On establishing methods of acquiring knowledge for evolutionary computation

2021 Fiscal Year Research-status Report

• Project/Area Number: 18K11470
• Research Institution: Kyushu University
• Principal Investigator: 高木 英行 九州大学, 芸術工学研究院, 教授 (50274543)
• Project Period (FY): 2018-04-01 – 2023-03-31
• Keywords: 進化計算 / 知識獲得 / 花火アルゴリズム / 植物進化アルゴリズム / 大規模最適化 / 制約付き最適化

Outline of Annual Research Achievements

本研究では次の四つの取り組みを行う．(1) 進化計算アルゴリズム改善・新規開発に利用可能な知識の獲得，(2) 設計者に探索解の妥当性を説明できる知識の獲得，(3) 対話型進化計算ユーザの評価特性を説明する知識の獲得，(4) IECユーザ自身の評価特性を気づかせる知識の獲得．
令和3年度は，(1)の大規模最適化と強い制約付き最適化に焦点を当てて研究を行った．
1000次元のような大規模最適化を行うためには，変数間依存のある変数をグループ化して最適化を行うことで低次元での最適化に持ち込むことがミソになる．本研究では多少近似誤差を増えようとも，弱い変数間依存を無視したsparse近似を行うことでより少ない変数（より低次元）での最適化を行うようにする独自性1と，球面集中現象のために，高次元最適化では，各変数の探索範囲を極僅かに狭めることで全探索空間が極端に小さくなることを利用した探索戦略（独自性2）を提案し，その評価を行った．さらに，単純に1000次元のような高次元空間をsparse近似すると項の数が数千万にもなるため計算コストがかかる．この対策として以下の処理を行う．(1) 最初にある程度規模の変数グループ化を行う，(2) sparse近似で各変数グループを依存関係のある更に小変数グループ化を行う，(3) 小変数グループ間の依存関係を計算することで，上記(1)の依存関係を無視した低次元化の補いを行い，(4) 各変数グループの最適化を行って最適解を統合することで初めの1000次元空間の最適値とする．この成果を令和4年度に学術雑誌投稿する予定である．
強い制約条件付最適化では，色々な提案がこれまでにされてきたが，制約条件や探索状況に応じてそれらの探索性能が異なる．そこで，ファジィルールで状況毎の戦略を記述し，動的に制約付き最適化方法を切り替える独自提案を行い評価実験に入った．

Current Status of Research Progress

3: Progress in research has been slightly delayed.

Reason

年度末の定年退職に合わせて研究室を終了させるため，研究室学生を絞らざるを得ず，学生の研究協力者が前年度以前に比べて激減したため．

Strategy for Future Research Activity

再延長とした令和4年度は，進化計算による大規模最適化を完成させて学術雑誌に投稿することと，強い制約付き最適化を完成させることに主眼を置く．
また，別の科研に協力研究者として関わることになり，その応用問題を対象として，進化計算による治験獲得ができれば，本科研の成果として取り入れる．

Causes of Carryover

当初参加を計画していた国内外の会議が，新型コロナが2021年度も収まらず，すべてon-lineになったため大幅に使用計画に差額が生じた．