Core Concepts
自己調整型進化アルゴリズムは多峰性の景観では遅くなる。静的なパラメータ設定の方が効率的に局所最適解から抜け出すことができる。
Abstract
本論文では、自己調整型(1, λ)進化アルゴリズム(SA-(1, λ)-EA)の性能を、多峰性の問題ベンチマークであるdistorted OneMaxで分析している。
主な内容は以下の通り:
SA-(1, λ)-EAは、単峰性の問題では良好な性能を示すが、多峰性の問題では問題がある。
多峰性の問題では、自己調整メカニズムが逆効果となり、アルゴリズムの性能を低下させる。
静的なパラメータ設定の(1, λ)-EAの方が、多峰性の問題では効率的に局所最適解から抜け出すことができる。
理論的な解析と実験結果により、SA-(1, λ)-EAの性能が Ω(n ln n/p)であることを示した。一方、静的な(1, λ)-EAは O(n ln n)の性能を示す。
つまり、自己調整メカニズンは単峰性の問題では有効だが、多峰性の問題では逆効果となり、静的なパラメータ設定の方が優れた性能を発揮する。
Stats
自己調整型(1, λ)進化アルゴリズムは、distorted OneMaxで Ω(n ln n/p)の実行時間を要する。
静的な(1, λ)進化アルゴリズムは、distorted OneMaxで O(n ln n)の実行時間を要する。
Quotes
"自己調整メカニズンは単峰性の問題では有効だが、多峰性の問題では逆効果となり、静的なパラメータ設定の方が優れた性能を発揮する。"
"SA-(1, λ)-EAの性能が Ω(n ln n/p)であることを示した。一方、静的な(1, λ)-EAは O(n ln n)の性能を示す。"