2019 Fiscal Year Annual Research Report
Construction of a large scale optimization platform for searching for unkown solutions
| Project/Area Number |
17K00335
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
小野 功 東京工業大学, 情報理工学院, 准教授 (00304551)
|
|---|
| Project Period (FY) |
2017-04-01 – 2020-03-31
|
| Keywords | ブラックボックス最適化 / 大域的多峰性 / 関数最適化 / 進化計算 / 自然進化戦略 / 逐次状態推定問題 / 政策最適化 |
|---|
| Outline of Annual Research Achievements |
本研究課題の目的は，多峰性を有する大規模ブラックボックス最適化問題において良質な未知解の発見を可能とする高性能最適化基盤を構築することである．本年度の主な研究成果は以下の研究1～７のようにまとめられる．
研究１では，昨年度提案した非連結なUV関数を考慮した進化計算手法が，クラス１のUV関数において探索に失敗するという問題点を克服した手法を提案し，数値実験により有効性を確認した．研究２では，大域的多峰性景観において，複数の進化計算プロセスによる並行探索の枠組みおよび各進化計算プロセスの反復世代数を適応的に割り当てる手法を提案し，数値実験により有効性を確認した．研究３では，非明示制約付き多峰性関数最適化において，最適解が実行不可能領域付近に存在している場合に，自然進化戦略CR-FM-NESの探索性能が劣化する問題点に対処した手法を提案し，数値実験により有効性を確認した．研究４では，多峰性関数最適化において集団サイズの調整が不要な自然進化戦略を提案し，多峰性の度合いや次元が変わっても高い確率で最適解を発見できること，有力な既存手法であるリスタート戦略よりも効率よく最適解を発見できることを確認した．研究５では，昨年度提案した微分方程式系推定のための分布学習アルゴリズムを，ノイズおよび分数式を含む差分方程式を扱えるように拡張し，数値実験により有効性を確認した．研究６では，粒子フィルタと自然進化戦略による非線形状態空間モデルの状態とパラメータの逐次推定手法を提案し，数値実験により有効性を確認した．研究７では，多峰性の報酬空間を考慮した深層強化学習のための進化計算手法を提案し，数値実験により有効性を検証した．
上記の研究に加えて，多峰性景観の最適化の困難さを測る指標の検討，巡回セールスマン問題のためのエッジの多様性に着目した遺伝アルゴリズムの検討などを行った．
|
Research Products
(10 results)
