|
本研究の目的は，進化的アルゴリズムを対象として，目的関数の形状タイプ推定によりアルゴリズムパラメータを自動調整する方法，近似モデルを用いた関数評価回数の削減方法，制約付き問題を解くε制約法の改良について研究を推進し，効率的で汎用的な制約付き最適化アルゴリズムを開発することである。
本年度の研究内容と主な成果は次の通りである。
①目的関数の形状タイプ推定：単峰性と多峰性を分類する方法として提案した近傍グラフに基づく形状推定法の汎用性を調べるために，本手法をDifferential Evolution (DE) に加えて，Particle Swarm Optimization (PSO) にも導入し，単峰性景観ではgbestモデル，多峰性景観ではlbestモデルに動的に切り換える方法を提案し，その有効性を示した。
②アルゴリズムパラメータの自動調整：近傍グラフに基づく形状推定法では，全ての隣接点より関数値の小さい谷点と全ての隣接点より関数値の大きい山点を認識していたが，形状タイプの判定には谷数が１かどうかという情報のみを使用していた。これに対して，谷点と山点の情報をさらに有効に活用するために，谷点に対しては局所探索を行うパラメータを選択し，山点に対しては大域探索を行うパラメータを選択するという方法を提案した。本手法をDEとPSOに適用し，その汎用性と有効性を示した。
③制約付き最適化の効率化：低精度近似モデルを用いて関数評価回数を削減する比較推定法では，目的関数の近似を行うことにより評価回数を削減してきたが，制約逸脱度についても近似モデルを用いるために，探索点集合における実行可能解の割合が低いときは制約逸脱度を近似し，割合が高いときは目的関数を近似するという方法により，従来よりも関数評価回数が削減できることを示した。
|
