Study of distributed evolutionary computation for interrelated multi-objective optimization problems

点击翻译按钮获取中文摘要

(1) 重みベクトルの分解に着目した手法を代表するMOEA/Dに関して、単一CPUにおける理想点の変化を観測することで、初期段階では急激な変化がある一方で、解探索の途中から緩やかな変化に切り替わる傾向があることを調査・分析した。この実験結果を基に、理想点の変化を観測しながら、重みベクトルの基準となる理想点の値を調整するための妥当な間隔を自律適応的に決定する方式の検討を行った。具体的には、探索過程での（世代数が異なる）幾つかの理想点の値を標本データとして、最小二乗法などの統計的最適化法を用いてcore間で理想点の値を補正するための移住間隔を決める方式の検討を行い評価実験を開始した。(2) また、より大規模な並列環境を想定して、基本的にcore毎に独立して理想点を推定する方式の検討を行った。具体的には、探索途中の非劣解集合の端（エッジ）の重みベクトルを全てのcoreで共有し、残りの重みベクトルは、各coreに（モジュロ演算などを用いて、できるだけ）均一に割り当てる並列分散方式を提案した。また、パレートフロントの広がりを維持する力を強めるために、子個体を生成するための遺伝子操作において、オリジナルのMOEA/DのようにT-近傍内のランダムに選択した2個体を親個体とするのではなく、一方の親個体は当該重みベクトルが保持している個体を用いることとした。本手法に関しては簡単な評価実験を開始して有効な実験結果を得たために、ACM/SIGEVO主催の国際会議GECCOのポスターセッションに投稿して採択された。(3) 今後、相互性を有する多目的問題の解法を考える際に、現在の遺伝的アルゴリズムよりも、群知能を基本とした進化型多目的最適化アルゴリズムの方がcore間の解探索精度の低下問題に有効となる可能性を考えて、群知能に関して精力的に研究を進めている中国の若手研究者と国際研究協力を開始した。