最適化履歴データの集合知で駆動する適応進化計算

点击翻译按钮获取中文摘要

当初の研究計画では、1年目に、申請者の進化計算においてパラメータの適応法を改良することを予定していた。しかしながら、改良した適応法（適応進化計算）の性能を既存手法の性能と比較する実験を行った結果、数千回程度の解評価回数では、提案手法の性能は、解評価を代替する機械学習（サロゲート）を活用しながら最適化を行うサロゲート進化計算の性能と競合することを発見した。ここで、通常の適応進化計算は、十分な最適化を行うために通例数十万回の解評価回数を要することを鑑みると、提案手法は、数千回の評価回数でサロゲート進化計算と競合するまでの性能向上を、パラメータ適応というアプローチで遂げたことに意義がある。本研究の有効性は、提案手法が、サロゲートの構築や解評価値の推定に多くの計算時間を要するサロゲート進化計算よりも、100倍以上高速に最適化を達成することにある。サロゲート進化計算は、数百回の評価回数で高い性能を導出する一方で、進化計算のパラメータに加え、機械学習のパラメータをも調整する必要があり、ユーザの負担は増加する。したがって、さらなる性能向上とユーザの利便性向上のために、本年度はサロゲート進化計算における適応に取り組んだ。具体的には、適応対象として、サロゲート構築に要する学習データを採用する方法を、新たに提案した。また、適応の方法として、適応候補となる複数のサロゲートから優れた候補を選択する際に用いる選択基準を、通常の誤差指標から「解更新の成功実績」に変更して、最適化に直接貢献する基準に変更した適応法を発表した。つまり、これらの発表は、サロゲート進化計算における適応法の研究に対して、適応対象と適応方法といった多角的な視点で取り組んだ結果となった。