二値分類機械学習モデルを用いる高コスト最適化問題に対する進化的アルゴリズム

点击翻译按钮获取中文摘要

本研究では，最適化手法の一つである進化的アルゴリズム(EA)に2つの解の優劣を判定する二値分類型のサロゲート(代理評価)モデルを組み込み，最適化に要する計算時間を削減する手法の確立を目的とする.この目的達成に向け，2022年度は2021年度に提案したEAのための新しい二値分類型サロゲートモデルであるExtreme Learning Machine-based DirectRanker (ELDR)を，実世界の最適化問題であるハイブリッドロケットエンジン (Hybrid Rocket Engine: HRE)設計問題に適用した．HRE設計問題は制約付き単目的最適化問題として定式化され，解の評価にシミュレーションを必要とするため評価コストの高い問題である．これに対し，ELDRによる解の優劣推定を導入することで，既存の解よりも劣ると推定される解の評価（シミュレーション）をせずに棄却する方法を導入することで，評価値の改善が見込める解にのみコストの高い評価シミュレーションを実行でき，高効率化を実現できる．ELDRを制約付き最適化問題の解法の一つである差分進化と組み合わせた手法を用い，ELDRを用いない差分進化と比較する実験の結果，ELDRを用いることで従来よりも少ない評価回数で良好なHRE設計を実現できることを示した．このことから，提案手法の実世界の最適化問題に対する適用可能性を示すことができた．本研究成果をまとめた研究発表に対し，FSS優秀発表賞を受賞した.