| Budget Amount *help |
¥2,200,000 (Direct Cost: ¥2,200,000)
Fiscal Year 2015: ¥1,000,000 (Direct Cost: ¥1,000,000)
Fiscal Year 2014: ¥1,200,000 (Direct Cost: ¥1,200,000)
|
|---|
| Outline of Annual Research Achievements |
本研究の目的は, 進化アルゴリズムにおける制御パラメータの効率的な設定方法の開発と応用である. 前年度から引き続き, 本年度においても関数最適化問題に対する進化アルゴリズムの中でも最も強力な手法の1つである適応的Differential Evolution (DE) の解析に取り組んできた. 主な研究成果は以下のようにまとめられる:
(1) 異なる最大評価回数におけるDEアルゴリズムのパラメータ設定の調査
本研究では異なる最大評価回数に対するDEの適切なパラメータ設定を, 自動パラメータチューナーを用いて解析した. その結果, (i) 最大評価回数の設定ごとに適切なパラメータ設定は大きく異なること, (ii) 自動チューナーにより得られたパラメータ設定は, 訓練環境とテスト環境での最大評価回数の設定が異なる場合は不適切となることがわかった. 本研究にて得られたこれらの知見は, 今後DEを含む進化アルゴリズムを解の評価に時間がかかる問題に適用する際に有益である. さらに, 本研究で得られた知見を, 実問題である油槽シミュレータのパラメータ最適化問題へ応用した.
(2) 適応DEの適応メカニズムの解析
前年度において開発した, SHADEに決定的集団数減少法を導入したL-SHADEは, IEEE CEC 2014にて開催された関数最適化に対する近似手法のコンペティションにて優勝するなど, 既存手法と比べ良好な性能が報告されている. しかし, そのパラメータ適応手法に関する知見は乏しい. そこで, SHADEを含む5つの適応DEのパラメータ適応手法を (i) ベンチマーク問題集における性能評価, (ii) 本研究にて提案する新たなシミュレーション法により解析した. その結果から, SHADEが優れた性能を示す理由が明らかになった. 得られた知見は, 今後のパラメータ適応手法開発に有益である.
|
