| Project/Area Number |
23K22983
|
|---|
| Project/Area Number (Other) |
22H01714 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 25010:Social systems engineering-related
|
|---|
| Research Institution | Okayama University |
|---|
Principal Investigator |
西 竜志 岡山大学, 環境生命自然科学学域, 教授 (10335581)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
劉 子昂 岡山大学, 環境生命自然科学学域, 助教 (30908166)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥17,160,000 (Direct Cost: ¥13,200,000、Indirect Cost: ¥3,960,000)
Fiscal Year 2025: ¥3,380,000 (Direct Cost: ¥2,600,000、Indirect Cost: ¥780,000)
Fiscal Year 2024: ¥4,420,000 (Direct Cost: ¥3,400,000、Indirect Cost: ¥1,020,000)
Fiscal Year 2023: ¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2022: ¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
|
|---|
| Keywords | スマートサプライチェーン / データ駆動リアルタイム最適化 / マルチエージェントシステム / 動的モデル構成基盤 / サイバーフィジカルシステム / データ駆動最適化 |
|---|
| Outline of Research at the Start |
データ駆動サプライチェーンの最適化基盤構築を行う. 従来構築したサプライチェ ーンの動的モデル構成基盤を活用し, マルチエージェントシミュレーションから得られる履歴データに基づいて, 目的関数推定や最適化モデルを逆最適化は機械学習手法により構築し, 近似最適化モデルを用いた数理計画法・進化型最適化法により, 最適化速度の従来の100～1000倍程度の高速化実現する方法論を確立する．研究室内で仮想スマート工場実験装置を構成し, 静的・動的データ駆動ロバスト最適化を実行することにより, 不確実性に対する適用可能性を検証する.
|
| Outline of Annual Research Achievements |
2022年度は以下の3つのサブテーマに関する研究を実施した.
１．履歴データからモデル分類・推定し, 精度の良い代理モデルの構成論の開発を行った. 候補となる代理最適化モデルを複数用意しておき, 履歴データから特徴量選択や逆最適化を実行することにより, 履歴データから高精度な代理最適化モデルを構成する方法論を構築した．具体的にはサプライチェーンの最適化問題に対して，汎用代理モデルとデータを利用した学習により, 精度を高めた機械学習モデルによる代理モデルを構成し, 最適化問題における決定変数から目的関数値を高精度に推定する代理モデルを構成した.
２．代理モデルを高精度化するための機械学習手法を検討した. 機械学習や逆最適化などを用いて, 推定結果と出力データの誤差が規定値以内となる代理最適化モデルを得るための方法論を開発した.
３. 疑似最適化モデルを効率良く最適化するためのオフライン最適化手法，および機械学習と最適化の融合手法による最適化手法を開発した. 深層学習を用いた離散最適化技法(Deep Learning Assisted Tree Search)や代理モデル（サロゲートモデル）を利用した最適化により, 大規模最適化問題に対する疑似最適化手法を開発した．機械学習による推定データを用いて最適化手法の反復を削減する．最適化計算の高速化により, オフライン最適化のプロトタイプシステムを実装した.
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
動的モデル構成基盤を利用したサプライチェーンシミュレーションによるデータを取得し，機械学習モデルを用いて決定変数から目的関数値を精度良く推定するための手法を開発し，これを利用したデータ駆動最適化のプロトタイプシステムの開発に成功した. 数値実験により, 従来のシミュレーション最適化に比べて大幅な計算時間短縮が可能であることを明らかにした. 以上により, 本年度の研究はおおむね順調に進展している.
|
| Strategy for Future Research Activity |
動的モデル構成基盤を利用したサプライチェーンシミュレーションによりデータを取得し，機械学習モデルにより，決定変数から精度の高い目的関数値の推定値を得ることが可能であることを確認した. データ駆動最適化のプロトタイプシステムを構築し，従来のシミュレーションに比べて大幅な計算時間短縮が可能であることを明らかにした.
|
