2016 Fiscal Year Research-status Report
分散／多様／事例ベース型進化知能方式とその適用性評価
| Project/Area Number |
15K00349
|
|---|
| Research Institution | Tokyo Denki University |
|---|
Principal Investigator |
鶴田 節夫 東京電機大学, 情報環境学部, 教授 (00366395)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
小橋 昌司 兵庫県立大学, 工学研究科, 准教授 (00332966)
八槇 博史 東京電機大学, 情報環境学部, 教授 (10322166)
櫻井 義尚 明治大学, 総合数理学部, 専任准教授 (30408653)
川辺 孝 東京電機大学, 情報環境学部, 教授 (40339081)
|
|---|
| Project Period (FY) |
2015-04-01 – 2018-03-31
|
| Keywords | 遺伝的アルゴリズム / 進化型知能化方式 / 機械学習 / 大局的最適化 / 多様性 / 事例ベース / 画像認識 / スケジューリング |
|---|
| Outline of Annual Research Achievements |
本研究課題の進化知能方式では、配送ルート最適化を目的にCBGA(CaseBased GenticAlgorith)を研究開発してきた。局所解法を統御する遺伝的アルゴリズムGAに事例（類似問題の優良解、前例）を融合して最適精度を上げるAI（人工知能）型の進化知能方式である。局所（的な）解法とはサポートベクターマシンSVM、ニューラルネットNN等の機械学習機や近似解法いわゆるヒューリスティクスである。27年度は、配送ルート最適化に適用し、有用性を確認した。また、太陽フレア(黒点)による放射能・磁気嵐の災害予測やひざ骨関節の識別などへの適用展開を行いながら、この方式をCBGALO(CBGA integrating Local Optimizer)に汎用化した。今回28年度はGAのリスタート概念を新規導入したCBRSGALO (CBReStartGALO) を提案した。
GAのリスタートは、指定世代分のGAの実行終了後、初期個体や局所解法を含むパラメータを再度設定し直して、新たなGAを再実行する。これにより、個体の多様性を確保し進化の停滞を防止する。特に、問題、局所解法、遺伝子配列（個体）、評価値などの情報からなる事例をレコードとするデータベースを事例ベースとして保存する。新しくGAをリスタートさせる時は、この事例ベースの中から適切な事例を人口（集団サイズ）分だけ選択する。選択された事例の遺伝子配列をGAの初期個体とする。こうして、分散多様化が柔軟・適切かつ広い探索範囲で可能となり、探索精度・効率が向上する。この効果の基礎的評価を医用・産業への複数の応用において行った。28年度前半にIT分野の査読付の一流国際会議であるIEEEのSMC2016等でその理論や評価結果をまとめた論文4件を発表し、28年度10月以降の研究成果をIEEEのSMC2017に2件、投稿した。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
核となる事例ベース型進化知能方式に対し、GAのリスタート を新規に追加したCBRSGALOと呼ぶ当初計画以上の技術を開発した。CBRSGALOをベースにすると、GAが終わっても保存される事例ベースの永続性が活用できる。当初計画の禁忌部分遺伝子列（タブー）や優良部分遺伝子列(スキーマ)の効率的な抽出・活用、島モデルと融合する自律分散GAを後回しにしても、これらの単なる統合など従来方式の顕著な凌駕が期待できる。災害予測や医工学等の複数対象に適用し、試行錯誤を重ねて理論を汎用化した結果と考える。
具体的に、多様な優良個体を初期個体としてGAをリスタートすると単なる機械学習と比べ最適化精度が2.8%向上(28.0%->30.8%)した。リスタートしない場合の2.4%と比べ15%以上精度が向上した。CBRSGALOの理論や評価結果は"SVM integrated case based restarting GA …“等の論文として、IEEEの査読付一流国際会議SMC2016 等に発表した。H28後半には画期的成果を確認した。医工学のひざ骨識別では、同一問題に対してではあるが、単なる機械学習と比べ30％(約30%->60%)の最適化精度の大幅な向上を得た。パラメータを変えてGAのリスタート回数を増やし、多様かつ高評価値の個体の多い事例ベースを作り、ここから、多様かつ優良な個体を初期個体として選択しリスタートした結果である。災害予測では、中規模のXフレアの場合、異なる問題に対してもSVMだけと比べ約25％(60%->85%)の大幅な最適化精度向上を得た。但し、ビッグデータ解析に時間がかかり、実験回数は少ない。これらはIEEEのSMC2017等に論文投稿中である。当初の応用の配送ルート最適化でも、28年度は、多数の標準TSPで比較し提案方式の（特に前例保存）性能の優位性を検証した。
|
| Strategy for Future Research Activity |
28年度は機械学習機など局所最適機と事例ベースをリスタート型GAで融合するCBRSGALOの基本構成法を提案・評価した。29年度以後は、その詳細化と効果の高精度評価・改良を行う。目標は欧米発のディープラーニング（深層ニューラルネット）など高度機械学習機の精度を大幅に凌ぐ“2045年のAI特異点”の日本発の基盤への貢献にある。
詳細化では、【１】GA終了時に保存する優良個体の事例に、使用した初期個体の情報(評価値列等)も含める。初期個体から優良個体への進化度合い等の関係を分析する。分析結果を反映させながらGAのリスタートを繰返す。こうしてCBRSGALOの性能限界を産業・医用等の複数の適用対象で評価する。【２】改良に向け分析結果をまとめ、初期解に使う事例群やGAのパラメータと進化度合いとの関係を求める。
以下、本課題では今年度にできる範囲に絞るが、【３】進化度合いの高い優良事例群の高効率検索法を探求する。【４】この優良事例群をオンライン検索してGAリスタートを自動化し、評価する。【５】 このオンライン検索能力向上のためのオフライン学習を研究する。つまり、事例ベースの永続性（GA内の個体とは異なりGAが終わっても消えない）を利用して、当初研究計画の禁忌部分遺伝子列（タブー構造）や優良部分遺伝子列(スキーマ構造)の抽出をオフラインで行う。詳細には、同一／類似の個体やその部分・構造をタブー構造、評価値の良い物はその要素を組合せて評価しスキーマ構造とする。前者の優先度を下げ、後者の優先度を上げ、GA(リ)スタート時の自動検索効率向上に向け、事例ベースの構造をオフライン学習的に保守・改良する。【６】CBRSGALOをベースに自律型の分散GA（島）モデルを開発する。以上、【７】本研究課題で考案・実現した方式を産業・医工学への適用検証結果も含め、最終年度の成果としてまとめ、発表する。
|
| Causes of Carryover |
本年度の予算は、下記の理由で執行できない部分が生じ、約20万円を次年度に持ち越した。
１）前年度の繰越が直接経費だけでも40万円近くあった。２) 米国で開催予定であった国際会議が疫病のための渡航注意などにより日本(姫路)で開催された。このため、旅費が比較的安くなった。
|
| Expenditure Plan for Carryover Budget |
次年度は実験用プログラムの作成などの人件費や多様分散進化実験用の計算機やその周辺機器やソフトウェアを含む情報システム関係の費用、特に最終年度の成果発表のための（比較的費用のかさむ国際）学会出張や論文出版の費用などに使う予定である。
|
Research Products
(6 results)
