2005 Fiscal Year Annual Research Report
遺伝的ネットワークプログラミングの学習と進化およびその応用に関する研究
| Project/Area Number |
17360186
|
|---|
| Research Institution | Waseda University |
|---|
Principal Investigator |
平澤 宏太郎 早稲田大学, 大学院・情報生産システム研究科, 教授 (70253474)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
古月 敬之 早稲田大学, 大学院・情報生産システム研究科, 助教授 (50294905)
江口 徹 早稲田大学, 理工学術院, 助手 (10386724)
|
|---|
| Keywords | 学習 / 進化 / 遺伝的アルゴリズム / 機能局在 / 共生 / ニューラルネットワーク |
|---|
| Research Abstract |
「1」学習と進化と融合した遺伝的ネットワークプログラミング(GNP)
これまで提案したGNPの特徴は、判定ノートおよび処理ノードを用いた有向グラフ構造、ノードの再利用機能、暗黙的メモリ機能であり、これらによって、GNPは非常にコンパクトなプログラミングを実現できる。一方、強化学習はエージェントが環境を直接働きかけ、その行動に対する報酬を得るという家庭の中でその行動ルールを学習していく、試行錯誤的な方式である。GNPに強化学習のメカニズムを導入した新しい学習進化論的計算手法を考案した。
a)最適なノード遷移の選択を行う学習進化型GNP
b)最適なノード内容の選択を行う学習進化型GNP
「2」GNPによるエレベータ群管理システム
これまでエレベータ群管理システムに導入されたAI技術としては、遺伝的アルゴリズム(GA)、ニューラルネットワーク、ファジイロジックがあげられる。本研究では、GNPによるエレベータ群管理システムの構築に関して、その適用可能性と基本特性の検討を行い、ランキング処理とノード関数最適化を導入したGNPによるエレベータ群管理システムを考案した。計算機シミュレーションによりその有効性を明らかにした。
「3」GNPによるデータマイニング
GNPを用いた興味深い相関ルールの抽出法を提案した。従来の手法と異なって提案法では、相関ルールの指標はGNPの構造的な特徴を利用して算出される。ルール抽出は世代継続的におこなわれるため抽出された相関ルールはライブラリに蓄積される。抽出された相関ルールに関する情報は、抽出を継続中のGNPの個体評価および進化操作時に用いられる。シミュレーションにより、提案法が興味深い相関ルールの抽出を効率的に行うことを明らかにした。
|
