非コード化セグメントを持つ進化型計算による人工神経回路網獲得

点击翻译按钮获取中文摘要

本研究では,自律分散型ユニットの制御手法として,人工神経回路網(Artificial Neural Networks : ANN)に着目した.このANNの結合荷重や構造の設計は,複雑かつ大規模でノイズを有する問題のため,解析的手法では最適化困難となり,確率的探索手法による設計が考えられる.特に,解の精度の観点から進化型計算に着目するが,従来の進化型計算手法には下限設定問題や局所解から抜け出せない等の問題点があるため,非コード化セグメントを用いた新たな進化型計算手法の枠組みを構築した.計算機実験,実機実験により,最適化能力の性能検証と進化ダイナミクスの解析を行った.1.テスト関数を用いた計算機実験より以下の知見が得られた.1 標準テスト関数で,従来の進化型計算に比べて,非コード化セグメントを持つ進化型計算は,収束速度が速く,局所解から抜け出すことができる.2 統計的解析により,従来の進化型計算は探索戦略を計算世代によって変えないが,非コード化セグメントを持つ進化型計算では,集団は実質的探索域の中心付近を探索する個体と相対的に遠くを探索する個体とに分化していく.3 ノイズを含むテスト関数においても上記の(1)(2)の特質がみられた.4 標準テスト関数では,非コード化セグメントを持つ進化型計算には,組換え操作との相性があり,特に,multi-parentなdiscrete型組換え操作を用いると性能が向上する.5 ノイズを含むテスト関数でも(4)の特質がみられた.2.フィードフォワード型のANNを用いた計算機実験と実機実験により以下の知見が得られた.1 結合加重のみが進化する場合,従来の進化型計算に比べて,非コード化セグメントを持つ進化型計算はタスク達成率が向上する.2 構造と結合加重が進化する場合,進化型計算手法は可変長コードとなるが,multi-parentなdiscrete型組換え操作を用いることによって性能が向上する.3.リカレント型のANNを用いた計算機実験により以下の知見が得られた.1 結合加重のみが進化する場合,従来の進化型計算に比べて,非コード化セグメントを持つ進化型計算はタスク達成率が向上する.2 探索が成功する場合はテスト関数と同様の進化ダイナミクスを示すことが観測された.