分散確率モデル遺伝的アルゴリズムにおける解探索メカニズムの検討
DESCRIPTION
分散確率モデル遺伝的アルゴリズムにおける解探索メカニズムの検討. 知的システムデザイン研究室 平井 聡. 研究背景. 最適化とは 制約条件下で目的関数を最大または最小化する問題 最適化問題 離散最適化 連続最適化 ( e.g. たんぱく質立体構造予測,トラス構造物最適化) 確率的手法 遺伝的アルゴリズム( Genetic Algorithm: GA ) シミュレーテッドアニーリング( Simulated Annealing:SA ). 遺伝的アルゴリズム( GA ). 生物の進化を模倣した最適化アルゴリズム - PowerPoint PPT PresentationTRANSCRIPT
最適化とは制約条件下で目的関数を最大または最小化する問題
最適化問題離散最適化連続最適化( e.g. たんぱく質立体構造予測,トラス構造物最適化)
確率的手法遺伝的アルゴリズム( Genetic Algorithm: GA )シミュレーテッドアニーリング( Simulated Annealing:SA )
研究背景
研究目的
GA の問題点多くの評価計算回数が必要,多量の計算資源が必要解決策効率の高い解探索し,評価計算回数を少なくする
良質な親個体の形質を子個体が引き継ぐ母集団の多様性の維持設計変数間の依存関係の考慮
分散確率モデル遺伝的アルゴリズム (DPMBGA)( 廣安等 :2003)
分散 GA (DGA) + 確率モデル GA (PMBGA)
DPMBGA の解探索性能が検証済み
DPMBGA の解探索メカニズムアルゴリズムの改良
研究目的
解探索メカニズムの検討
多峰性関数Rastrigin 関数
設計変数間に依存関係がある関数Rosenbrock 関数
n
iii xxnxF
1
2 2cos1010
12.512.5 ix
1
1
2221 1100
n
iiii xxxxF
048.2048.2 ix
多峰性関数Rastrigin 関数
設計変数間に依存関係がある関数Rosenbrock 関数
数値実験
Total Population 512
Number of Island 1(PMBGA), 32(DPMBGA)
Number of Elite 1
Migration Interval 5
Migration Rate 0.625
Archive size for PCA 100
Sampling Rate 0.25
Amp of Variance 1.5
Chromosome Length 0.1/(Dim of function)
Max Generation 1000
解探索メカニズムの検討
n
iii xxnxF
1
2 2cos1010
12.512.5 ix
1
1
2221 1100
n
iiii xxxxF
048.2048.2 ix
多峰性関数Rastrigin 関数
設計変数間に依存関係がある関数Rosenbrock 関数
確率分布
個体数 512 とした時,最良個体 (PCA の基準 ) の履歴
分散島モデル (DPMBGA) 単島モデル (PMBGA)
最適解に到達 最適解に到達する前に収束
分散島モデルは,全体をみると正確な確率モデルが構築できる
解探索メカニズムのまとめ
多峰性の関数単島だと局所解に収束分散島である移住操作により最適解に到達
設計変数間に依存関係のある問題PCA により,依存関係をなくすように近似する分散島モデルにより,個々の島では正確な確率モデルの構築ができないが,全体で正確な確率モデルを構築
DPMBA の改良
子個体を母集団より少し収束するように生成1. 母集団の一般化分散値を比較2. 子個体の一般化分散値が閾値なら次世代
それ以外,分散の増幅率を増加減少し子個体を再度生成
母集団の一般化分散値
子個体の一般化分散値
DPMBA の改良
子個体を母集団より少し収束するように生成1. 母集団の一般化分散値を比較2. 子個体の一般化分散値が閾値なら次世代
それ以外,分散の増幅率を増加減少し子個体を再度生成
母集団の一般化分散値
子個体の一般化分散値
数値実験
多峰性関数Rastrigin 関数
設計変数間に依存関係がある関数Rosenbrock 関数
n
iii xxnxF
1
2 2cos1010
12.512.5 ix
1
1
2221 1100
n
iiii xxxxF
048.2048.2 ix
パラメータ
Total Population 1024
Number of Island 4(Improved), 64
Number of Elite 1
Migration Interval 10
Migration Rate 0.15625(Improved),0.625
Archive size for PCA 100
Sampling Rate 0.25
Child Created Rate 95%
Chromosome Length 0.1/(Dim of function)
Max Generation 1000
まとめ
解探索メカニズムの検討多峰性の関数母集団の多様性,移住することが重要
設計変数間に依存関係のある関数PCA による,依存関係をなくす手法が有効
DPMBGA の改良抽出個体により,局所解に陥る可能性がある子個体が母集団より,少し収束するように増幅率を適応的に変化させる
発表論文リスト第 3 回情報科学技術フォーラム遺伝的アルゴリズムを用いたコージェネレーションシステムの最適設計廣安 知之,三木 光範,平井 聡,下坂 久司,梅田 良人,青木 修一,田中 洋一
The 2004 IEEE Conference on Cybernetics and Intelligent SystemsSatisfactory Design of Cogeneration System using Genetic AlgorithmSatoshi Hirai, Tomoyuki Hiroyasu, Mitsunori Miki, Hisashi Shimosaka, Yoichi Tanaka, Syuichi Aoki, Yoshito Umeda
第 15 回設計工学・システム部門講演会分散確率モデル遺伝的アルゴリズムにおける解探索能力についての検討平井聡,廣安知之,三木光範,下坂久司
The International Association of Science and Technology for DevelopmentCONSIDERATION OF SEARCHING ABILITY FOR Distributed Probabilistic Model-building Genetic AlgorithmSatoshi Hirai, Tomoyuki Hiroyasu, Mitsunori Miki, Hisashi Shimosaka
情報処理学会「数理モデル化と問題解決研究会」第 57 回講演 2006年 3月 17日予定分散確率モデル遺伝的アルゴリズムにおける解探索メカニズムの検討平井聡,廣安知之,三木光範,下坂久司
DPMBGA の改良 ( 一般化分散値が小 )
1. 母集団の一般化分散を計算 (100)
2. サンプリング個体数の抽出3. 分散の増幅率 (2.0) で子個体を生成4. 子個体の一般化分散値を計算 (20)
一般化分散値が小増幅率を増加し,ステップ 3 に戻る
DPMBGA の改良 ( 一般化分散値が大 )
1. 母集団の一般化分散を計算 (100)
2. サンプリング個体数の抽出3. 分散の増幅率 (2.5) で子個体を生成4. 子個体の一般化分散値を計算 (150)
一般化分散値が大増幅率を減少し,ステップ 3 に戻る
DPMBGA の改良 ( 一般化分散値が適切 )
1. 母集団の一般化分散を計算 (100)
2. サンプリング個体数の抽出3. 分散の増幅率 (2.3) で子個体を生成4. 子個体の一般化分散値を計算 (90)
一般化分散値が適切なら次世代に進む
GA の問題点
Cogeneration System 最適設計問題など実問題は,計算に膨大な計算時間がかかる
No.93 in 2003, No.499 in 2004 (Top 500 Supercomputers)
# Node 256
Processor AMD Opteron 1.8 GHz×2
Memory PC2700 Registered ECC 2GB
Chipset AMD 8131+8111
OS Turbolinux 8 for AMD64
Communication Library Mpich-1.2.5
Communication Medium Gigabit Ethernet
Rpeak 1.8432 TFlops
Supernova Cluster Systemの構成
DPMBGA の特徴
特徴実数値確率モデル遺伝的アルゴリズム島モデルにより多様性の維持新しい個体は設計変数間の依存関係を考慮した主成分分析により生成
パラメータ分散の増幅率サンプリング個体数アーカイブサイズ
数値実験
実験概要増幅率のパラメータ検討2 つのモデルで検討
( With PCA, Without PCA )
対象問題依存関係のない問題
Rastrigin 関数, Schwefel 関数依存関係のある問題
Rosenbrock 関数, Ridge 関数
パラメータ
Total Population 512
Number of Island 32
Number of Elite 1
Migration Interval 5
Migration Rate 0.625
Archive size for PCA 100
Sampling Rate 0.25
Amp of Variance From 0.1 To 3.0
Chromosome Length 0.1/(Dim of function)
Max Generation 1000
数値実験( Rosenbrock 関数 , Ridge 関数)
Rosenbrock
PCAを行わないと,依存関係のある問題は解けない増幅率が 1.4から 2.0までが最も良好な結果を示した
Ridge
個体の無相関化
目的設計変数の依存関係を考慮し,子個体を生成する
アルゴリズム主成分分析 (PCA) を行い,ベクトル V を取得ベクトル V を用い,抽出した個体を依存関係のない空間に回転させる
(2)主成分分析を用い設計変数の無相関化
多くの変量の値をできるだけ情報の損失なしに,少数個の総合的指標で代表させる方法
主成分分析
新しい個体の生成
母集団
(3)正規乱数により次世代の個体を生成
(4)次世代の個体の相関を戻し,母集団と置き換
える
子個体の生成正規乱数に基づき設計変数を生成子個体は独立に生成される
母集団への置換個体の相関を元に戻す母集団の全個体と置換
主成分分析
サンプル個体群の設計変数から,設計変数の平均値を引き,行列 X に格納X の共分散行列を S行列とする
S の固有ベクトル V行列とする固有ベクトルにより X の無相関化
子個体の発生 (Y の分散・平均の正規乱数で生成 )
正規乱数
ボックス・ミューラー法( Box-Muller transform )平均 μ ,分散 σ2 の正規分布 (μ, σ2)一様乱数 (0,1)の要素 α, βを次式で変換
上記の式より正規乱数 (0,1)が生成できる正規乱数 (0,1)に平均 ( AMP・・・分散の増幅率)