型分散遗伝的.pptVIP

リフレッシュ型分散遺伝的アルゴリズムの組み合わせ最適化問題への適用 組み合わせ最適化問題とは Job-shop Scheduling Problem (JSP) 遺伝的アルゴリズム（GA） 遺伝的アルゴリズム（GA） 分散遺伝的アルゴリズム（DGA） 分散遺伝的アルゴリズム（DGA） Minimal Generation Gap(MGG) JSPへのGAの適用 パラメータ(ft10，orb1) 最適解発見率(ft10問題) 最適解発見率(ft10問題?MGG) 最適解発見率(orb1問題) 最適解発見率(orb1問題?MGG) 考察 考察 リフレッシュ型分散GAの提案 DGA/Rによる効果 DGA/Rのアルゴリズム DGA/Rのアルゴリズム DGA/Rのアルゴリズム DGA/Rのアルゴリズム 実験の設定 DGA/Rによる最適解発見率 考察 パラメータ 最適解発見率の比較 まとめ ft10問題におけるMakespanの履歴 orb1問題におけるMakespanの履歴 ft10問題のMakespanの履歴 orb1問題のMakespanの履歴 GAの設定 GAの設定 GAの設定 SPGAの効果を除いたDGA/R ?コーディング法 各機械ごとの仕事列 各機械ごとに得られる仕事列を，遺伝子に変換 ?交叉法 Inter-Machine JOX（小野 1998） すべての機械において指定した仕事の作業を子に継承する 親1,2の形質が子1,2に継承される J1を選択 すべての機械で指定した仕事の作業を左 or 右に移動させる ?突然変異 Job-Based Shift Change（小野 1998） * 同志社大学 三木 光範 同志社大学 廣安 知之 同志社大学大学院 勝崎 俊樹 ○ ?設計変数がそれぞれ離散値をとる問題 ?最適解を求めることが極めて困難 ?TSP(Traveling Salesman Problem) ?JSP(Job-shop Scheduling Problem) 複数の都市とその都市間の距離が与えられたとき，全ての都市を巡り，元に戻る最短の巡回路を求める問題 ある製品の製造工程において，複数の仕事を複数の機械に割り当て，総所要時間の最小化を目指す問題 ?仕事は定められた順序で機械に処理されなければならない ?1つの機械は同時に2つ以上の仕事を処理できない ?総作業時間(Makespan)を最小化する問題 ?組み合わせのパターンが膨大なため，厳密解法で解く　ことは極めて困難 ?初期生成した個体を選択?交叉?突然変異で進化させる　ことによる解探索 長所 ?傾向の異なる個体を組み合わせて解探　索を行うので、広域な探索が可能 ?初期生成した個体を選択?交叉?突然変異で進化させる　ことによる解探索 ?個体同士の情報交換によって解探索を 　行うため，世代が進むと個体の傾向　　が同じになる ?一度全ての個体が同じ傾向になって 　しまうと，他の傾向の個体を生み出す 　ことができない 短所 局所解への早熟収束 ?単一母集団GA(SPGA)の短所 早熟収束によって局所解から脱出できなくなる 分散遺伝的アルゴリズム(DGA)を用いることで早熟収束の影響を軽減できると報告されている[三木 2000] SPGA DGA DGAはSPGAと比較して局所解に収束しにくい ?分散遺伝的アルゴリズム(DGA)の特徴 ?個体が複数のサブ母集団(島)に分割されている ?サブ母集団間で個体を一定間隔ごとに交換する(移住) 全ての個体が同じ傾向になりにくい 異なる傾向の個体同士が交叉しやすくなる 局所的な世代交代を実現する世代交代モデル[佐藤 1997] ?初期収束の回避，探索終盤の多様性維持に優れている MGGは他の世代交代モデルと比較して局所解に収束しにくい ?コーディング法 各機械ごとの仕事列 ?交叉法 Inter-Machine JOX（小野 1998） ?突然変異 Job-Based Shift Change（小野 1998） ?アクティブスケジュールを得るための強制操作 GT法による強制操作（Kobayashi 1995） ?対象問題 ft10問題，orb1問題 ?サブ母集団数40のとき，最も良好な結果を示すが， 　最適解発見率は30%に満たない ?SPGAと比較して，DGAは最適解発見率が高い ?ルーレット選択を使用した場合より良好な結果が 　得られる ?SPGAとDGAは最適解発見率が変わらない ?サブ母集団数80のとき，最も良好な結果を示すが， 　最適解発見率は20%に満たない ?SPGAと比較して，DGAは最適解発見率が高い ?通常の世代交代モデルを使用した場合より 　かなり良好な結果が得られる ?SPGAとDGAは最適解発