2019 Fiscal Year Research-status Report
離散事象システム理論によるデータに基づく離散最適化モデルの自動生成
| Project/Area Number |
17K18951
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
西 竜志 大阪大学, 基礎工学研究科, 准教授 (10335581)
|
|---|
| Project Period (FY) |
2017-06-30 – 2021-03-31
|
| Keywords | 離散最適化 / スケジューリング / モデル同定 / 機械学習 / 逆最適化 / ニューラルネットワーク / 重み係数推定 / 代理モデル |
|---|
| Outline of Annual Research Achievements |
本研究の目的はデータから離散最適化問題のモデルを推定し, そのモデルを離散事象システムに変換することで, モデル解析を行って, 与えられた仕様を満たす妥当な最適化モデルを構築するための離散事象システム理論を用いたデータに基づく離散最適化技法を創成することである. 2018年度に引き続き, 2019年度はデータに基づく離散最適化モデルの同定手法の開発を目的として, 最適化結果から逆最適化アルゴリズムを用いて目的関数の重み係数を推定する手法を開発した. 得られた知見は以下である.
1. 多目的生産スケジューリング問題とその最適解から目的関数の判定するための手法として，機械学習モデルおよび逆最適化を用いた推定手法を開発した. それぞれの手法を用いることで重み付き完了時間和と段取りコストの重み係数を精度良く推定可能であることを明らかにした.
2. 機械学習に用いる特徴量として，完了時刻のばらつきを機械学習モデルに組む込むことによって, より高い精度で精度程度の推定結果が得られることを確認した.
3. 逆最適化アルゴリズムにおいて, 計算時間を短縮するために, 離散最適化モデルの入出力データからニューラルネットワークを用いて順最適化モデルの代理モデルを構築することにより, 逆最適化アルゴリズムの計算量を大幅に削減しながらも, 精度良い推定結果が得られることを確認した.
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
2019年度ではデータから最適化モデルの目的関数判別, すなわち分類のみが可能であった．しかしながら, 本年度は機械学習モデル, および逆最適化アルゴリズムを用いて多数の入出力データから目的関数における重み係数の値を約90%以上の精度で推定することを可能とするモデル同定手法の開発に成功していることから, 提案手法は分類問題だけでなく, 定量化問題に対しても適用可能であるという成果が示唆されたことから，当初の計画以上に進展している.
|
| Strategy for Future Research Activity |
本年度はブラックボックスモデルを用いて目的関数値判定を行う手法を開発したが，より説明性の高いモデル化を行うためには，離散事象システム理論やモデル検証などの方法論との融合が期待される. また, ２つの目的関数に対する同定だけでなく，多目的関数の同定や重み係数の同定など，データに基づく離散最適化モデル同定手法のさらなる研究の進展が求められる.
|
| Causes of Carryover |
2019年度に、データに基づく最適化手法を生産スケジューリング問題, 複数ロボットの衝突回避制御問題に対して適用するとともに、国際会議で研究成果を発表する予定であったが、最適化手法と機械学習モデルの融合により、さらなる 精度の向上が期待できることが判明したため、計画を変更し、機械学習アルゴリズムの追加実験と国際学会での発表を2020年度に行うことし、未使用額はその経費に充てることとした。
|
