進化的多峰最適化は、人工知能と機械学習の下位分野であり、進化的アルゴリズムを適用して、与えられた最適化問題に対する複数の異なる解を1回の実行で見つけるものである。単一の最良解に収束する標準的な進化的最適化とは異なり、多峰最適化は、多様で高品質な解の集合を特定することを目指し、多くの場合、適合度ランドスケープの異なる局所最適解または大域的最適解に対応する。このアプローチは、複数の実行可能な設計や戦略が存在し、意思決定者が制約、好み、または変化する条件を考慮するための代替案を必要とする現実世界の工学的・科学的問題において価値がある。
進化的多峰最適化における中核的な課題は、アルゴリズムが1つのピークに早期収束しないように集団の多様性を維持することである。ニッチング、適合度共有、クラウディング、種分化などの手法が、探索空間の異なる領域を探索するように部分集団を促すために一般的に用いられる。これらの手法は、選択、置換、または適合度評価を変更して、過密を罰し、過小評価された領域の探索を報酬とする。
歴史的発展
進化的多峰最適化の基礎は、1970年代から1980年代にかけて、ジョン・ホランドとデビッド・ゴールドバーグによる遺伝的アルゴリズムの研究に遡る。ホランドの画期的な著書『自然および人工システムにおける適応』（1975年）は、適合度共有などのメカニズムを通じて多様性を維持する概念を導入した。ゴールドバーグとリチャードソン（1987年）は、集団内の類似個体の密度に基づいて個体の適合度を減らすことにより、集団を複数のピークに分散させる方法として適合度共有を形式化した。
1990年代には、カーネギーメロン大学やスタンフォードAIラボなどの機関の研究者が、新しい個体が類似する既存の個体を置き換えるクラウディング法や、遺伝的類似性に基づいて集団を種に分割する種分化技術の発展に貢献した。この分野は、2000年代に粒子群最適化や差分進化におけるニッチング法の導入によりさらに勢いを増した。
主要な手法
適合度共有
適合度共有は、個体の生の適合度を、探索空間内の特定の距離（ニッチ半径）内に存在する他の個体の数を測定するニッチ数で割ることにより修正する。これにより過密が抑制され、集団が複数の最適解に広がることが促進される。ニッチ半径は、最適解間の予想される間隔に基づいて設定する必要がある重要なパラメータである。
クラウディング
決定的クラウディングや確率的クラウディングなどのクラウディング法は、新しい子孫が他の集団メンバーよりも個体に類似している場合にのみ、その個体を新しい子孫と置き換える。これにより、新しい解が最も類似した対応物と競合することが保証され、探索空間の異なる領域が独自の部分集団を維持できるため、多様性が維持される。
種分化
種分化技術は、遺伝子型または表現型距離などの距離メトリクスに基づいて個体を種にグループ化する。各種は独立して進化し、繁殖と選択は種内で行われる。これにより、異なる種が互いに干渉することなく異なる最適解に収束できる。
クリアリングとクラスタリング
クリアリング法は、各ニッチに支配的な個体を割り当て、そのニッチ内の他のすべての個体の適合度をゼロにクリアし、新しい領域を探索するように強制する。クラスタリングアプローチは、k-meansなどの教師なし学習を使用して類似個体のグループを特定し、各クラスター内でニッチング圧力を適用する。
応用
進化的多峰最適化は、さまざまな領域で応用されている。工学的設計では、機械部品、電気回路、または空力形状の複数の実行可能な設計を特定するのに役立ち、エンジニアがコスト、製造可能性、または堅牢性などの追加基準を満たす解を選択できるようにする。機械学習では、複数の良好な構成が存在する可能性があるハイパーパラメータ調整やニューラルアーキテクチャ探索に使用される。
ロボティクスでは、多峰最適化により、異なる地形に対する複数の移動歩容や制御戦略の発見が可能になる。バイオインフォマティクスでは、複数のタンパク質コンフォメーションや遺伝子制御ネットワークモデルの特定に役立つ。このアプローチは、異なるリスク選好を満たす複数の最適な資産配分が存在する可能性があるポートフォリオ最適化のための金融でも使用される。
他の最適化パラダイムとの関係
進化的多峰最適化は、複雑なランドスケープを処理するための探索プロセスの構造化を含む点でカリキュラム学習と密接に関連しているが、それらの動作方法は異なる。また、集団内の多様性を維持することがトレーニングデータを拡張することに類似した探索の一形態と見なせるという点で、データ拡張とも交差する。
この分野は、進化的アルゴリズムをトレーニングとアーキテクチャ探索に使用することを通じてニューラルネットワークと結びつき、多峰アプローチが複数の実行可能なネットワーク設計を発見できる。また、複数の戦略のためのポリシーを進化させる際に強化学習にも関連する。
課題と将来の方向性
主要な課題は、距離メトリクスが意味を失い、最適解の数が指数関数的に増加する高次元問題へのニッチング法のスケーラビリティである。ニッチ半径や他の多様性維持パラメータの調整は、適合度ランドスケープに関する事前知識なしでは依然として困難である。
最近の研究では、実行中にパラメータを調整する適応的ニッチング法、進化的アルゴリズムと局所探索または深層学習モデルを組み合わせたハイブリッドアプローチ、および効率性のためのGPUでの並列実装を探求している。大規模言語モデルとの統合は新興分野であり、LLMが多様な初期集団の生成や適合度ランドスケープの分析を支援できる可能性がある。
将来の方向性には、多峰設定における収束保証のための理論的基盤の開発、動的およびノイズの多い環境への方法の適用、および現実世界の多峰問題を反映するベンチマークの作成が含まれる。この分野は、MIT CSAILやバークレーAIリサーチなどの機関の研究者からの貢献により進化し続けている。