Transcript 並列分散GAのiSIGHTへの実装 - 知的システムデザイン研究室

研究資料（2001年03月23日）
並列分散GAのiSIGHTへの実装
同志社大学大学院 知的システムデザイン研究室
廣安 知之， 吉田 純一
分散遺伝的アルゴリズム
単一母集団GA
並列分散GA
特徴： 母集団を複数のサブ母集団に分割
一定世代ごとに移住（パラメータ：移住率・移住間隔）
並列実装が容易．高い並列化効率
良好な解をより速く求めることが可能
Intelligent Systems Design Lab. Doshisha University
分散GAにおける解の成長
Subpopulation B
各サブ母集団では部分解を探索
Subpopulation A
Native
Immigrant
crossover
各サブ母集団で成長した部分解
を交叉によって組み合わせる
Hybrid
Optimal solution
ハイブリッド個体が重要な役割
を果たす
Intelligent Systems Design Lab. Doshisha University
単一母集団GAと並列分散GAの比較
SGA - 400個体
早熟収束によって最適解は
得られない
PDGA - 50個体 8サブ母集団
・各サブ母集団では局所探索
・移住によって多様性を保つ
高速に高品質な解が得られる
計算量自体が減少
Intelligent Systems Design Lab. Doshisha University
GENEsYsとの性能比較（Rastrigin関数）
GENEsYsとの比較 (Population size 400)
0.000E+00
-2.000E+00
-4.000E+00
-6.000E+00
GENEsYs
mikilab_DGA
-8.000E+00
mikilab_SGA
-1.000E+01
0
100000
200000
300000
400000
500000
Intelligent Systems Design Lab. Doshisha University
GENEsYsにおけるパラメータ設定
iSIGHTに実装されたGENEsYsの設定項目※
Basic Parameters
→設定が比較的容易．ユーザによる試行錯誤が可能なレベル
母集団サイズ（Population Size）
最大評価計算回数（Max Number of Evaluation）
Advanced Parameters →設定が困難．GAに関する専門的な知識が要求される
交叉率（Crossover Rate）
突然変異率（Mutation Rate）
ジェネレーションギャップ（Generation Gap Size）
Max value for ranking
Small Creep Seeding，Small Creep % Variance，Small Creep Probability
Large Creep Seeding，Large Creep % Variance，Large Creep Probability
Boundary Seeding %，Boundary Probability
パラメータの設定の簡略化が必要
理想はパラメータフリー
※送付していただいた画像をもとにリストを作成した
Intelligent Systems Design Lab. Doshisha University
分散GAのパラメータとその解決策
基本パラメータ
母集団サイズ
最大評価計算回数
交叉率
交叉法◆
突然変異率
→ 設定が比較的容易．ユーザによる試行錯誤が可能
→ 並列分散GAでは交叉率は 1.0 が最適
→
環境分散スキーム
：複数のパラメータを同時に用いることによって
設定を簡略化
突然変異法◆
分散GAに固有のパラメータ
移住間隔◆
移住率◆
→
プール型移住スキーム
：移住をプール部との間に限定することで
移住パラメータによる環境分散が可能．
非同期の移住が可能．
Intelligent Systems Design Lab. Doshisha University
環境分散スキーム
特徴
サブ母集団ごとに異なるパラメータ値を
設定
→パラメータチューニングが軽減
→分散GAと同等以上の性能
分散させる環境
交叉率と突然変異率※
ペナルティーパラメータ
個体数
etc ・・・
様々な環境によって独自の領域を探索→多様性の維持
パラメータチューニングなしでも分散GAと同等以上の性能
※“A Parallel Genetic Algorithm with Distributed Environment Scheme”， Proceedings of the International Conference on Parallel and Distributed Processing Techniques and Applications,(2000))
Intelligent Systems Design Lab. Doshisha University
環境分散スキームの性能
対象問題
制約条件を与えたSphere関数（８設計変数）
ペナルティーパラメータ値を分散
実験結果（最適解発見率）
1.0
Succe ss rate
0.8
0.6
S P G A _20
S P G A _160
0.4
D G A _160
DEGA
0.2
|
0.0
0.0
10
-2
10
-1
10
0
10
1
10
2
10
3
10
4
DE
Penalty param eter
Intelligent Systems Design Lab. Doshisha University
プール型移住スキーム
特徴
プール部
移住個体はプール部にプール
サブ母集団同士で移住するのではなく
プール部と移住操作を行う
非同期に移住が可能．
移住をプール部との間に限定
→ 移住パラメータを各サブ母集団ごとに設定可能
（ランダム化も可能）
Intelligent Systems Design Lab. Doshisha University
プール型移住スキームの性能
対象問題 Rastrigin 関数（５変数）
Total number of function call
実験結果（移住率＝0.2のとき）
350000
DGA
Pooled DGA
300000
250000
200000
150000
100000
50000
0 1
2
3
4
5
6
7
8
9
10
Migration Interval
Intelligent Systems Design Lab. Doshisha University
まとめと今後の課題
分散GAは単一母集団のGAと比較して高い性能を示す
GENEsYsには設定すべきパラメータが多い
パラメータ設定の軽減が重要課題
環境分散スキーム，非同期移住スキームによってパラメータの
設定を軽減することが可能
環境分散スキーム，非同期移住スキームは分散GAと同等以上
の性能を示す
今後はより実問題に近いテスト関数でその有効性を検証
Intelligent Systems Design Lab. Doshisha University
GENEsYsとの性能比較（Griewank関数）
Intelligent Systems Design Lab. Doshisha University