Submit Search
Upload
進化計算とは(what is evolutional algorythm)
•
1 like
•
4,194 views
T
tetuwo181
Follow
いろいろな所で進化計算について話したのでそのスライドを
Read less
Read more
Technology
Report
Share
Report
Share
1 of 71
Download now
Download to read offline
Recommended
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
バンディット問題の理論とアルゴリズムとその実装
バンディット問題の理論とアルゴリズムとその実装
EinosukeIida
大規模凸最適化問題に対する勾配法
大規模凸最適化問題に対する勾配法
京都大学大学院情報学研究科数理工学専攻
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
Deep Learning JP
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
強化学習その2
強化学習その2
nishio
最適輸送の解き方
最適輸送の解き方
joisino
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
Recommended
方策勾配型強化学習の基礎と応用
方策勾配型強化学習の基礎と応用
Ryo Iwaki
バンディット問題の理論とアルゴリズムとその実装
バンディット問題の理論とアルゴリズムとその実装
EinosukeIida
大規模凸最適化問題に対する勾配法
大規模凸最適化問題に対する勾配法
京都大学大学院情報学研究科数理工学専攻
[DL輪読会]When Does Label Smoothing Help?
[DL輪読会]When Does Label Smoothing Help?
Deep Learning JP
機械学習におけるオンライン確率的最適化の理論
機械学習におけるオンライン確率的最適化の理論
Taiji Suzuki
強化学習その2
強化学習その2
nishio
最適輸送の解き方
最適輸送の解き方
joisino
最適輸送の計算アルゴリズムの研究動向
最適輸送の計算アルゴリズムの研究動向
ohken
深層学習の数理
深層学習の数理
Taiji Suzuki
最適輸送入門
最適輸送入門
joisino
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
最適化超入門
最適化超入門
Takami Sato
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
論文紹介 Pixel Recurrent Neural Networks
論文紹介 Pixel Recurrent Neural Networks
Seiya Tokui
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
Deep Learning JP
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
Naoya Chiba
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Takao Yamanaka
Sliced Wasserstein距離と生成モデル
Sliced Wasserstein距離と生成モデル
ohken
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
PRML輪読#1
PRML輪読#1
matsuolab
多目的遺伝的アルゴリズム
多目的遺伝的アルゴリズム
MatsuiRyo
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
Deep Learning JP
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
Deep Learning JP
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
Batch normalization effectiveness_20190206
Batch normalization effectiveness_20190206
Masakazu Shinoda
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
More Related Content
What's hot
深層学習の数理
深層学習の数理
Taiji Suzuki
最適輸送入門
最適輸送入門
joisino
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
最適化超入門
最適化超入門
Takami Sato
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Ichigaku Takigawa
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
Kota Matsui
論文紹介 Pixel Recurrent Neural Networks
論文紹介 Pixel Recurrent Neural Networks
Seiya Tokui
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
Deep Learning JP
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
Naoya Chiba
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Takao Yamanaka
Sliced Wasserstein距離と生成モデル
Sliced Wasserstein距離と生成モデル
ohken
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
Deep Learning JP
PRML輪読#1
PRML輪読#1
matsuolab
多目的遺伝的アルゴリズム
多目的遺伝的アルゴリズム
MatsuiRyo
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
Deep Learning JP
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
Deep Learning JP
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Shunji Umetani
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
Batch normalization effectiveness_20190206
Batch normalization effectiveness_20190206
Masakazu Shinoda
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
What's hot
(20)
深層学習の数理
深層学習の数理
最適輸送入門
最適輸送入門
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
最適化超入門
最適化超入門
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
科学と機械学習のあいだ:変量の設計・変換・選択・交互作用・線形性
Recent Advances on Transfer Learning and Related Topics Ver.2
Recent Advances on Transfer Learning and Related Topics Ver.2
論文紹介 Pixel Recurrent Neural Networks
論文紹介 Pixel Recurrent Neural Networks
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
【DL輪読会】A Time Series is Worth 64 Words: Long-term Forecasting with Transformers
三次元点群を取り扱うニューラルネットワークのサーベイ
三次元点群を取り扱うニューラルネットワークのサーベイ
混合モデルとEMアルゴリズム(PRML第9章)
混合モデルとEMアルゴリズム(PRML第9章)
Sliced Wasserstein距離と生成モデル
Sliced Wasserstein距離と生成モデル
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
【DL輪読会】The Forward-Forward Algorithm: Some Preliminary
PRML輪読#1
PRML輪読#1
多目的遺伝的アルゴリズム
多目的遺伝的アルゴリズム
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
[DL輪読会]Scalable Training of Inference Networks for Gaussian-Process Models
[DL輪読会]Control as Inferenceと発展
[DL輪読会]Control as Inferenceと発展
組合せ最適化入門:線形計画から整数計画まで
組合せ最適化入門:線形計画から整数計画まで
Optimizer入門&最新動向
Optimizer入門&最新動向
Batch normalization effectiveness_20190206
Batch normalization effectiveness_20190206
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
Recently uploaded
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
UEHARA, Tetsutaro
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
FumieNakayama
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
博三 太田
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
sugiuralab
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
Yuki Kikuchi
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
akihisamiyanaga1
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
FumieNakayama
Recently uploaded
(8)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
デジタル・フォレンジックの最新動向(2024年4月27日情洛会総会特別講演スライド)
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
AWS の OpenShift サービス (ROSA) を使った OpenShift Virtualizationの始め方.pdf
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
モーダル間の変換後の一致性とジャンル表を用いた解釈可能性の考察 ~Text-to-MusicとText-To-ImageかつImage-to-Music...
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
TataPixel: 畳の異方性を利用した切り替え可能なディスプレイの提案
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
自分史上一番早い2024振り返り〜コロナ後、仕事は通常ペースに戻ったか〜 by IoT fullstack engineer
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
CTO, VPoE, テックリードなどリーダーポジションに登用したくなるのはどんな人材か?
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
クラウドネイティブなサーバー仮想化基盤 - OpenShift Virtualization.pdf
進化計算とは(what is evolutional algorythm)
1.
進化計算とは 生命の進化をモデルにした計算および手法
2.
1. 進化とは 2. 進化的計算 3.
遺伝的アルゴリズムと関連手法 4. 遺伝的アルゴリズム以外の進化計算 5. 進化計算の応用例 6. まとめ 概要
3.
1. 進化とは 2. 進化的計算 3.
進化的アルゴリズムと関連手法 4. 群知能 5. 進化計算の応用例 6. まとめ 概要
4.
生物が世代を経てその性質、形質を変化させること 必ずしも改善、改良されるとは限らない 進化とは
5.
進化とは 画像はPEARL MODE (http://pearlsaurus.fc2web.com/)
からの転載
6.
進化とは 画像はPEARL MODE (http://pearlsaurus.fc2web.com/)
からの転載
7.
これは進化ではない!!!!! 画像はPEARL MODE (http://pearlsaurus.fc2web.com/)
からの転載
8.
これは何なのかと言うと… 画像はPEARL MODE (http://pearlsaurus.fc2web.com/)
からの転載
9.
| ', i
l / l イ,、-‐ーー‐--、::::,、-‐ー-、l !::i;::::::::::';::::::::::::::::::l l:::::::::` ‐、 | ', l イ// l/ r'/ /-''"´ ̄ ̄ヽ `,-''"´``‐、 ヽl';::::::::::';ヽ/:::::ノ ノ::::::::::::';::::\ | ',! l/ /::::/::::::/::::::::::l l:l lヽ、二ニニニニニニ、-'´:';:::::::::::::';::::::: ヽ! /、:/:::::;イ::_,、-'´ノ:l し u l:!';:l ';::::/:l', ';::::::l';::::::';:::::::::::::';:::::: ___l___ /、`二//-‐''"´::l|::l l! ';!u ';/:::l ', ';::::::l ';:::::i::::::l:::::::';::::: ノ l Jヽ レ/::/ /:イ:\/l:l l::l u !. l / ';:::l ', ';:::::l. ';::::l::::::l::::::::i:::: ノヌ レ /:l l:::::lヽ|l l:l し !/ ';:l,、-‐、::::l ';::::l:::::l:::::::::l::: / ヽ、_ /::l l:::::l l\l ヽ-' / ';!-ー 、';::ト、';::::l:::::l:::::::::l:: ム ヒ /::::l/l::::lニ‐-、`` / /;;;;;;;;;;;;;ヽ! i::::l::::l:::::::::::l: 月 ヒ /i::/ l::l;;;;;ヽ \ i;;;;;;;;;;;;;;;;;;;l l::l::::l::::::::::::: ノ l ヽヽノ /:::l/:l /;;l:!;;;;;;;;;', ';;;;;;;;;;;;;;;;;ノ l:l:::l:::::::::::::  ̄ ̄ /::::;ィ::l. l;;;;!;;;;;;;;;;;l `‐--‐'´.....:::::::::!l:イ::::::::::::: __|_ ヽヽ /イ//l::l ヽ、;;;;;;;ノ.... し :::::::::::::::::::::ヽ /!リ l:::::::::::::: | ー /::::l';!:::::::::::::::::::: u ', i ノ l::::::::::::::: | ヽー /イ';::l ’ し u. i l l::::::::::::::: | /';:';:!,.イ し 入 l l U l::::::::;'::::: | /,、-'´/ し / ヽ、 u し ,' ,' l::::/:;'::::::: | /l し _,.ノ `フ" ,' ,' ,ィ::/:;':::::::: | /::::::ヽ ヽ / し ,' ,' / l::/:;':::::::::: | /::::::::::::`‐、 し ', / u ,、-'´ l,、-''"´ ̄ | ``‐-、._::::::::::` ‐ 、 ',/ , -'´`'´ ,-'´ | _,、-‐'"´';:::::::::イ:l';:::` ‐ 、._____,、-‐'"´ u / し | | | | \ l::/ l::::::/リ ';:::::lリ:::::l';:::l l:l:::::l\ u / | | | | \/ l:::/ ノ ';::/ ';::::l l::l リ l::l l::/ヽ / し .・. ・ ・. ・ ヽ \ リ レ ヽ! り レノ `y 変態だー!
10.
世代を経ていない 同じ個体が姿を変えているだけ 何故ポケモンの進化が変態なのか
11.
1. 進化とは 2. 進化的計算 3.
進化的アルゴリズムと関連手法 4. 群知能 5. 進化計算の応用例 6. まとめ 概要
12.
生物の振る舞いを模倣して組み合わせ最適化問題を解く方法 人工知能(計算知能)の1分野
大きく分けて2種類存在する 進化的計算とは 進化的アルゴリズム 群知能
13.
いわゆるメタヒューリスティクスな手法 特定の問題の解法に依存しないで解を求めることが可能
必ずしも最適な解を求めることはできない 進化計算の特徴
14.
解法が存在しない、あるいは存在するものの解を求め る時間が膨大になるような問題の解を求めるときに使う 最適でなくとも実用的な範囲内での解を求める際にか なり有用である 進化計算を用いる理由
15.
組み合わせ最適化問題の一種 容量Cのナップサックの中にN個のアイテムを入れる
アイテムにはそれぞれ価値pi,容量ciが設定されている ナップサックの中に入れるアイテムの価値を高くしたい ナップサック問題 どのお菓子もって いこうかな?
16.
Nが1増えるだけで組み合わせの数は2倍になる.つまり, アイテムがN個ある場合,組み合わせは2N通りになる. N
=10の場合,組み合わせ数は210=1024通り アイテム数が増えると組み合わせの数が膨大になり, 計算機を使ったとしてもしらみつぶしで解を探して解く ことが困難になる(組み合わせ爆発) ナップサック問題
17.
1. 進化とは 2. 進化的計算 3.
進化的アルゴリズムと関連手法 4. 群知能 5. 進化計算の応用例 6. まとめ 概要
18.
生命の進化をモデルにした最適化手法 良い解どうしを掛け合わせていけばより良い解が生成さ れるという考えを前提に考案される
以下の4種類の手順を繰り返す 進化的アルゴリズム 選択 交叉 突然変異 淘汰(世代更新)
19.
個体群の中から良い解を選ぶ操作 選択 個体群 この2頭を掛け合わせたらもっ と速い子供が生まれるぞ!
20.
選択操作には多種多様な手法があるがメジャーなものと して以下の3種類があげられる エリート選択 ルーレット選択
トーナメント選択 選択操作
21.
適合度(ある条件下におけるその個体の強さを数値化し たようなもの)が高い順に次の世代に残す個体を選ぶ エリート選択 1位 2位 3位
4位 5位 6位
22.
適合度(ある条件下におけるその個体の強さを数値化し たようなもの)が高い順に親となる個体を選ぶ エリート選択 1位 2位 3位
4位 5位 6位 上位2位をエリートと して次の世代へ残す
23.
適合度ごとに確率を設定し,適合度が高い個体を親と して選ばれやすくして確率的に選ぶ方法 ルーレット選択
24.
適合度ごとに確率を設定し,適合度が高い個体を親と して選ばれやすくして確率的に選ぶ方法 ルーレット選択 個体数を𝑁, 各個体の適合度を𝑓𝑖とすると 個体𝑖が選ばれる確率は 𝑓𝑖 σ
𝑘=1 𝑁 𝑓𝑘 となる
25.
個体群の中から一定数の個体を抜出し,それぞれ適合 度を基準にトーナメントを行う トーナメント選択
26.
個体群の中から一定数の個体を抜出し,それぞれ適合 度を基準にトーナメントを行う トーナメント選択
27.
個体群の中から一定数の個体を抜出し,それぞれ適合 度を基準にトーナメントを行う トーナメント選択
28.
エリート戦略: 上位の個体を選定するため収束が速い 局所解に陥りやすい
ルーレット戦略: 弱い個体も選ばれる可能性がある 局所解から脱出しやすい 状況によっては実装が面倒 トーナメント戦略: 局所解から脱出しやすい 収束が遅い それぞれの特徴
29.
それぞれの個体が持つ遺伝子を組み合わせて新しい 子供を作る 遺伝子の表現は0,
1のバイナリ型や文字列,実数など いろいろな表現のやり方がある 遺伝子の表現によって交叉のさせ方は変わってくる ここではバイナリ型の遺伝子の交叉の手法について紹 介する 交叉
30.
遺伝子座のある1点を境にどちらの親からの遺伝子を継 ぐかどうかを決める手法 一点交叉 1 0 1
0 0 1 1 0 1 1 1 0 0 1 1 1 1 1 0 0
31.
遺伝子座のある2点を境にどちらの親からの遺伝子を継 ぐかどうかを決める手法 二点交叉 1 0 1
0 0 1 1 0 1 1 1 0 0 1 0 1 1 1 0 1
32.
両方の親からランダムに遺伝子を選んで交叉を行う(ここ ではマスクが0の場合親1,1の場合親2から引き継ぐ) 一様交叉 1 0 1
0 0 1 1 0 1 1 0 1 0 1 1 1 1 1 1 1 マスク親1 親2 子
33.
生まれた子供の遺伝子を変化させる これも遺伝子の表現型に応じて色々な手法が存在する 突然変異 0
1 1 1 1 0 1 1 0 1
34.
実世界で弱い生物が淘汰されることと同様に,こちらで も適合度が低い個体を淘汰するように設定する 親のグループと子のグループを合併したグループに対 して,与えられた条件に応じて上位個体のみを残し,そ れ以外の個体を削除することによって世代を更新する 淘汰(世代更新)
35.
今までは遺伝子を0と1の記号列で表していた 今までの方法以外に遺伝子を表現する手段はあるか
また、あるとしたらどのように交叉、突然変異させるか ここで問題
36.
今までは遺伝子を0と1の記号列で表していた 今までの方法以外に遺伝子を表現する手段はあるか
また、あるとしたらどのように交叉、突然変異させるか みんなで考えてみよう! ここで問題
37.
進化計算は基本的に選択,交叉,突然変異を用いて パラメータを改良していく 遺伝子の表現法,およびパラメータ改良の中心となる 操作の方法によって以下の3種類(解釈しだいによって は4種類)に分けられる 1.
遺伝的アルゴリズム(GA) 2. 遺伝的プログラミング(GP) 3. 進化戦略(ES) 4. 進化的プログラミング 進化計算の手法
38.
遺伝子を0と1のバイナリ記号列や文字列,整数値を用 いて前述の操作を適用していく 進化的アルゴリズムの中では最もオーソドックスな手法 遺伝的アルゴリズム
39.
ナップサック問題をGAで解く場合,アイテムを入れるか入れないかを 遺伝子とする.遺伝子長はアイテムの個数とおなじになる アイテムを入れる場合を1,入れない場合を0と表し,k番目の遺伝子 をgkとする
N個のアイテムがあり,k番目(1≦k≦N)のアイテムの価値をpk,容量 をck,ナップサックの容量をC,とする 𝑘=1 𝑁 pkgk を最大化! ただし, σ 𝑘=1 𝑁 ckgk<Cという条件の下で 例 ナップサック問題をGAで解く
40.
例 ナップサック問題をGAで解く アイテム 容量・価値 容量 8
15 25 10 価値 5 12 15 15 遺伝子 1 0 0 1 容量C=30
41.
例 ナップサック問題をGAで解く アイテム 容量・価値 容量 8
15 25 10 価値 5 12 15 15 遺伝子 1 0 0 1 入れるのはこの2つ! 容量C=30
42.
例 ナップサック問題をGAで解く アイテム 容量・価値 容量 8
15 25 10 価値 5 12 15 15 遺伝子 1 0 0 1 入れるのはこの2つ! 容量C=30 価値は5+15=20 容量は10+8=18<C
43.
先程の例だとナップサックの容量を超えなかった ナップサックの容量を超える解も存在する(例,全部1の 遺伝子を持つ個体)
容量を超えた場合どうすればよいか? ここで問題
44.
基本的には遺伝的アルゴリズムと同じ 遺伝子を木構造で表現する
性質上,適用する問題は遺伝的アルゴリズムと異なる プログラムの最適化を行うことができる 遺伝的プログラミング
45.
遺伝的プログラミング A B A C A C B B A C B B A 親1 親2 子
46.
遺伝子を実数値のベクトルとして表現 基本的には突然変異をメインに個体を変化させる
各ベクトルの値に正規乱数を付加し,それを元に値を 変化させる 一つの個体が別な個体に変化するものを(1+1)-ES,複 数の別な状態に増殖する物を(μ+λ)-ESという 進化戦略 0.2 0.3 0.5 0.7 0.9 0.21 0.32 0.5 0.7 0.92 正規乱数付加
47.
実関数の最適化を行うために考案された 基本的に突然変異操作で最適化を行う
遺伝子型の表現など決まった構造がなく,進化戦略と 類似するため,区別することは困難である 進化的プログラミング
48.
個体群として複数の解を変化させ最適解を探索する 局所解から脱出しやすく,広い範囲での探索を行いや すいと 進化計算の性質と強み
49.
進化計算の性質と強み ここが最適! ここもピークに なっている
50.
進化計算の性質と強み 親 親 子 ここを目指 したい
51.
進化計算の性質と強み 親 親 子 掛け合わせることによっ てより高い部分に行くこ とができるように! ここもピークに なっている ここを目指 したい
52.
1. 進化とは 2. 進化的計算 3.
進化的アルゴリズムと関連手法 4. 群知能 5. 進化計算の応用例 6. まとめ 概要
53.
生物のふるまい…特に群れを成す生物の行動をモ チーフに最適化を行う 群れを成すそれぞれの個体の行動そのものは単純なも のである
これも多種多様なものがあるがここでは比較的有名な 蟻コロニー最適化について説明する 群知能
54.
蟻が餌を見つけて巣に持ち帰るルートを調べる方法を モチーフにしたやり方 ルート探索が得意 蟻コロニー最適化(ACO) 他の仲間に道教 えないと ついていこう!
55.
1. 蟻と餌(エージェントと都市)を用意 2. 蟻に餌を回収させ,その順番と距離を記録する 3.
巡ったルートにフェロモンをばら撒く(フェロモンは時 間が経つにつれて薄くなっていく) 4. 一番良い解を記録する 5. 2から4を十分に繰り返す 6. 得られた解を取り出す ACOの流れ
56.
ACOの流れ このお菓子全部お家に 持って帰るぞ
57.
ACOの流れ 今回はこういう風にお 菓子を持って帰ったぞ
58.
ACOの流れ この道を仲間に教える ぞ! フェロモン を残す
59.
ACOの流れ 出すことができるフェロ モンの量は決まってるよ 距離が短いほ ど多く残る!
60.
ACOの流れ 僕はこうやって行って みよう!
61.
ACOの流れ どうやって行けばいい んだろうか…?
62.
ACOの流れ フェロモン多いところの 方が良さそうだ! 次に行く場所はフェ ロモンの量に応じて 確率的に決定する!
63.
1. 進化とは 2. 進化的計算 3.
進化的アルゴリズムと関連手法 4. 群知能 5. 進化計算の応用例 6. まとめ 概要
64.
進化計算は多種多様な分野で応用されている この項目では遺伝的アルゴリズムおよび群知能の応用 例を紹介する 応用例
65.
組み合わせ最適化問題(ナップサック問題など) スケジューリング問題
工業製品の設計問題 …などなど広い分野で応用されている GAの応用例
66.
応用例(遺伝的アルゴリズム) 新幹線の先頭の形状の設計(空力抵抗および騒音について最適化) 700系から… N700系に!
67.
渋滞時におけるカーナビゲーションシステムでのルート 最適化問題 遺伝子組み換えにおける連鎖地図作成での最適パ ターン探索 などのルート探索を中心に応用されている 応用例(蟻コロニー最適化)
68.
多種多様な問題に適用できるが,手法によって得意な 分野,苦手な分野がある(あらゆる分野で性能の良い 汎用最適化手法を生み出すことはできない) それぞれ得意な分野に応じて使い分けて行くことが重 要である 進化計算に色々な手法がある理由
69.
1. 進化とは 2. 進化的計算 3.
進化的アルゴリズムと関連手法 4. 群知能 5. 進化計算の応用例 6. まとめ 概要
70.
進化計算とはどのようなものかを説明した 数ある手法の一部を説明した
応用の方法も説明した まとめ
71.
進化計算とはどのようなものかを説明した 数ある手法の一部を説明した
応用の方法も説明した まとめ
Download now