いにより重みを変化(重み変化)

エリート個体とパレート解候補個体群を保存(エリート+パレート
保存)
重み分散



目的
 一度の試行で広範囲に渡るパレート解を探索する
方法
 2目的のとき
→ 任意の島数に関して均等に重み分散可能
 3目的以上
→ 均等に重み分散可能な島数が限定される
例
 3目的のとき
4分割=10通り
5分割=15通り
近傍移住



目的
 類似性の高い島と移住を行うことによる効率的な探索
方法
 ある目的関数について島をソートし,隣接する2島に移住
 両端に位置する島からは隣接する1島に移住
 3目的以上
→ 移住ごとにソートの基準となる目的関数を変化
例
 3目的,10島のとき
重み変化



目的
 スケールの大きい目的関数に探索が偏ることを防ぐ
方法
 各目的関数に対する重みが1の島の最上位の個体がもつ
各関数値から目的関数のスケール比を求める
 スケール比を用いて各島の重みを変化
例
 2目的,目的1(F1)が目的2(F2)の100倍のスケールを持
つ
A :F1の重みが1の島のエリート
B :F2の重みが1の島のエリート
| F2(A) – F2(B) |
| F1(A) – F1(B) |
~ 1/100
= γ=
ωF1new = γ・ω
F1base
ωF2new = ωF2base
エリート+パレート保存


目的
 局所探索と大域探索の効率化
方法
 各島はそれぞれが独立したエリート個体とパレート解候補個体
群を
探索個体群とは別に保存
 保存したエリート個体,パレート解候補個体群,交叉・突然変
異によって生成された個体群から次世代の個体群を選択
・・・
パレート解候補個体群
島1
島2
島3
エリート個体(群)
有効性の検証



概要
 4種類の数値実験により提案手法の特徴が有効であることを示
す
対象問題
 多目的0/1Knapsack問題
– アイテムセットは E.Zitzler (1999)を使用
– 750items 2目的
– 750items 3目的
– 750items 2目的,F1を100倍に評価
パラメータ
 個体数:110(2目的),660(3目的)
 島数:11(2目的),66(3目的)→ 重みは11分割
 終了条件:解の評価が一定回数を越えた場合
実験1



概要
 重み分散を行うことによる探索への影響を調べる
 全島の重みを同一に設定して複数回試行を行った場合と
重み分散して1回試行を行った場合の性能を比較する
対象問題
 750items 2目的
パラメータ
 全島の重みを同一に設定
個体数 :110
島数
:11
評価回数:100000 × 11試行
= 1100000
 重み分散
個体数 :110
島数
:11(重みは11分割)
評価計算:1100000×1試行
= 1100000
実験1 結果

重み分散は有効である
実験2



概要
 近傍移住を行うことによる解探索への影響を調べる
 移住先をランダムに選ぶ場合と
近傍移住を行った場合の性能を比較する
対象問題
 750items 3目的
パラメータ
 移住先をランダムに選ぶ
個体数 :660
島数
:66(重みは11分割)
評価回数:1000000
 近傍移住
個体数 :660
島数
:66(重みは11分割)
評価計算:1000000
実験2 結果

近傍移住は有効である
近傍移住(MOGADES)
ランダム
実験3



概要
 重み変化を行うことによる解探索への影響を調べる
 重みが変化しない場合と
移住時に重み変化を行う場合の性能を比較する
対象問題
 750items 2目的 (Knapsack1の価値を100倍に評価)
パラメータ
 重みが変化しない場合
個体数 :110
島数
:11(重みは11分割)
評価回数:1100000
 重み変化
個体数 :110
島数
:11(重みは11分割)
評価計算:1100000
実験3 結果

重み変化は有効である
実験4



概要
 パレート解候補個体を保存することによる解探索への影響
を
調べる
 パレート解候補個体を保存しない場合と
パレート解候補個体を保存する場合の性能を比較する
対象問題
 750items 3目的
パラメータ
 パレート解候補個体を保存しない場合
個体数 :660
島数
:66 (重みは11分割)
評価回数:2000000
 パレート解候補個体を保存する場合
個体数 :660
島数
:66 (重みは11分割)
評価計算:2000000
実験4 結果

パレート解候補個体を保存することは有効である
保存する(MOGADES)
保存しない
結論

各島に異なった重み付けを行いパレート解の探索を行う
MOGADESを提案した

MOGADESの特徴が有効である
 各島に異なった重みパラメータを与える
 重み付けの類似する島との間で移住を行う
 目的関数間のスケールの違いにより重みを変化させる
 パレート解候補個体を保存する
MOGADESは多目的最適化問題の
解法として有効である