二値分類機械学習モデルを用いる高コスト最適化問題に対する進化的アルゴリズム
Project/Area Number |
21K17826
|
Research Category |
Grant-in-Aid for Early-Career Scientists
|
Allocation Type | Multi-year Fund |
Review Section |
Basic Section 61040:Soft computing-related
|
Research Institution | Tokyo Metropolitan University |
Principal Investigator |
原田 智広 東京都立大学, システムデザイン研究科, 助教 (40755518)
|
Project Period (FY) |
2021-04-01 – 2024-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2023: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
Fiscal Year 2022: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2021: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
Keywords | 進化計算 / 機械学習 / 最適化 / サロゲート |
Outline of Research at the Start |
本研究では,進化的アルゴリズム(EA)に機械学習による最適化対象の特徴学習を組み込み,学習結果に基づく探索により計算時間を削減する方法を提案する.EAが解の優劣に基づいて最適化する点に着目し,EAの探索過程で生成される2つの解の優劣を判定する二値分類モデルを導入する.さらに,二値分類モデルの学習が不十分な領域を積極的に学習することで,判定精度を向上させる機構を考案する.提案手法の有効性を検証するために,実世界の工学設計最適化を対象に従来のEAと比較する計算機実験を行い,従来EAと比較して少ない探索回数で最適解を獲得できることを確認する.
|
Outline of Annual Research Achievements |
本研究では,最適化手法の一つである進化的アルゴリズム(EA)に2つの解の優劣を判定する二値分類型のサロゲート(代理評価)モデルを組み込み,最適化に要する計算時間を削減する手法の確立を目的とする.この目的達成に向け,2022年度は2021年度に提案したEAのための新しい二値分類型サロゲートモデルであるExtreme Learning Machine-based DirectRanker (ELDR)を,実世界の最適化問題であるハイブリッドロケットエンジン (Hybrid Rocket Engine: HRE)設計問題に適用した.HRE設計問題は制約付き単目的最適化問題として定式化され,解の評価にシミュレーションを必要とするため評価コストの高い問題である.これに対し,ELDRによる解の優劣推定を導入することで,既存の解よりも劣ると推定される解の評価(シミュレーション)をせずに棄却する方法を導入することで,評価値の改善が見込める解にのみコストの高い評価シミュレーションを実行でき,高効率化を実現できる.ELDRを制約付き最適化問題の解法の一つである差分進化と組み合わせた手法を用い,ELDRを用いない差分進化と比較する実験の結果,ELDRを用いることで従来よりも少ない評価回数で良好なHRE設計を実現できることを示した.このことから,提案手法の実世界の最適化問題に対する適用可能性を示すことができた.本研究成果をまとめた研究発表に対し,FSS優秀発表賞を受賞した.
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
当初計画では,2年度目に制約付き最適化問題に対して有益な二値類型サロゲートモデルの応用をサブテーマとして設定した.この計画に対し,2022年度は2021年度に提案した二値分類型サロゲートモデルであるELDRを援用した進化計算を実世界の制約付き最適化問題に適用し,その有効性を示した.これらの研究成果により,当初予定していたサブテーマを達成したため,本研究課題は概ね順調に進展しているといえる.
|
Strategy for Future Research Activity |
今後の研究としては,申請書に記載された計画をすすめることを基本とする.具体的には,3年度目の研究では,当初計画した「分類モデルの識別精度を向上させる学習データの質向上のための解探索法」の確立に向け,ELDRで目的関数値が優れると判定される解の探索だけでなく,ELDRの推定が不十分な領域への探索を併用する進化計算法を探求する.具体的には,目的関数値の優れる解のみを探索するこれまでの手法では早期に局所解に収束する可能性があるのに対し,分類モデルの推定が不十分な領域を意図的に探索することでモデルの推定精度を向上し,局所解に陥らずに大域的な最適解を探索可能にする.上記の計画に加え,2年度目に実施したハイブリッドロケットエンジン設計問題を用いた実応用可能性の検証にも取り組む予定である.さらに,現在の研究では,提案手法は目的関数が一つの単目的最適化問題のみを対象としているが,実世界の最適化問題が相反する2つ以上の目的関数を持つ多目的最適化問題であることを考慮し,3年度目には複数の目的関数を同時に考慮する多目的最適化問題を対象とした手法への拡張に取り組む.
|
Report
(2 results)
Research Products
(8 results)