| 研究課題/領域番号 |
16K01269
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 研究分野 |
社会システム工学・安全システム
|
|---|
| 研究機関 | 関西大学 |
|---|
研究代表者 |
尹 禮分 関西大学, 環境都市工学部, 教授 (10325326)
|
|---|
| 研究期間 (年度) |
2016-04-01 – 2020-03-31
|
| 研究課題ステータス |
完了 (2019年度)
|
| 配分額 *注記 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2018年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2017年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2016年度: 2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
|
|---|
| キーワード | 逐次近似最適化 / 機械学習 / モデル予測 / メター学習 / meta-learning / RBF neural networks / hyper-parameter / 多目的モデル予測制御 / サポートベクターマシン / モデル予測制御 / 多目的最適化 / ニューラルネットワーク / 遺伝的アルゴリズム / メタモデル / 計算知能 / 工学設計 / 多目的逐次近似最適化 |
|---|
| 研究成果の概要 |
逐次近似最適化では、本来の目的関数の代わりに代用の近似関数が用いられる。いくつかのサンプル点に基づいて構築される近似関数の生成には、RBFネットワークやSVMなどの機械学習が有効である。得られた近似関数の精度は、使用される基底関数やカーネル関数によって変わり，それらの関数における内部パラメータの設定が重要になる。より精度の高い近似関数を生成することを目指し、SVMやRBFネットワークにおける最適な内部パラメーターの決定法、すなわちメタ学習法の提案を行った。さらに、ダイナミックな多目的モデル予測制御問題へ拡張するとともに、工学設計問題を通じて様々な角度から提案手法の有効性を検証した。
|
| 研究成果の学術的意義や社会的意義 |
計算知能や多目的最適化法に関し、そのものを対象とした研究はすでに多く存在する。しかし、基礎的研究にとどまることが多く、実際の応用という観点からの検討が不十分であるか、逆に理論的な根拠は希薄であるが、これまでの経験に基づく方法による試行錯誤的な研究も多いというのが現状である。さらに、GAやPSOの進化的アルゴリズムを用いたパレート解の生成法に関する研究は活発であるが、既存の方法では多くの計算回数を要する。これらのことを総合的に踏まえたうえで、多角な観点から、理論のみならず実問題へ適用性も考慮した成果であり、学術的にも実用的にも有意義であると考える。
|
