MSC-CMA-ES、CMA-ES の再起動戦略を最適化するクラスタリング手法を提案──組成関数で BIPOP-CMA-ES 比 2.7 倍のターゲットカバー率を達成
過去の評価情報を再利用しない従来型の再起動戦略を刷新し、Sobol サンプリングと最近傍クラスタリングで探索空間を構造化することで、複雑な組成関数での最適化効率を大幅に引き上げた。
リリース: 2026-06-14 · 読了 5 分記事の要約
1. 核心（What）
- CMA-ES の再起動戦略を改善する「Multi-Start Clustering CMA-ES (MSC-CMA-ES)」を提案。
- CEC2014, 2017, 2020, 2022 ベンチマークにて、5〜30 次元で BIPOP-CMA-ES および 5 種類の差分進化アルゴリズムと性能を比較。
- 組成関数（composition functions）において、BIPOP-CMA-ES と比較して 2.7 倍のターゲットカバー率を記録。
- 基本関数（basic functions）では中央値誤差で最小値を達成したが、ランドスケープ探索に予算を割くため深部ターゲットのカバー率は低下する傾向を確認。
2. 影響（Why）
- 最適化アルゴリズムの選択基準: 従来の BIPOP-CMA-ES は探索履歴を再利用せず、再起動ごとに一様ランダムなシードを行うため、複雑な地形を持つ関数では無駄な計算が発生していた。本手法は地形を構造的に把握することで、組成関数のような難易度の高い問題に対する解の到達効率を変える。
- 国内エンジニアへの影響: 製造業や物流系の最適化タスクで、ブラックボックス関数のハイパーパラメータ調整や複雑な制約付き最適化を扱う中規模開発チームは、従来の CMA-ES からの置き換えを検討すべき。特に計算予算が限られた状況下で、組成関数のような多峰性問題への適用が有効になる。
3. 根拠・詳細（How）
- 構造化再起動メカニズム: Sobol プリサンプリング結果を最近傍クラスタリングにより「引力盆地（basins of attraction）」へ分割し、各盆地にローカルなステップサイズと個体群サイズを割り当てて再起動を行う仕組みを採用。
- ベンチマーク検証環境: CEC2014〜2022 の 4 つのスイート、次元数 5〜30、関数ごとに 51 回の試行を実施。比較対象として BIPOP-CMA-ES、ARRDE、jSO、j2020、NL-SHADE-RSP、LSRTDE を使用し、固定予算内でのターゲット到達率を計測。
4. 展望・課題（Next）
- ハイブリッド関数での課題: ハイブリッド関数においては依然として差分進化アルゴリズムが優位であり、CMA ファミリー全体の構造的な弱点として残存。今後の研究では再起動戦略だけでなく、アルゴリズム本体の改良が必要。