1 / 64

集中多段交叉を用いた 2 個体分散遺伝的アルゴリズム

集中多段交叉を用いた 2 個体分散遺伝的アルゴリズム. 同志社大学大学院　工学研究科 2003 年度 0713 番 勝﨑 俊樹. 研究背景. 最適化とは. 与えられた候補の中から最も良好な結果を探し出すこと. トラス構造物の最適化. 集積回路の配置. 利得透過フィルタの設計. 最適解に近い解を実用的な計算コストで探索する技法. 遺伝的アルゴリズム (Genetic Algorithm:GA). 遺伝的アルゴリズム. ・生物の進化を模倣した最適化手法. ・多点探索. ・遺伝的オペレータ ( 選択，交叉，突然変異 ) を繰り返し 　個体 ( 解 ) を成長させる.

radha
Download Presentation

集中多段交叉を用いた 2 個体分散遺伝的アルゴリズム

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. 集中多段交叉を用いた2個体分散遺伝的アルゴリズム集中多段交叉を用いた2個体分散遺伝的アルゴリズム 同志社大学大学院　工学研究科 2003年度0713番 勝﨑 俊樹

  2. 研究背景 最適化とは 与えられた候補の中から最も良好な結果を探し出すこと トラス構造物の最適化 集積回路の配置 利得透過フィルタの設計 最適解に近い解を実用的な計算コストで探索する技法 遺伝的アルゴリズム(Genetic Algorithm:GA)

  3. 遺伝的アルゴリズム ・生物の進化を模倣した最適化手法 ・多点探索 ・遺伝的オペレータ(選択，交叉，突然変異)を繰り返し　個体(解)を成長させる 個体 母集団

  4. 遺伝的アルゴリズムの特徴 初期生成した個体を進化させることによる解探索手法 長所 ・傾向の異なる個体を組み合わせて 　解探索を行うので，広域な探索が可能

  5. 遺伝的アルゴリズムの特徴 初期生成した個体を進化させることによる解探索手法 短所 ・個体同士の情報交換によって解探索を 　行うため，世代が進むと個体の傾向が 　同じになる ・一度全ての個体が同じ傾向になって 　しまうと，他の傾向の個体を生み出す 　ことができない 局所解から脱出できない(早熟収束)

  6. 早熟収束の回避 ・Distributed Genetic Algorithm（DGA） Minimal Generation Gap（MGG） 単一母集団のGAの短所 早熟収束によって局所解から脱出できなくなる 主な対処法 ・母集団を複数のサブ母集団（島）に分割 ・Dual individual DGA（Dual DGA） ・高い多様性を保つ世代交代モデル（選択方法）の利用

  7. 分散遺伝的アルゴリズム（DGA） ・母集団を複数のサブ母集団に分割する ・一定世代ごとに各サブ母集団間で移住を行う ・部分解を組み合わせた解探索が可能

  8. 2個体分散遺伝的アルゴリズム（Dual DGA） ・サブ母集団サイズを2個体に固定したDGA ・パラメータチューニングの負荷が低い （DGAと比べ，交叉率，突然変異率，移住率のパラメータが不要） ・DGAよりも解探索の信頼性に優れる

  9. Dual DGAの遺伝的操作（移住） 移住個体と適合度の低い個体を交換 ランダムに移住個体を選択 移住 ・2個体のうち，一方のコピｰを他のサブ母集団へ送る ・適合度の低い個体と移住個体を交換する

  10. Dual DGAの遺伝的操作（交叉，突然変異） 交叉 2個体の親個体から2個体の子個体を生成 突然変異 子個体の1ビットを対立遺伝子に変換

  11. Dual DGAの遺伝的操作（選択） 次世代へ生き残る 選択 親個体，子個体からそれぞれ適合度の高い個体を 選択する 低　　　　 高 　　 低　 　　 高

  12. DGAにおける部分解の生成 DGA，Dual DGAの特徴 サブ母集団で生成される良好な部分解を組み合わせることによる解探索 サブ母集団ごとに異なった傾向を持つ良好な部分解を生成することが重要 各サブ母集団における解探索に，部分解の生成に特化したメカニズムを組み込む

  13. 提案手法 Dual DGA/MX 集中多段交叉を用いた2個体分散遺伝的アルゴリズム Dual DGA with Multiple Crossover(Dual DGA/MX) ・集中多段交叉を用いた集中的かつ多段の解探索 ・サブ母集団サイズを2としたDual DGAの構造 各サブ母集団で複数の子個体を生成 複数の子個体に対して突然変異を適用 集中多段交叉 エリート＋ランキングルーレット選択で 次の交叉の親個体を決定

  14. 集中多段交叉 ・1世代の交叉，突然変異で複数の子個体を生成 ・複数の子個体から次の交叉の親個体を選択 ・Dual DGAに適用することで各サブ母集団で集中的な 　局所探索が可能

  15. Dual DGA/MXの遺伝的操作（移住） 移住 ・2個体のうち，1個体を他のサブ母集団へ送る ・無条件で移住個体は新たなサブ母集団の個体となる ランダムに移住個体は決定

  16. Dual DGA/MXの遺伝的操作（交叉，突然変異） 交叉 2個体の親個体から複数の子個体を生成 突然変異 生成された全ての子個体に突然変異を適用

  17. Dual DGA/MXの遺伝的操作（選択） 選択 親個体と複数の子個体から評価値の最も高い個体と，ランキングルーレット選択で選ばれた個体を次世代に残す

  18. テスト問題による性能検証 対象問題 ・連続問題(Griewank関数，Schwefel関数:30次元) ・部分だまし問題(4bit部分だまし問題，10bit部分だまし問題) 比較手法 ・Simple GA [Goldberg 1989] ・世代交代モデルMGG [佐藤 1997] ・Dual DGA [廣安 2002] ・提案手法Dual DGA/MX

  19. テスト問題の導入（連続問題） Griewank関数 次元 Schwefel関数 次元

  20. パラメータ（連続問題）

  21. 連続問題における解の信頼性 ・・・　他手法より良好な解の信頼性 Griewank関数 ・・・　他手法と同等以上の解の信頼性 Schwefel関数

  22. 連続問題に要する評価計算回数 対象問題：Griewank関数 提案手法Dual DGA/MXに要する評価計算回数は 他手法よりも多い

  23. テスト問題の導入（部分だまし問題） 次元 （ は設計変数の評価値） 4bit部分だまし問題 評価値 bit”1”が全て揃った状態以外ではbit”0”が多いほど評価値 は高いため，bit”0”が全て揃った状態は局所解となる

  24. テスト問題の導入（部分だまし問題） 次元 （ は設計変数の評価値） 10bit部分だまし問題

  25. パラメータ（部分だまし問題）

  26. 部分だまし問題における解の信頼性 対象問題：4bit部分だまし問題 提案手法Dual DGA/MXで得られる評価値は他手法と比較して 非常に高い

  27. 部分だまし問題における解の信頼性 対象問題：10bit部分だまし問題 提案手法Dual DGA/MXで得られる評価値は他手法と比較して 非常に高い

  28. 部分だまし問題に要する評価計算回数 対象問題：4bit部分だまし問題 提案手法Dual DGA/MXに要する評価計算回数は 他手法よりも多い

  29. 部分最適解による検証 設計変数における部分最適解の合計の履歴 ・部分最適解の生成に関する性能 ・部分最適解の維持に関する性能 部分最適解あり 部分最適解あり 部分最適解なし

  30. 部分最適解による検証結果 対象問題：4bit部分だまし問題 提案手法Dual DGA/MXは他手法と比較して部分最適解の 維持の性能に優れている

  31. 部分最適解による検証結果 対象問題：10bit部分だまし問題 提案手法Dual DGA/MXは他手法と比較して部分最適解の維持および生成の性能に優れている

  32. 結論 提案手法Dual DGA/MX テスト問題による解探索性能の検証 ・高い解探索の信頼性 ・問題に対する汎用性 部分最適解を用いた検証 ・部分最適解を維持する性能に優れる ・部分最適解を生成する性能に優れる Dual DGA/MXは部分最適解の生成と維持の性能に優れた， 高い解探索性能と問題に対する汎用性を持つ手法

  33. 発表論文リスト 三木光範，廣安知之，勝崎俊樹，水田伯典： 離散最適化のための大域的交叉メカニズムを持つ分散遺伝的アルゴリズム日本計算工学会論文集，No．20040001（2004.01） 三木光範，廣安知之，勝崎俊樹，森隆史： 分散遺伝的アルゴリズムにおける多様性を考慮した世代交代モデルの効果 同志社大学理工学研究報告，第45巻，第3号（2004.10） 三木光範，廣安知之，勝崎俊樹： リフレッシュ型分散遺伝的アルゴリズム 第17回人工知能学会全国大会，新潟県・朱鷺メッセ（2003.06） 三木光範，廣安知之，勝崎俊樹： リフレッシュ型分散遺伝的アルゴリズムの組み合わせ最適化問題への適用 第46回数理化と問題解決（MPS）研究会，広島市立大学（2003.09）

  34. 参考資料

  35. 部分最適解の生成に関する検証 各設計変数での部分最適解の組み合わせ

  36. 部分最適解の組み合わせを用いた検証 割合が増えるほど最適解に近づく 割合が高ければ，設計変数間に有効な多様性が 存在する 割合に変化が見られれば，設計変数内の 多様性が高い（部分最適解の生成が期待できる） 各設計変数での部分最適解の組み合わせ ① 部分最適解同士の組み合わせ ② 部分最適解と部分最適解でないものの組み合わせ ③ 部分最適解でないもの同士の組み合わせ

  37. 部分最適解の組み合わせを用いた検証 検証対象：Simple GA 対象問題：4bit部分だまし問題

  38. 部分最適解の組み合わせを用いた検証 検証対象：Minimal Generation Gap 対象問題：4bit部分だまし問題

  39. 部分最適解の組み合わせを用いた検証 検証対象：Dual DGA 対象問題：4bit部分だまし問題

  40. 部分最適解の組み合わせを用いた検証 検証対象：提案手法Dual DGA/MX 対象問題：4bit部分だまし問題

  41. 検証結果のまとめ 解探索に有効な多様性を設計変数間で 保つことができる 設計変数内でも有効な多様性を保ち，新たな 部分最適解を生み出すことができる 提案手法Dual DGA/MXの特徴 ・他手法と比較して，部分最適解と部分最適解 　でないものの組み合わせから新たな部分最適解同士の 　組み合わせが生まれやすい ・早い世代から部分最適解でないもの同士の組み合わせ 　から他の組み合わせが長い世代で生まれている

  42. 結論 提案手法Dual DGA/MX テスト問題による解探索性能の検証 ・高い解探索の信頼性 ・問題に対する汎用性 部分最適解を用いた検証 ・設計変数間に有効な多様性を保つことができる ・設計変数内に有効な多様性を保つことができる Dual DGA/MXはサブ母集団間で有効な解の組み合わせを 行うことができるため，高い解探索性能と問題に対する 汎用性を持つ

  43. 世代交代モデル MGG ｓGA 早熟収束 多様性の維持 ・Simple GA （sGA） ［Goldberg,1989］ 毎世代すべての個体を更新 ・Minimal Generation Gap（MGG） ［佐藤,1996］ 毎世代 2 個体のみ更新

  44. Minimal Generation Gap（MGG） 局所的な世代交代を実現する世代交代モデル[佐藤 1997] ≫初期収束の回避，探索終盤の多様性維持に優れている

  45. テスト問題の導入（連続問題） Rastrigin関数（F１） 次元 Griewank関数（F２） 次元

  46. テスト問題の導入（連続問題） Ridge関数（F３） 次元 Schwefel関数（F４） 次元

  47. パラメータ（連続問題）

  48. 連続問題における解の信頼性（F1,F2） 世代交代モデルMGGにDGAを適用しても，解の信頼性の 向上はほとんど見られない

  49. 連続問題における解の信頼性（F3,F4） 世代交代モデルMGGにDGAを適用しても，解の信頼性の 向上はほとんど見られない

More Related