ニューラルネットワーク集合の構造化学習と進化ロボットへの適用

点击翻译按钮获取中文摘要

環境に適応した自律行動を生成するためには、初めて遭遇する環境に適応する可塑性と、過去の経験を保持し続ける安定性の両方を備えることが不可欠である。従来の進化あるいは学習による自律行動の生成アルゴリズムは、この可塑性と安定性のバランスを欠くものが多く、適応能力が高いと過去の記憶を失い、過去の経験を重視すると適応能力が落ちるというジレンマを抱えている。本研究の目的は、ニューラルネットワークおよびニューラルネットワーク集合の構造化学習アルゴリズムと進化アルゴリズムを開発し、自律システムの適応行動における可塑性と安定性のジレンマを解決しようとするものである。具体的には、自動医療診断装置などのパタン分類や自律ロボットなどに用いるニューラルネットワークの自動構築に適した構造学習アルゴリズムの開発を行った。最適なニューラルネットワークを得るための方法の一つとして人工進化がある。現在、その性能、すなわち進化に必要な時間や適応度など、を上げるための手法として、進化パラメータ(交差、突然変異、選択など)を調整する方法が一般的である。しかしながら、人工進化の数値的な解析では、複数の集団を独立に進化させつつ適度に協調させる共進化が、より良い成果をもたらす事が知られている。そこで本研究では、まず、共進化の概念も考慮に入れつつ、空間を広く探索(Exploration)することと、一つの解に収束(Exploitation)させることのバランスに優れたアルゴリズムの開発を試み成功した。研究成果はIEEE TransactionやNeurocomputingなどの高級誌に採録された。