| 研究概要 |
これまで、有向グラフ構造のプログラムを自動生成する手法として、遺伝的ネットワークプログラミング（Genetic Network Programming, GNP）の研究を行ってきた。有向グラフ構造がもつノードの再利用機能や、状態遷移を応用し様々な問題に適用してきたが、実世界のより複雑な問題に対応するためには、多くの知識を効率よく表現できる構造としなければならない問題があった。したがって、本年度は可変型有向グラフ構造の最適化アルゴリズムに関する研究を推進し、様々な状況に対応できるプログラムの構築を行った。
実世界の問題を解決するためには、多様なルールを表現する必要があり、したがってある程度の大きさの構造が必要となる。しかし、大きな構造の問題点として、訓練データへの過剰適応、進化の過程での構造の大きな変化、構造の一部分のみが最適化され大部分が最適化されない、などがある。これを解決するために、分散型GNPの研究を行ってきた。具体的には、大きな構造を複数のグループ（サブプログラム）に分割し、各グループ間の接続関係を進化させる方式である。しかしながら、この方式は同ノード数のサブプログラムに分割するのみで、問題に応じたプログラムサイズの調整ができなかった。したがって、プログラムサイズ可変型アルゴリズムを提案し性能向上を図った。プログラム構造を表現する遺伝子の中に、所属するサブプログラム番号を記憶する場所を用意し、プログラム可変型進化を可能にする交叉および突然変異オペレータを導入した。提案手法をマルチエージェントのベンチマーク問題であるタイルワールドに応用し性能評価を行ったところ、様々な状況に対応できるプログラムが効率的に生成できることが分かり、サイズ固定型GNPを比較して適合度の点で優れていることが明らかになった。
|
