연속 최적화를 위한 개선된 MAP-Elites 알고리즘

An Improved MAP-Elites Algorithm via Rotational Invariant Operator in Differential Evolution for Continuous Optimization

이 연구에서는 MAP-Elites 알고리즘의 연속 최적화 성능을 향상한 새로운 접근법을 제안한다. 기존의 자기 참조 MAP-Elites 알고리즘은 차분 진화 알고리즘의 “DE/rand/1/bin” 연산자를 사용했는데, 이 연산자는 회전 불변이 아니라서 각 변수 간의 상관관계가 높은 경우 성능이 감소하는 문제가 존재한다. 제안하는 알고리즘은 “DE/rand/1/bin” 연산자 대신에 “DE/current-to-rand/1” 연산자를 사용한다. 이 연산자는 회전 불변성을 가지므로 각 변수 간의 상관관계가 높은 분리 불가능 최적화 문제에서도 강건한 성능을 보장할 수 있다. 실험 결과, 제안하는 알고리즘이 비교 알고리즘들에 비해 높은 성능을 발휘함을 확인했다.

In this paper, we propose a new approach that enhances the continuous optimization performance of the MAP-Elites algorithm. The existing self-referencing MAP-Elites algorithm employed the “DE/rand/1/bin” operator from the differential evolution algorithm, which, due to its lack of rotational invariance, led to a degradation in optimization performance when there were high correlations among variables. The proposed algorithm replaces the “DE/rand/1/bin” operator with the “DE/current-to-rand/1” operator. This operator, possessing rotational invariance, ensures robust performance even in cases where there are high correlations among variables. Experimental results confirm that the proposed algorithm performs better than the comparison algorithms.