균일분포의 파레토 최적해 생성을 위한 다목적 최적화 진화 알고리즘
Evolutionary Multi-Objective Optimization Algorithms for Uniform Distributed Pareto Optimal Solutions
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
진화 알고리즘은 여러 개의 상충하는 목적을 갖는 다목적 최적화 문제를 해결하기에 적합한 방법이다. 특히, 파레토 지배관계에 기초하여 개체의 적합도를 평가하는 파레토 기반 진화알고리즘들은 그 성능에 있어서 비교적 우수한 평가를 받고 있다. 그러나 일반화된 다목적 최적화 진화알고리즘은 복잡한 문제들에서 찾아진 해들의 분포가 전체 파레토 경계면에 대하여 균일하지 못하고 특정 지역에서 집중적으로 해를 생성하는 문제점을 가지고 있다. 본 논문에서 우리는 이러한 문제점을 보완하기 위한 다목적 최적화 진화알고리즘을 제안한다. 제안한 알고리즘은 현재까지 찾아진 최적해들 중 특정 지역에 편중되지 않은 해를 우수 종자로 복제 연산에 참여시킨다. 따라서 특별한 지역탐색 기법을 사용하지 않아도 종자가 되는 개체 주위에 새로운 개체를 생성할 확률이 높기 때문에 지역탐색의 효과를 가질 수 있고, 비교적 고른 분포의 파레토 최적해를 생성할 수 있다. 5개의 테스트 함수에 대한 실험 결과, 제안한 알고리즘은 모든 문제에서 전체 파레토 경계면에 균일한 분포의 해들을 생성할 수 있었으며, 많은 지역해를 가지는 문제를 제외한 모든 문제에서 NSGA-Ⅱ보다 우수한 수렴 결과를 보였다.
Abstract
Evolutionary algorithms are well-suited for multi-objective optimization problems involving several, often conflicting objectives. Pareto-based evolutionary algorithms, in particular, have shown better performance than other multi-objective evolutionary algorithms in comparison. However, generalized evolutionary multi-objective optimization algorithms have a weak point, in which the distribution of solutions are not uniformly distributed onto pareto optimal front. In this paper, we propose an evolutionary algorithm for multi-objective optimization which uses seed individuals in order to overcome weakness of algorithms published. Seed individual means a solution which is not located in the crowded region on pareto front. And the idea of our algorithm uses seed individuals for reproducing individuals for next generation. Thus, proposed algorithm takes advantage of local searching effect because new individuals are produced near the seed individual with high probability, and is able to produce comparatively uniform distributed pareto optimal solutions. Simulation results on five testbed problems show that the proposed algorithm could produce uniform distributed solutions onto pareto optimal front, and is able to show better convergence compared to NSGA-Ⅱ on all testbed problems except multi-modal problem.
참고문헌 (13)
- Carlos A. Coello Coello, "An Updated Survey of GA-Based Multiobjective Optimization Techniques", 32(2), pp.109~143
- Frank Kursawe, "A Variant of evolution strategies for vector optimization", 496, pp.193~197 (1991)
- "Genetic Algorithms for Multiobjective Optimization：Formulation In Proceedings of the Fifth International Conference on Genetic Algorithms", pp.416~423 (1993), Carlos M. Fonseca and Peter J. Fleming
- Jeffrey Horn, "University of Illinois at Urbana-Champaign", illi(is) (1993)
- N. Srinivas, "Multiobjective Optimization Using Nondominated Sorting in Genetic Algorithms", 2, pp.3221~248 (1994)
- Samir Agrawal, "A Fast Elitist Non-Dominated Sorting Genetic Algorithm for Multi-Objective Optimization", pp.849~858
- Carlos A. Coello Coello, "Solving Multiobjective Optimization Problems using an Artificial Immune System" (2002), Technical Report EVOCINV-05-2002, Evolutionary Computation Group at CINVESTAV, Kluwer Academic
- J. D. Schaffer, "Multiple objective optimization with vector evaluated genetic algorithms", pp.93~100 (1985)
- Eckart Zitzler, "Multiobjective optimization using evolutionary algorithms - a Comparative study", pp.292~301 (1998)
- Jason R. Schott, "Fault Tolerant Design Using Single and Multicriteria Genetic Algorithm Optimization" (1995)
- Kalyanmoy Deb, "Multi-Objective Genetic Algorithms：Problem Difficulties and Construction of Test Problems", 7(3), pp.205~230 (1999)
- Eckart Zitzler,, "Comparison of Multiobjective Evolutionary Algorithms", 8(2), pp.173~195 (2000)
- 장수현, "유전자알고리즘에서의 실수처리 방법 비교", 5(2), pp.361~371 (1998)