1 / 52

分散遺伝的アルゴリズムを用いた組合せ最適化問題の解法

分散遺伝的アルゴリズムを用いた組合せ最適化問題の解法. ○水田 伯典(同志社大学大学院) 三木 光範(同志社大学工学部) 廣安 知之(同志社大学工学部). ・. ・. ・. 遺伝的アルゴリズム ( GA). 遺伝的アルゴリズム ( GA). 高い解探索能力 - 実装が容易. 反復計算のため計算負荷が高い. 処理の並列化. 島モデルの分散 GA( DGA ). 遺伝的操作. 移住. 分散 GA(DGA) の操作. 母集団を複数のサブ母集団に分割. 母集団を複数のサブ母集団に分割. 母集団を複数のサブ母集団に分割. 各サブ母集団ごとに遺伝的操作を行う.

havily
Download Presentation

分散遺伝的アルゴリズムを用いた組合せ最適化問題の解法

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 分散遺伝的アルゴリズムを用いた組合せ最適化問題の解法分散遺伝的アルゴリズムを用いた組合せ最適化問題の解法 ○水田 伯典(同志社大学大学院) 三木 光範(同志社大学工学部) 廣安 知之(同志社大学工学部)

  2. ・ ・ ・ 遺伝的アルゴリズム(GA) 遺伝的アルゴリズム(GA) • 高い解探索能力 • - 実装が容易 反復計算のため計算負荷が高い 処理の並列化 島モデルの分散GA(DGA)

  3. 遺伝的操作 移住 分散GA(DGA)の操作 母集団を複数のサブ母集団に分割 母集団を複数のサブ母集団に分割 母集団を複数のサブ母集団に分割 各サブ母集団ごとに遺伝的操作を行う 各サブ母集団ごとに遺伝的操作を行う 各サブ母集団ごとに遺伝的操作を行う 一定期間ごとに異なるサブ母集団間で移住を行う 一定期間ごとに異なるサブ母集団間で移住を行う

  4. 研究背景と目的 DGAは単一母集団GA(SPGA)と比較して 連続最適化問題‥‥高品質の解が得られる 組合せ最適化問題‥性能は明らかではない 巡回セールスマン問題(TSP)における DGAの性能を検証 DGAの性能を向上させる新手法の提案

  5. パラメータ SPGAとDGAを比較 母集団サイズ 400 サブ母集団数 4, 16 交叉法 枝交換交叉(EXX) 交叉率 0.8 突然変異 2-change法 突然変異率 1/ L(染色体長) 移住間隔 10世代 移住率 0.5 対象問題 51都市問題(eil51)

  6. 親 １ 子 １ 枝交換 子 ２ EXX 親 ２ 枝交換交叉(EXX) 2つの親の持つ枝のうち1つを交換する交叉法

  7. その他の交叉法 EXX以外の交叉法 ・ Partially Mapped Crossover (PMX) [Goldberg 85] ・ Cycle Crossover (CX) [Oliver 87] ・ サブツアー交換交叉 (SXX)[山村 92] ・ 枝組み立て交叉 (EAX) [永田 97]

  8. パラメータ SPGAとDGAを比較 母集団サイズ 400 サブ母集団数 4, 16 交叉法 枝交換交叉(EXX) 交叉率 0.8 突然変異 2-change法 突然変異率 1/ L 移住間隔 10世代 移住率 0.5 対象問題 51都市問題(eil51)

  9. ・ ・ ・ SPGAとDGAの比較結果 SPGAとDGAの比較 DGAの性能が高い SPGA, DGAともに 最適解とはやや差がある 結果は30試行の平均値

  10. TSPでのDGAの問題点 ・ 探索後半に解が改善されにくい 母集団全体の個体の差がなくなっている 交叉法の枝交換が機能しにくい GAで厳密な最適解を得ることは困難 突然変異を用いて解を改善できないか

  11. 最適解と局所解の比較 最適解: 距離428.8 局所解: 距離429.8

  12. 突然変異1回 距離が長くなる 突然変異2回 距離が短くなる 431.1 429.5 突然変異の効果 局所解 429.8 突然変異によって最適解が得られる可能性は低い

  13. 10ヶ所以上異なる 枝を突然変異により 作ることは困難 最適解と局所解の比較 TSPにおいては突然変異によって 局所解からの脱出を行うことが困難 黒: 共通部分　赤: 最適解青: 局所解

  14. TSPでのDGAの問題点 ・ 探索後半に解が改善されにくい ・ 突然変異では局所解から脱出が困難　　(選択によって淘汰される) 良好な結果を得ることは容易ではない

  15. 局所解を利用する 局所解に存在する， 部分解の要素の組み合わせにより最適解を得る 新手法の提案 DGAの問題点 探索の後半に局所解に陥り脱出が困難 部分解の要素の組み合わせ

  16. 提案手法の概念 枝をうまく組み合わせると最適解を得られる DGAの結果得られた巡回路 最適解

  17. 集中的に交叉のみを行う 新手法の提案 DGAの問題点 探索の後半に局所解に陥り脱出不可能 局所解を利用する 局所解に存在する， 部分解の要素の組み合わせにより最適解を得る 集中多段交叉 (Centralized Multiple Crossover: CMX)

  18. 個体を集める 個体生成 連続交叉 個体を分割 iDGA DGA 提案手法の流れ 初期化

  19. 初期化 個体集める 個体生成 連続交叉 個体を分割 iDGA DGA ・ ・ ・ 提案手法の流れ(1) 母集団の個体を初期化 　ランダム個体の生成 部分解の要素の生成 2-opt法を用いて局所解を生成

  20. 初期化 母集団 9個体 個体集める エリート個体を集める 個体生成 連続交叉 個体を分割 iDGA DGA 交叉島 (交叉のみを行う島) 提案手法の流れ(2) CMXに適用する個体を集める 3個体

  21. 初期化 個体集める 個体生成 連続交叉 9個体 個体を分割 交叉 iDGA DGA 親個体を残す 交叉島 提案手法の流れ(3) 連続交叉に用いる個体を生成する 交叉をおこなって個体数を増やす ・・・ 交叉島の個体数＝母集団の個体数 3個体 交叉島

  22. 初期化 個体集める 個体生成 連続交叉 個体を分割 連続交叉 iDGA DGA 提案手法の流れ(4) 連続して交叉を行う 定められた回数、交叉を連続して行う 選択・突然変異行わない 交叉島 交叉島

  23. 初期化 母集団 個体集める 個体生成 連続交叉 個体を分割 iDGA DGA 提案手法の流れ(5) 生成個体を母集団に分割する 交叉島

  24. CMX 個体を集める 個体生成 連続交叉 個体を分割 iDGA DGA 提案手法の流れ 初期化 CMXの複数回適用時にはiDGAを行う

  25. 初期化 個体集める 個体生成 連続交叉 個体を分割 iDGA DGA ・ ・ ・ iDGAとは iDGA (isolated DGA) ＝ 移住操作を行わないDGA CMXを複数回適用時 多くの部分解の要素が必要 iDGAでは情報交換が行われない DGAよりも多くの種類の部分解の要素を生成可能

  26. CMX 個体を集める 個体生成 連続交叉 個体を分割 iDGA DGA ・ ・ ・ 提案手法の流れ 初期化 CMXの複数回適用時にはiDGAを行う 最後のCMX終了 DGAに移る

  27. パラメータと対象問題 提案手法とDGAの性能を比較 母集団サイズ 400 サブ母集団数 16 交叉法 枝交換交叉(EXX) 交叉率 0.8 突然変異 2-change法 突然変異率 1/ L 移住間隔 10世代 移住率 0.5 対象問題 51都市問題(eil51)

  28. 51都市問題の結果 CMXはDGAより　　高い性能を示す CMXの適用回数が　多いほど性能が良い 結果は30試行の平均値

  29. CMXを複雑な問題に適用 CMXとDGAの性能を比較 母集団サイズ 400 サブ母集団数 16 交叉法 枝交換交叉(EXX) 交叉率 0.8 突然変異 2-change法 突然変異率 1/ L 移住間隔 10世代 移住率 0.5 対象問題 100都市問題

  30. 100都市問題の結果 CMXの適用回数 1 ‥ DGAより悪い 2 ‥ DGAより良い 5 ‥ DGAより良い 結果は30試行の平均値

  31. サブ母集団数の影響 サブ母集団数ごとの性能比較 CMXとDGAを比較する 母集団サイズ 400 サブ母集団数 2～200 サブ母集団サイズ 200～2 CMX適用回数 10 CMX交叉回数 10 CMX適用間隔 10世代 対象問題 100都市問題

  32. サブ母集団数ごとの性能 平均巡回路長の比較 CMX適用時の性能が高い サブ母集団数多い 性能が高い 結果は40試行の平均値

  33. サブ母集団数ごとの性能 最適解を得た割合の比較 CMX適用時の性能が高い サブ母集団数多い 性能が高い 結果は40試行の平均値

  34. CMXの性能 CMXはDGAよりも高い性能を示す 適用回数が1回ではDGAより劣る 適用回数を増やせば性能が向上する 適切なパラメータは存在する 適切なパラメータ設定には検討の余地がある 他の問題に対する適用

  35. 結　論 今後の課題 ま と め 提案手法(CMX)はDGAよりも良好な性能を示す ・ 適切なCMXパラメータの設定の検討 ・提案手法の並列化モデルの検討 ・ 他の離散的問題への提案手法の適用

  36. 交叉回数ごとの性能 CMXはDGAよりも性能が高い CMXの適用回数を　　増やすと性能があがる 51都市問題の結果 結果は30試行の平均値

  37. 交叉回数ごとの性能 CMXの適用回数 1 ‥ DGAより悪い 2 ‥ DGAより良い 5 ‥ DGAより良い 2回より悪い 100都市問題の結果 結果は30試行の平均値

  38. CMXの他のモデル ・ 生成個体の分割時に戻す個体 　 個体の一部を戻す ・ 交叉島でエリート保存を行う 　(エリートの復帰は行わない)

  39. 一定期間ごとに情報交換 母集団 情報交換 CMX並列モデル 交叉島では常に交叉を行っておく 交叉繰り返し iDGA エリート 交叉島

  40. 150都市問題の結果 CMXは 適用回数によらず DGAより優れている 適用回数を増やす 解の性能が高まる 結果は30試行の平均値

  41. 交叉回数ごとの性能 CMXは 適用回数によらず DGAより優れている 適用回数を増やす 解の性能が高まる 150都市問題の結果 結果は30試行の平均値

  42. サブ母集団数ごとの性能 CMX適用時の性能が高い サブ母集団数多い 性能が高い 結果は30試行の平均値

  43. ・ ・ ・ CMXとDGAの比較方法 CMX DGA 初期化 初期化 10回の交叉 CMX DGA 10回　繰り返し 200世代のDGAを行う iDGA 10世代 CMX

  44. ・ 初期母集団での部分解の生成 ・ ・ 提案手法の操作(1) エリートのみ集める 初期個体 母集団サイズまで 子を生成 2-opt法による局所解の生成

  45. 移住無しDGA(iDGA) 又は 通常のDGA 選択を行わないため エリートの持つ部分解を 振り分けることが可能 ・ ・ ・ 提案手法の操作(2) サブ母集団に分割 交叉のみ繰り返す

  46. ・ ・ ・ ・ ・ ・ 提案手法の操作 母集団サイズまで 子を生成 エリートのみ集める 交叉 親個体も残す 交叉のみ複数回　　　集中して行う(CMX) 個体数を増やす エリートの持つ枝の振り分け

  47. 2-Change 2-Change法 ・ 任意の枝を1つ選び枝の終点を変更する

  48. 提案手法のパラメータ 1. CMXを行う回数 2. CMXを行う世代間隔 3. CMXにおける多段交叉回数 4. CMXに適用する個体 5. CMXの結果適用する個体

  49. EAXの適用 枝組み立て交叉(Edge Assembly Crossover) ・ EXXよりも大域的な探索が可能な交叉法 ・ 新たな枝を生成する能力が高い (EXXでは親個体の持つ枝の交換のみ) ・ 3000都市以上の問題でも 　最適解を得ることが可能

More Related