多目的最適化は過去20年間において重要な研究分野となっており、複数の目標を同時に最適化する問題に対応するための進化的最適化アルゴリズムが数多く開発されてきました。しかし、この分野ではいまだに2つの根本的な問題が十分に検討されていません。第一に、目的関数の数が従来の多目的領域である約15を超え、数十から数百という大規模な範囲に達するとどのような現象が起こるのか、第二に、目的関数間の相互作用の性質といった問題特性がアルゴリズムの性能にどのような影響を及ぼすのかという点です。 本研究では、問題特性を制御でき、極めて高い目的数にスケーリング可能な診断用ベンチマークスイートを採用して、これらの問題に答えることを試みています。このフレームワークを使用して、NSGA-II、NSGA-III、MOEA/Dおよびlexicase selectionを含む複数の最先端進化的アルゴリズムを、様々な次元数と診断問題ランドスケープにわたって評価しました。 実験結果は、問題特性がアルゴリズムの性能に大きな影響を与えることを明らかにしました。特に、目的関数間の相互作用の性質が重要であることが示されています。これらの知見は、特定の問題に対してアルゴリズムを選択する際に、こうした問題特性を事前に理解することの重要性を強調しています。 さらに注目すべき点として、遺伝的プログラミングのために設計されたlexicase selectionが、事前定義された参照方向への依存を避けながら、最先端の多目的最適化アルゴリズムと同等かそれ以上の性能を発揮することが示されました。この結果は、大規模な目的関数を持つ問題解決におけるlexicase selectionの有効性を示唆しています。