分解多目的最適化のための相互関係に基づく選択

Interrelationship-Based Selection for Decomposition
Multiobjective Optimization
IEEE transactions on cybernetics, Vol.45, No.10, pp.2076-2088, 2015
20170529harada

伝統的な最適化技術と集団に基づく方法を橋渡しするMOEA/D は,進化的多目的最適化においてますます一般的な枠組みとなってきている.MOEA/D は多目的最適化問題(MOP)をいくつかの最適化サブ問題に分解する.各サブ問題は,協調的な方法におけるエージェントによって処理される.MOEA/D の選択は,エージェントによって解を選択する方法である.特に,各エージェントはその選択された解において2 つの要件を持つ.1 つ目は効率的なフロントへの収束であり,2 つ目は他のエージェントの選択との区別である.この論文では,サブ問題と解との相互優先度を定義することによって,これらの2 つの要件に対処することを提案する.その後,それら相互優先度に基づいて,サブ問題と解との相互関係を構築するための簡単且つ効果的な方法が提案される.世代毎に,この相互関係は次世代の母集団として生き残るためのエリート解を選択するためのガイドラインとして使用される.サブ問題と解の相互優先度(例えば各エージェントの2 つの要件)を考慮することによって,選択操作は探索過程の収束と多様性を調整することができる.複雑なパレートセットを持ついくつかのMOP テストについての包括的な実験が行われた.実験結果は提案アルゴリズムの有効性と競合性を示した.

特徴選択のための進化的計算手法の調査

A Survey on Evolutionary Computation Approaches to Feature Selection
IEEE Transactions on Evolutionary Computation, Vol.20, No.4, pp.606-626, 2016
20170424harada

特徴選択は,データの次元を減らし,分類アルゴリズムといったアルゴリズムの性能を向上させるために,データマイニングおよび機械学習において重要な課題である.
しかし,特徴選択は主に探索空間が膨大なために困難な課題である.
特徴選択問題を解決するために,様々な方法が適用されている.
そのうち近年では,進化的計算技術が注目され,成功を収めている.
しかし,代替手法の長所と短所に関する包括的なガイドラインは存在しない.
これは分離・断片化された分野に対して,最終的に性能を改善しアプリケーションの成功させる機会の損失につながる.
本稿では,特徴選択のための進化的計算技術に関する最先端の内容について包括的に述べ,様々なアルゴリズムの貢献を特定する.

パレート適応型スカラー化法を用いた分解ベースアルゴリズム

Decomposition-Based Algorithms Using Pareto Adaptive Scalarizing Methods
IEEE Transactions on Evolutionary Computation, Vol.20, No.6, pp.821-837, 2016
20170216harada

分解ベースのアルゴリズムは,進化的多目的最適化において盛んになってきている.しかし,これらのアルゴリズムで使用されるスカラー方法の効果は,依然としてよく理解されていない.本論文では,頻繁に使用されるスカラー化法であるLp 法を分析し,パレート最適解に向かう選択圧と最適なパレートフロントジオメトリへのアルゴリズムのロバスト性のバランスをとるためにp 値が重要であることを示す.分解ベースのアルゴリズムの探索能力を最大にすることができるLp 法が存在し,幾らかの重みを与えれば,パレートフロントに沿った任意の解を見つけることができることを証明する.PaS の有効性を実証するために,我々はPaS を最先端の分解ベースのアルゴリズムであるMOEA/D に組み込み,そして,異なるパレートフロントジオメトリ及び7 つ以上の相反する目的を有する問題に対して,MOEA/D-PaS をいくつかの他のMOEA/D の結果と比較する.実験結果は,PaS
が有効であることを実証している.

非優越ソートアプローチに基づいた参照点を利用した進化型多目的最適化手法, パートI Box Constraints 問題 の解法

Many-Objective Optimization Algorithm Using Reference-Point-Based Nondominated Sorting Approach,\\ Part I Solving Problems With Box Constraints
IEEE Transactions on Evolutionary Computation, Vol.18, No.4, pp.577-601, 2014
20161114harada

進化型最適化手法を用いて多目的最適化手法が開発され, 主に2目的もしくは3目的を含む様々な実問題におけるニッチが実証されたため,
現在は4目的もしくはそれ以上の多目的最適化問題を処理するための進化型多目的最適化手法を開発することが必要となってきている.
本稿では, いくつかの近年の成果を認識し, 多目的最適化問題を解決する潜在的な進化型多目的最適化手法を開発するために実現可能な方向性について議論する.
その後, NSGA-IIのフレームワークに従った参照点に基づいた多目的進化型手法を提案する.我々はこれをNSGA-IIIと呼ぶ.
そして, この手法は非優越される一方で, 一組の参照点に近い個体を強調する.
提案したNSGA-IIIは3目的から15目的の多くの多目的最適化問題に適用され, 近年提案された2種類の進化型多目的最適化手法(MOEA/D)と比較された.
それぞれのMOEA/Dが他クラスの問題に効果的であるのに対し, 提案したNSGA-IIIは本論文において, 考えられる全ての問題に対して満足な結果が得られることが示された.
本稿では, 制約なしの問題についての結果を示し, 続編論文では制約や他の特徴をもつ多目的最適化問題の処理について検討する.

粒子群最適化:開発, アプリケーションとリソース

Particle Swarm Optimization: Developments, Applications and Resources
Evolutionary Computation, 2001. Proceedings of the 2001 Congress on. Vol. 1. IEEE, 2001
20160115_jnishida

本稿では粒子群最適化に関連する動向,アプリケーション,およびリソースの工学とコンピュータ科学の側面 に焦点を当てている.1995 年の粒子群アルゴリズムの起源以来,発展が検討されている.簡単なくびれ因子の議 論,慣性重量,およびトラッキング動的システムも含まれています.アプリケーションは,それら両方について 既に開発され,有望な将来の応用分野は,検討されている.最後に,粒子群最適化に関連したリソースは,書籍, ウェブサイト,およびソフトウェアを含め,記載されている.粒子群最適化の参考文献は,論文の最後にある

PSO ベースの競合学習手法を用いてゲームプレイ学習法

Learning to play games using a PSO-based competitive learning approach
IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION, VOL. 8, NO. 3, JUNE 2004
20151112_jnishida

新しい競争の入口として,2人でゲームをプレイする要因を学ぶための開発を行った.この提案は,粒子群最適化(PSO)をゲーム木の葉や枝の状態の望ましさを予測するためのニューラルネットワークを訓練するために使用した.新しい手法では,3目並べゲームに適用させ,進化的手法との性能を比較した.性能基準は,ランダムな動きを行うプレイヤーに対して性能を定量化するための定義とした.結果としては,進化的手法と比較した際,新しいPSOベースの手法がよく機能することを示した.