|
遺伝的アルゴリズムを基本とする従来の最適化手法では、各世代の個体を1つの集団と捉えていたが、この方法では世代を重ねるごとに局所解に陥ってしまい評価値の上昇が抑えられる傾向にあった。そこで本研究では、1)島モデル遺伝的アルゴリズムを導入する、2)各サンプリングポイントの実験データの値にあわせようとする値評価に、タイムコースの形をあわせようとする形評価を加えた評価関数を導入する、の2点を検討した。その結果、島モデルGAを導入することで、目標精度の個体を得る確率(ヒット率)を上昇させることができた。島数が多い場合は、個体の多様性が保たれていて、最適化の大域探索が行われ、島数が少ない場合は、収束が速いが局所探索になるため、局所解に陥りやすいことが明らかになった。適切な島数を設定することで、単一集団よりも確実に目標精度の個体を見つけることができる。上記の2)については、サンプリング点での値評価と形評価を重み付き評価関数で表し、その値で評価した。その結果、目標精度を高くするほど、形評価の重みをあげることで、速く確実に目標精度の解を得ることができた。現在、並列クラスターマシーンを用いて、"Heterogeneous Parallel GA"を設計中である。あるcpuは探索範囲内を常に動き回って大域探索を行い、評価値の高い可能性のある範囲を次々に見つけ、その各々の絞られた範囲内では、島モデルGAを適用して、局所探索が行われるようにするものである。その際、これらの情報をコントロールする監視cpuも導入する。
|
