| 研究実績の概要 |
本研究の目的は離散最適化問題のモデルを推定し, そのモデルを離散事象システムに変換することで, モデル構造の抽出やモデル縮約を行って, 与えられた仕様を満たす妥当な最適化モデルを構築するための離散事象システム理論を用いたデータに基づく離散最適化技法を創成することである. 2020年度はデータに基づく離散最適化モデルの同定手法の開発を目的として, 以下の3項目に関する研究を実施した. (i)具体的には入出力データに基づく離散最適化問題の重み係数推定問題に関する一般的な手法の一つである機械学習手法と逆最適化手法を調査し，実用的な生産スケジューリング問題の目的関数の重み係数推定を試みた. (ii)得られた機械学習モデル, および逆最適化の大規模問題への適用方法として, 近似解を用いた重み係数推定手法や代理モデルを用いた効率的な計算手法を検討した. (iii) データに基づく新しい進化メカニズムを用いた群最適化手法を開発した. 得られた知見は以下である.
1. 生産スケジューリング問題の例題とその出力から目的関数の重み係数を推定するための手法として，機械学習モデルを用いた近似解法を用いた重み係数推定手法を開発した. 目的関数の種類として, 重み付き完了時刻和, 重み付き納期遅れ和, 重み付き遅れ仕事数, 最大納期遅れ和, 段取りコスト和の2つもしくは3つの目的関数の重み係数を近似解法を採用した場合でも精度良く推定可能であることを明らかにした.
2. 機械学習手法で用いる解候補を列挙するための近似解法やニューラルネットワークを用いて, 逆最適化アルゴリズムを効率良く計算するための計算手法を開発した. 実データ規模の目的関推定を行い, 提案手法の有効性を検証した.本研究で提案した手法では, 厳密解で得られる最適解の情報を用いることなく精度良く重み係数を推定可能であることを確認した.
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
挑戦的萌芽研究ということもあり, 独創性の高いテーマを設定していたが, 機械学習やAIの分野に進展もあり, 大きな研究進展が得られている. 論文投稿や成果発表も多く, おおむね研究は順調に進展している. 今後, スケジューリング問題だけではなく, 社会システムにおける意思決定問題へ提案手法を開発し, 研究をさらに進展させていく予定である.
|
