| 研究概要 |
本年度は,第2年度として,すでに提案した最適化手法である「α制約遺伝的アルゴリズム(αGA)」の継続研究および「遺伝的退化アルゴリズム(GA^d)」の改良を行った。さらに,GA^dの多目的最適化問題への適用を行った。
1.GA^dの改良:GA^dはGAに遺伝子損傷の概念を導入し,退化の発現により,不要なモデルパラメータを削除し,モデルの最適化を図る最適化手法である。しかし,適切な退化速度は問題により異なり,退化速度の選択は,試行錯誤的に決定していた。本年度は,退化速度の自動調整法を提案し,これにより改良されたGA^dにより,RBF(Radial Based Function)ファジィルールの構造学習を行い,既存の方法と比較することにより,本手法の有効性を示した。
2.GA^dの多目的最適化問題への適用:ファジィルール教師付き学習の場合,単純な構造と,推定誤差が小さい高精度のルール構造の獲得を目指す。これに対する最適化手法として「GA^d」を提案したが,「GA^d」を用いる際に,目的関数として情報量基準を用いると,単純なルール構造は獲得できるが,早い世代にパラメータが削除されすぎて,推定誤差が大きい精度の低いルールが得られる傾向がある。一方,推定誤差を最適化すると,高精度のルールは得られるが,構造が複雑になる傾向にある。そこで,ファジィルール構造学習問題を,情報量基準と推定誤差を同時に最適化する多目的最適化問題として定式化し,GA^dの適用を行った。さらに,RBFファジィルール構造学習に対して,その有効性を示した。
3.αGAに関する研究:昨年度のαGAに関する研究では,交叉としてSPX,突然変異として境界突然変異とガウス突然変異を用いた。本年度は,交叉としてBLX-α,突然変異として先の2つに加えて一様突然変異を加えて,その有効性の検証を行った。
|
