2017 Fiscal Year Annual Research Report
Automated configuration of general-purpose optimization algorithms via machine learning techniques
| Project/Area Number |
26282085
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
梅谷 俊治 大阪大学, 情報科学研究科, 准教授 (80367820)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
河原 吉伸 大阪大学, 産業科学研究所, 准教授 (00514796)
|
|---|
| Project Period (FY) |
2014-04-01 – 2018-03-31
|
| Keywords | 組合せ最適化 / アルゴリズム |
|---|
| Outline of Annual Research Achievements |
組合せ最適化の専門知識を持たない利用者が，産業や学術の幅広い分野において日々新たに生じる現実問題を解決するには，これらの問題を整数計画問題などの汎用的な組合せ最適化問題に定式化し，その問題に対する高性能なアルゴリズムを開発することが望ましい．しかし，問題の汎用性が高まればアルゴリズムの性能向上に利用できる特徴的な構造が失われるため，汎用的な組合せ最適化問題に対して高性能なアルゴリズムを開発することは困難である．本研究では，実行時に個別の入力データからアルゴリズムの性能向上に役立つ構造を発見し，アルゴリズムの設定や構成を自動的に決定する手続きを提案することで，汎用的かつ高性能な組合せ最適化アルゴリズムを実現する．
本年度は，現実社会におけるいくつかの応用事例に対して組合せ最適化アルゴリズムを適用した．具体的には，商品推薦の最適化，観測データに基づく人の移動履歴の推定，混雑緩和を実現する経路推薦などが挙げられる．
特に，商品推薦の最適化では，誘導局所探索法の近傍探索を高速化により，30億変数におよぶ超巨大な問題例に対して現実的な計算時間で精度の高い解を求めることができた．誘導局所探索法は，各制約条件の違反度に対する重み係数を適応的に調整しながら，局所探索法を繰り返し実行することでより精度の高い解を探索するメタヒューリスティクスである．しかし，商品推薦の最適化では，問題例が大規模で局所探索法1回当たりの計算時間が長くなり，各制約条件の違反度に対する重み係数が十分に調整できないまま計算が終了していた．そこで，本研究では，局所探索法における改善解の探索を乱択化することで，局所探索法の計算効率を大幅に改善し，現実的な計算時間で精度の高い解を求めることに成功した．
|
| Research Progress Status |
29年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
29年度が最終年度であるため、記入しない。
|
| Causes of Carryover |
29年度が最終年度であるため、記入しない。
|
| Expenditure Plan for Carryover Budget |
29年度が最終年度であるため、記入しない。
|
Research Products
(6 results)
