|
本研究は、大規模問題に対応できる効率的かつ汎用的な最適化アルゴリズムを開発するために、低精度近似モデルを用いて有望でない解の評価を省略することにより、目的関数の評価回数を削減し、探索効率を大幅に向上させることを目指している。このため、(1)基本となる効率的な集団的降下法の選定および改良、(2)学習が不要あるいは学習コストが極めて小さい低精度の近似モデルの提案、(3)近似誤差に配慮し、有望な解の排除を防ぐための方法の提案、(4)制約付き最適化問題への対応、(5)急激な変化を伴う問題および多峰性問題への対応、を中心に研究を推進している。
|
