技術的概要：カオス的景観デコーディング進化（CLDE）による適応度景観のマッピング

1. 問題定義

多峰性最適化問題（MMOP）では、アルゴリズムは単一の最適解に収束するのではなく、決定空間において構造的に異なる高品質な解の多様な集合を発見し、維持する必要があります。これは単一目的（SOMMOP）および多目的（MOMMOP）の両方のシナリオに適用されます。

本論文で特定された核心的な課題は、決定空間と目的空間の間の情報ギャップです。従来のニッチングに基づく進化アルゴリズムは、しばしば個体レベルの距離や密度推定子に依存しています。選択圧が目的値によって駆動されるため、これらの手法は決定空間の背後にあるトポロジーに対して「盲目」になり得ます。その結果、構造的に異なる解が目的空間では冗長に見え、疑似多峰性を招きます。すなわち、多くの異なる個体が少数の支配的な盆地に収束する一方で、他の有望だが小さな盆地は探索不足のまま残ります。既存の手法は、安定した決定空間領域を特定し、どの領域により多くの探索努力を配分すべきかを定量化する明示的なメカニズムを欠いていることが多くあります。

2. 手法：カオス的景観デコーディング進化（CLDE）

著者は、多峰性探索を決定空間領域における閉ループプロセスに変換する、領域中心のフレームワークであるCLDEを提案します。このフレームワークは、3 つの相乗的なモジュールを通じて動作します。

A. 盆地網羅的探索のためのカオス進化

局所精緻化と大域探索の間のトレードオフに対処するため、CLDE は有界で非周期的なカオス駆動子を採用します。

• メカニズム: ロジスティックカオスマップ（$Z_{t+1} = \mu Z_t(1-Z_t)$、ただし $\mu=4$）を用いて、符号付き摂動因子を生成します。
• 適応的ステップサイズ: これらの因子は、減衰するステップサイズ（$\eta_t$）で適用され、初期段階では山越えなどの長距離ジャンプを可能にし、後期段階では制御された精緻化を可能にします。
• 目的: 厳格な評価予算の下での盆地間遷移を改善し、早期の集中を防ぎます。

B. 持続性ガイド型盆地デコーディング

個体を孤立して扱うのではなく、CLDE はサンプリングされた点からオンラインで盆地構造を再構築します。

• グラフ構築: デコーディングキャンバス（現在の個体群＋候補）上で $k$ 近傍（$k$NN）グラフを構築します。
• 盆地成長: ノードは、スカラー「高さ」（単一目的の場合は負の目的値、多目的の場合はランク・クラウディングスカラー）の降順で処理されます。ノードは、処理済みの最も高い隣接ノードの盆地に接続されます。
• マージ規則: 持続性ガイド型の規則は、分離が動的閾値 $\tau(t)$ 未満の場合にのみ盆地をマージします。これにより、深い谷によって隔てられた明確なピークを保持しつつ、偽の浅いモードをフィルタリングします。
• 適応的解像度: 閾値 $\tau(t)$ は、デコードされた盆地数（$K(t)$）を目標数（$K_{tar}$）に対してオンラインで更新されます。盆地が多すぎる場合、$\tau$ を増加させて一時的な構造をマージし、少なすぎる場合、$\tau$ を減少させてより細かい分離を保持します。

C. 顕著性ガイド型予算配分

盆地がデコードされると、CLDE は限られた評価予算を非均等に配分します。

• 顕著性スコアリング: 各盆地には、2 つの構造的代理変数に基づく顕著性スコアが割り当てられます。深さ/持続性（盆地内での高さの対比）とサポート（盆地内の個体数）です。
• 配分: リソースはこれらのスコアに比例して分配され、支配的な盆地が精緻化を受けつつ、有望な少数の盆地が剪定されないようにします。最小クォータ（$Q_{min}$）により、デコードされたすべての盆地が何らかの注意を受けることが保証されます。

D. 統合進化ループ

このフレームワークは、単一目的と多目的最適化を統合します。探索・デコーディング・配分のバックボーンは同一ですが、生存選択は異なります。

• SOMMOP: 各盆地内での貪欲なエリート選択。
• MOMMOP: 盆地候補の和集合に適用される、大域的非支配ソートとクラウディング距離選択。

3. 主要な貢献

本論文は、以下の具体的な貢献を主張しています。

1. 領域中心フレームワーク: CLDE は決定空間の盆地におけるループを閉じ、決定空間の構造と目的空間の選択の間のギャップを埋めます。
2. 持続性ガイド型発見: 近傍グラフから安定した盆地をデコードする手法であり、高密度なオフラインサンプリングを必要とせずに偽のモードを効果的に抑制します。
3. 適応的予算配分: 構造的多様性を維持しつつ、情報豊富な領域に評価を集中させる顕著性ガイド型のメカニズム。
4. 制御された探索: ロジスティックカオス摂動と適応的ステップサイズの統合により、制御された盆地間探索と盆地内精緻化を可能にします。

4. 実験結果

著者は CLDE をCLDE-S（単一目的）およびCLDE-M（多目的）として実装し、標準的なベンチマークで評価しました。

単一目的（SOMMOP）

• ベンチマーク: 20 個の CEC2013 関数。
• 指標: ピーク比率（PR）。
• 性能: CLDE-S は、最先端のアルゴリズム（ANDE、MM-DE、NEA2、NMMSO、dADE）と比較して、最高の平均 PR（0.862）を達成しました。低次元で構造的に明確な景観（F1–F6、F10）では、完全な PR（1.0）を達成しました。
• 統計的有意性: ウィルコクソンの符号付き順位和検定により、CLDE-S の改善がすべての競合他社に対して統計的に有意（$p < 0.05$）であることが確認されました。
• アブレーション: 構造的項を除去すると性能低下が最も大きくなり、構造認識型選択の重要な役割が浮き彫りになりました。

多目的（MOMMOP）

• ベンチマーク: スケーラビリティのための DTLZ1–DTLZ6 と、明示的な多峰性のための MMMOP1–MMMOP6。
• 指標: 目的空間に対する逆世代距離（IGD）と、決定空間カバレッジに対する $IGD_x$。
• 性能:
  • DTLZにおいて、CLDE-M は非常に競争力があり、特に荒れた問題（DTLZ1、DTLZ3、DTLZ6）において、盆地メカニズムが局所的なパレート分枝への収束を防ぐのに役立つことを示唆しています。
  • MMMOPにおいて、CLDE-M は 6 問題中 5 つで最低の IGD を達成し、MMMOP1、MMMOP3、MMMOP6 で最低の $IGD_x$ を達成しました。
• 有意性: 結果は、CLDE-M が目的空間の収束（低い IGD）を犠牲にすることなく、複数の決定空間パレートファミリー（低い $IGD_x$）を維持できることを示しています。これは、良い IGD を示すが $IGD_x$ が悪いベースラインがしばしば見逃しているバランスです。
• 効率性: 実行時間分析により、決定空間の利益は大幅な計算オーバーヘッドの犠牲によって達成されたものではないことが示されました。

5. 意義と主張

本論文は、多峰性最適化におけるモード収束の「根本原因」である、決定空間領域を特定し評価するための明示的なメカニズムの欠如に対する解決策として CLDE を位置づけています。

• 構造的認識: ピーク–盆地の組織を明示的にデコードすることで、CLDE は、異なる個体が少数の盆地に収束する「疑似多峰性」を回避します。
• ロバスト性: 適応的持続性閾値により、アルゴリズムは手動調整なしで、さまざまなレベルの景観の複雑さやサンプリング密度に対処できます。
• 統合アプローチ: このフレームワークは、単一目的および多目的多峰性最適化を単一の構造的パラダイム下で成功裡に統合し、両者にとって決定空間構造のデコーディングが有益であることを証明しています。

著者は、CLDE が解の質と構造的カバレッジのバランスを取る原理的な方法を提供し、標準的なベンチマークおよび複雑で強く多峰性な問題の両方で強力な性能を示すと結論付けています。