Note (General)本研究では，動的環境にロバストな解を生成するとともに，その解を一般化可能な多目的学習分類子システムを提案し，その有効性を多目的ナップサック問題と路線網最適化問題を通して検証することを目的とする．この目的達成に向け，本研究では多目的設計問題などの様々な問題に対して適用されている，進化的多目的最適化（EvolutionaryMultiobjectiveOptimization: EMO）に着目し，異なる環境における最適化を，複数の評価関数に基づく多目的最適化ととらえて最適化する．しかしながら，これらの最適化は与えられた(複数の)評価関数に対して特化した最適化が行われており，解の修正を考慮した最適化はほとんど行われていない．この問題を解決するために，(i) 複数環境に対して同一の解で評価を保つ解の生成と，(ii)環境変化（駅の故障などのトラブル）に対してできるだけ少ない解の変更で評価をある程度保つか，別の軸(コスト軸からスピード軸など) の評価を高めることが可能な解を生成可能なシステムを探求する．その目的に向け，解の評価の差が小さい解を見いだす正確性の概念と，複数の解の構造が近しい解を1つにまとめる一般化の概念を持つ学習分類子システム（Learning Classifier System: LCS）に着目し，さらに複数環境での効率的な解探索のために，進化的多目的最適化の代表的な手法であるNSGA-II の概念を組み合わせた新たな手法を提案する．具体的には，(1)正確性の概念をいれた多目的ピッツバーグ型学習分類子システムと，(2)一般化の概念を多目的空間に拡張したスワップ型一般化とピボット型一般化を用いた多目的学習分類子システムを提案する．提案システムの性能を評価するために，多目的ナップサック問題と河川舟運の路線網最適化問題に適用したところ，次の知見を得た．まず，正確性の概念を入れた多目的ピッツバーグ型学習分類子システムに関しては，（1-a）進化計算において主要となる親個体の選択と母集団内の個体の削除を共に正確性で最適化を行う(従来手法だ) と性能が落ちるが，選択に正確性，削除を予測報酬値で最適化を行うと各環境に対しロバストな解が得られ，選択と削除共に予測報酬で最適化をしてもロバストな解を得ることが分かった．さらに，（1-b）多目的最適化であるNSGA-II の概念をピッツバーグ型学習分類子システムに導入することで，パレートフロントに解が集まるだけでなく，母集団の解に多様性が生まれたことで，多様な探索が可能となった．また，一般化に基づく多目的ピッツバーグ型学習分類子システムに関しては，2目的10アイテムと100アイテムナップサック問題と3 目的100 アイテムナップザック問題で検証したところ，(2-a)従来の学習分類子システムの一般化は全組みあわせのみの表現であったが，スワップ型一般化とピボット型一般化により，全組みあわせのうち一部の解の組合せを適切に一般化可能にしたこと，(2-b)一般化を調整する指標であるSharpDistance を用いることで，少量の解の変化である程度同等の評価を保てる解と，各評価軸に特化した解に分けて一般化できること，(2-c)スワップ型一般化は2 個の個体の一般化であるのに対し，ピボット型一般化は個数を制限することなく解を一般化できること，(2-d)重複解の削除が一般化解の多様性の向上に貢献したことを明らかにした．また，ピボット型一般化解の評価指標と一般化手法を改良することで，(3-a)解の一般化が促進し，解のロバスト性が向上するだけなく計算コストの増加を抑えられること，(3-b)最適化性能がNSGA-IIと同等の性能を保てることに加えて，(3-c)一般化度合を決めるs# の数を増加させることで，より軸に特化できる解を得ることが可能になることが分かった．さらに，(4)河川舟運最適化問題に適用したところ，一般化解を分析することで，解空間の特徴分析にも応用できる可能性があることが明らかになった．
2013
Collection (particular)国立国会図書館デジタルコレクション > デジタル化資料 > 博士論文
Date Accepted (W3CDTF)2018-01-02T17:18:43+09:00
Data Provider (Database)国立国会図書館 : 国立国会図書館デジタルコレクション