JP7172706B2 - 演算処理装置、演算処理プログラムおよび演算処理方法 - Google Patents

Description

本発明は、演算処理装置などに関する。

進化計算（ＥＣ：Evolutionary Computation）の１つとして、遺伝的アルゴリズム（ＧＡ：Genetic Algorithm）が知られている（例えば、特許文献１等参照）。遺伝的アルゴリズムでは、例えば、入力値をビット列などに変換しランダムに生成し、入力値を選択（特性の良いものを残す）、交配や変異を繰り返し、最適な入力値を見つける。

また、最適構造の設計に進化計算を用いる手法が知られている。最適構造を求める場合には、性能評価を行う必要がある。性能評価を行うには、設計構造に対応した強度分布を求める必要がある。強度分布を求めるには、固有解条件を満足する固有解を算出することが必須である。

例えば、光ＳＡＷ（Surface Acoustic Wave）フィルタのＳＡＷ印加効率が最大化となるＳＡＷ ｇｕｉｄｅ（信号路）の配置を示す構造を求める場合について、図１５および図１６を参照して説明する。図１５は、光ＳＡＷフィルタのＳＡＷ印加効率最大化の場合のＳＡＷ強度分布の参考例を示す図である。図１５に示すように、ＳＡＷ信号路の配置が異なる２種類のＳＡＷ強度分布が示されている。ＳＡＷ ｇｕｉｄｅの光信号路上でのＳＡＷ強度が最大となるＳＡＷ信号路の配置を求めることで、ＳＡＷ印加効率が最大となる構造を求める。

ＳＡＷ強度分布は、式（１）に基づいて求められる。

ＳＡＷ強度分布を求めるには、式（２）で示す固有解条件を満足する固有解を算出することが必須である。かかる例では、正しいＳＡＷ強度分布となるためには、両無限遠でゼロ（Ｂ_１＝０，Ａ_ｎ＝０）に収束する固有解を算出する必要がある。

図１６は、ＳＡＷ強度分布と固有解との関係を示す参考例を示す図である。なお、図１６では、４つのＳＡＷ信号路の配置を持つ構造のＳＡＷ強度分布を示している。図１６上図では、式（１）および式（２）が示すＳＡＷ強度分布を決定する固有方程式に対してｚの値を替えて両無限遠でゼロ（Ｂ_１＝０，Ａ_ｎ＝０）に収束するｚの値が固有解として求められる。図１６下図では、式（１）および式（２）が示すＳＡＷ強度分布を決定する固有方程式に対してｚの値を替えて両無限遠でゼロ（Ｂ_１＝０，Ａ_ｎ＝０）に収束するｚの値が求められない。すなわち、固有解が求められない。したがって、この４つのＳＡＷ信号路の配置を持つ構造では、図１６上図のように、固有解およびＳＡＷ強度分布が決定される。

そして、構造に対応する固有解および強度分布が求まれば、構造に対するＳＡＷ強度分布から構造の性能評価を行う。そして、各構造の性能評価から、各構造から新たな構造を選別し、次の世代の構造を交配や変異により生成し、最適な設計構造を見つける。

特開２００２－３１２７５５号公報 特開２０１８－２９８６０号公報 特表２００３－５０８８３５号公報

しかしながら、最適構造の設計に進化計算を用いる従来の手法では、進化計算の計算量を低減できないという問題がある。すなわち、従来の手法では、強度分布を求めるために必要な固有解を算出するが、式（１）および式（２）が示す固有方程式に対してｚの値を替えて両無限遠でゼロ（Ｂ_１＝０，Ａ_ｎ＝０）に収束するｚの値を求める。つまり、固有解を求めるために、固有解となり得る全範囲のｚの値を１つずつ替えてゼロに収束するｚの値を計算している。したがって、固有解を求めるための計算量が多くかかるので、進化計算の全体の計算量を低減できない。

本発明は、１つの側面では、進化計算の計算量を低減することを目的とする。

１つの態様では、演算処理装置は、入力に対する固有解に基づいて目的関数を算出し、目的関数を繰り返し計算することで入力の最適値を探索する進化計算において、第１入力に対する第１固有解に基づいて、所定の固有解条件を満たす、第２入力に対する固有解の値域を予測する予測部と、予測した固有解の値域の範囲で、前記固有解条件を満たす、前記第２入力に対する第２固有解を探索する探索部と、を有することを特徴とする。

１実施態様によれば、進化計算の計算量を低減することができる。

図１は、実施例１に係る演算処理装置の構成を示す機能ブロック図である。 図２は、実施例１に係るモデル生成を説明する図である。 図３は、実施例１に係る固有解予測を説明する図である。 図４は、実施例１に係るモデル生成のフローチャートの一例を示す図である。 図５は、実施例１に係る進化計算による構造設計のフローチャートの一例を示す図である。 図６は、実施例１に係る学習モデルを用いた場合の解候補値域のヒット率を示す図である。 図７は、実施例２に係る演算処理装置の構成を示す機能ブロック図である。 図８は、実施例２に係るモデル生成を説明する図である。 図９は、実施例２に係る学習モデルを用いた場合の解候補値域のヒット率を示す図である。 図１０は、実施例３に係る演算処理装置の構成を示す機能ブロック図である。 図１１は、実施例３に係る固有解情報テーブルの一例を示す図である。 図１２は、実施例１～４に係る固有解予測を用いる別の例を示す図である。 図１３は、別の例に係る進化計算による構造設計のフローチャートの一例を示す図である。 図１４は、演算処理プログラムを実行するコンピュータの一例を示す図である。 図１５は、光ＳＡＷフィルタのＳＡＷ印加効率最大化の場合のＳＡＷ強度分布の参考例を示す図である。 図１６は、ＳＡＷ強度分布と固有解との関係を示す参考例を示す図である。 図１７は、進化計算による構造設計のフローチャートの参考例を示す図である。 図１８は、進化計算による構造設計の説明の補足図である。

以下に、本願の開示する演算処理装置、演算処理プログラムおよび演算処理方法の実施例を図面に基づいて詳細に説明する。なお、本発明の実施例では、光ＳＡＷフィルタのＳＡＷ印加効率が最大化となる光信号路の最適な配置（構造設計）を進化計算により求める場合について説明するが、本発明は、実施例により限定されるものではない。

まず、進化計算による構造設計のフローチャートの参考例を、図１７を参照して説明する。図１７は、進化計算による構造設計のフローチャートの参考例を示す図である。なお、図１７のフローチャートを説明する際に、図１８の補足図を参照して説明する。

図１７に示すように、演算処理装置は、設計対象の構造を入力値ｘ_ｋｍとして取得する（Ｓ１１０）。ここでいうｋは、世代を示し、ｍは、世代内の入力値の番号を示す。例えば、図１８第１段に示すように、最適な幅を算出する場合に、ある世代内の入力値を、ｘ_１が「６」、ｘ_２が「８」、ｘ_３が「１０」、ｘ_４が「１２」とする。

そして、演算処理装置は、各入力値ｘ_ｋｍ固有の動作条件を計算する（Ｓ１２０）。すなわち、式（２）の固有解条件のＡ１＝１、Ｂ１＝０を入力した場合に、Ａｎを求める関数をｈ（ｚ）と表すとする。すると、Ａｎはｈ（ｚ）であるため、Ａｎ＝０の条件から、Ａｎすなわちｈ（ｚ）がゼロになる方程式を解いた条件が固有解ｇ（ｚ）となる。ｈ（ｚ）は、構造に依存するため、入力値ｘ_ｋｍごとに異なる。固有解になり得る範囲は、ｚが取り得る１０００点であるとすると、演算処理装置は、１０００点全てについて、固有解・固有動作を探索する。

そして、演算処理装置は、固有解・固有動作を決定する（Ｓ１３０）。すなわち、ｈ（ｚ）がゼロになる点ｚが固有解ｇ（ｚ）として決定される。例えば、図１８第２段に示すように、各構造の入力値に対する固有解ｇ（ｘ_１）、ｇ（ｘ_２）、ｇ（ｘ_３）およびｇ（ｘ_４）が決定される。また、図１８第３段に示すように、各構造の入力値に対するＳＡＷ強度分布が固有動作として決定される。ＳＡＷ強度分布は、ｘ軸を光信号路の位置、ｙ軸をＳＡＷ強度としたグラフで表わされる。固有動作としてのＳＡＷ強度分布は、固有解に基づいて決定される。

そして、演算処理装置は、対象の入力値の性能を算出する（Ｓ１４０）。例えば、図１８第３段に示すように、演算処理装置は、各構造である入力値に対するＳＡＷ強度分布から、各構造の光信号路の配置位置に対応するＳＡＷ強度を性能値として算出する。ここでは、入力値がｘ_１である場合には、性能値ｆ（ｘ_１）として「１．０」が算出される。入力値がｘ_２である場合には、性能値ｆ（ｘ_２）として「１．２」が算出される。入力値がｘ_３である場合には、性能値ｆ（ｘ_３）として「１．４」が算出される。入力値がｘ_４である場合には、性能値ｆ（ｘ_４）として「０．８」が算出される。

そして、演算処理装置は、各入力値に対応する性能を評価する（Ｓ１５０）。例えば、図１８第４段に示すように、入力値ｘ_１（＝６）である場合には、性能値が１．０である。入力値ｘ_２（＝８）である場合には、性能値が１．２である。入力値ｘ_３（＝１０）である場合には、性能値が１．４である。入力値ｘ_４（＝１２）である場合には、性能値が０．８である。そこで、この場合には、ｘが示す幅が「１０」付近が最も性能値ｆ（ｘ）が良いと評価される。

そして、演算処理装置は、終了条件が満たされない場合には、評価結果に基づいて、入力値を選別する（Ｓ１６０）。ここでは、例えば、演算処理装置は、性能値が良かった入力値ｘ_３（＝１０）、入力値ｘ_１（＝６）および入力値ｘ_２（＝８）を残し、最も性能値が悪かった入力値ｘ_４（＝１２）を除去する。

そして、演算処理装置は、次の世代の入力値ｘ_ｋ＋１ｍを生成する（Ｓ１７０）。例えば、演算処理装置は、選別された入力値を交配し、交配した入力値を変異して、次の世代の入力値を生成する。そして、演算処理装置は、次の世代の入力値に対する性能を評価する。

そして、演算処理装置は、終了条件が満たされる場合には、評価結果に基づいて、最適な入力値を選定する（ステップＳ１８０）。

かかる最適な構造設計を選定する進化計算の処理では、演算処理装置は、ＳＡＷ強度分布を求めるために必要な固有解を算出するが、固有解になり得る範囲の全ての点について、固有解を探索する。したがって、演算処理装置は、固有解を求めるための計算量が多くかかるので、進化計算の全体の計算量を低減できない。

そこで、以降の実施例では、進化計算の計算量を低減することが可能な演算処理装置について説明する。

［演算処理装置の構成］
図１は、実施例１に係る演算処理装置の構成を示す機能ブロック図である。図１に示す演算処理装置１は、最適な構造を表す入力値を探索する進化計算において、過去の第１入力値および当該入力値に対する固有解に基づいて、新たな第２入力値に対する固有解の値域を予測する。演算処理装置１は、予測した固有解の値域の範囲で、第２入力値に対する固有解を探索する。すなわち、発明者は、構造を表す入力値と固有解とは相関があることに着目して、進化計算特有の繰り返しを利用し、過去の評価結果から構造を表す入力値に対する固有解を予測し、予測値近辺を探索することで、当該入力値に対する固有値を見つけるようにした。ここでいう入力値は、光ＳＡＷフィルタの設計対象の構造のことをいう。設計対象の構造には、光信号路が配置され、最適な配置を示す構造を選定する場合とする。

演算処理装置１は、制御部１０と、記憶部２０とを有する。

制御部１０は、ＣＰＵ（Central Processing Unit）などの電子回路に対応する。そして、制御部１０は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。制御部１０は、入力部１１、ＨＰＣ（High-Performance Computing）計算部群１２、性能値評価部１３、進化計算部１４、出力部１５および解予測部１６を有する。

記憶部２０は、例えば、ＲＡＭ、フラッシュメモリ（Flash Memory）などの半導体メモリ素子、または、ハードディスク、光ディスクなどの記憶装置である。記憶部２０は、入出力記憶部２１および学習モデル２２を有する。

入出力記憶部２１は、過去の入力値と出力値（性能値）と固有解とを対応付けて記憶する。なお、入出力記憶部２１は、後述する入出力保持部１６１によって記憶される。

学習モデル２２は、過去の入力値と当該入力値に対応する固有解を用いて新たな入力値に対応する固有解の値域を求めるように学習した結果のモデルである。学習モデル２２は、例えば、ニューラルネットワーク（Neural Network：ＮＮ）を用いた手法により学習される。なお、学習モデル２２は、後述するモデル生成部１６２によって生成される。

入力部１１は、学習モデル２２を生成するために用いられる、設計対象の複数の入力値を、後述するＨＰＣ計算部１２１および後述する入出力保持部１６１へ出力する。また、入力部１１は、学習モデル２２を用いて固有解を予測する、設計対象の複数の入力値を後述する固有解予測部１６３へ出力する。

ＨＰＣ計算部群１２は、複数のＨＰＣ計算部１２１を有する。以降では、１つのＨＰＣ計算部１２１について説明する。

ＨＰＣ計算部１２１は、所定の世代の設計対象の入力値を入力し、入力値に対する固有解条件を満たす固有解を求める。すなわち、ＨＰＣ計算部１２１は、入力値に対する固有解条件（式（２））を満たす固有解を、固有解になり得る全範囲から探索する。なお、固有解条件を満たす固有解の探索を全範囲から探索することを、以降、「全範囲探索」というものとする。例えば、ＨＰＣ計算部１２１は、式（２）の固有解条件のＡ１＝１、Ｂ１＝０を入力した場合に、Ａｎを求める関数をｈ（ｚ）と表すとすると、Ａｎ＝０の条件から、Ａｎすなわちｈ（ｚ）がゼロになる方程式を解く。ゼロになる方程式を解いた条件が固有解ｇ（ｚ）となる。固有解になり得る範囲は、ｚが取り得る全ての点であるので、ＨＰＣ計算部１２１は、ｚが取り得る全ての点について、ｈ（ｚ）がゼロになる固有解を探索する。そして、ＨＰＣ計算部１２１は、全範囲探索によって探索された、入力値に対する固有解を後述する出力部１５に出力する。

加えて、ＨＰＣ計算部１２１は、固有解に基づいて目的関数としてＳＡＷ強度分布（固有動作）を算出する。例えば、ＨＰＣ計算部１２１は、式（１）に基づいて、固有解に対応するＳＡＷ強度分布を算出する。ここでは、ＨＰＣ計算部１２１は、式（１）のＮｅｆｆに固有解を代入して、固有解に対応するＳＡＷ強度分布を算出する。ＨＰＣ計算部１２１は、入力値に対するＳＡＷ強度分布を用いて、入力値に対するＳＡＷ強度を性能値として算出する。そして、ＨＰＣ計算部１２１は、入力値に対する性能値を後述する出力部１５に出力する。

性能値評価部１３は、入力値ごとに、各入力値に対応する性能値を算出する。そして、性能値評価部１３は、入力値ごとの性能値に基づいて、各入力値の性能を評価する。そして、性能値評価部１３は、最終的に、各入力値の性能評価の結果に基づいて、最適な入力値を選定する。

進化計算部１４は、各入力値の性能の評価結果に基づいて、複数の入力値から残す入力値を選別する。進化計算部１４は、選別した入力値を交配し、交配した入力値を変異して、次の世代の入力値を生成する。そして、進化計算部１４は、次の世代の入力値を入力部１１に出力する。

出力部１５は、ＨＰＣ計算部１２１から出力された、全範囲探索によって探索された、入力値に対する固有解および性能値を後述する入出力保持部１６１に出力する。

解予測部１６は、入出力保持部１６１と、モデル生成部１６２と、固有解予測部１６３とを有する。

入出力保持部１６１は、全範囲探索によって探索された、それぞれの入力値に対する固有解および性能値を入出力記憶部２１に保持する。

モデル生成部１６２は、全範囲探索によって探索された、入力値に対する固有解に基づいて、入力値に対する固有解条件を満たす固有解がどの値域にあるかを予測する学習モデル２２を生成する。例えば、モデル生成部１６２は、入出力記憶部２１に記憶された、全範囲探索によって探索された、それぞれの入力値および固有解をＮＮ（ニューラルネットワーク）に学習させて、入力値に対する固有解の値域を予測する学習モデル２２を生成する。

ここで、モデル生成部１６２によるモデル生成を、図２を参照して説明する。図２は、実施例１に係るモデル生成を説明する図である。図２に示すように、モデル生成部１６２は、入力値ｘ_ｋｍと固有解ｇ（ｘ_ｋｍ）とをＮＮに学習させて、入力値に対する推定ｇ（ｘ_ｋｍ）を予測する学習モデル２２を生成する。ここでいう推定ｇ（ｘ_ｋｍ）は、固有解の値域を示す。また、ｋは、世代を示し、ｍは、世代内の入力値の番号を示す。

図１に戻って、固有解予測部１６３は、学習モデル２２を用いて、入力値に対する固有解がどの値域（解候補値域）にあるかを予測する。

また、固有解予測部１６３は、予測した固有解の値域の範囲で、入力値に対する固有解条件を満たす、当該入力値に対する固有解を探索する。固有解条件を満たす固有解の探索を固有解の値域の範囲から探索することを、以降、「部分範囲探索」というものとする。

例えば、固有解予測部１６３は、式（２）の固有解条件のＡ１＝１、Ｂ１＝０を入力した場合に、Ａｎを求める関数をｈ（ｚ）と表すとすると、Ａｎ＝０の条件から、Ａｎすなわちｈ（ｚ）がゼロになる方程式を解く。ゼロになる方程式を解いた条件が固有解ｇ（ｚ）となる。ここで、ゼロになる方程式を解くｚの範囲は、予測した固有解の値域の範囲（部分範囲）となる。固有解予測部１６３は、予測した固有解の値域の範囲（部分範囲）内の点について、固有解を探索して、固有解を予測する。すなわち、固有解予測部１６３は、固有解の値域の範囲内のｚの値を順番に方程式ｈ（ｚ）に代入して、ゼロになるｚの値を固有解として予測する。

そして、固有解予測部１６３は、固有解の予測に成功した場合には、当該固有解を入力値とともにＨＰＣ計算部１２１に出力する。これは、ＨＰＣ計算部１２１に、入力値に対する固有解のＳＡＷ強度分布（固有動作）を算出させ、入力値に対する性能値を算出させるためである。一方、固有解予測部１６３は、固有解の予測に失敗した場合には、予測に失敗した固有解に対する入力値をＨＰＣ計算部１２１に出力する。これは、ＨＰＣ計算部１２１に、全範囲探索で入力値に対する固有解を求めさせるためである。

［固有解予測の説明］
ここで、固有解予測部１６３による固有解予測を、図３を参照して説明する。図３は、実施例１に係る固有解予測を説明する図である。なお、図３では、解候補値域が、予め、１０００点を２０分割した５００点ずつの２０値域に区切られている。

まず、図３左図に示す学習モデル２２を用いて、固有解予測部１６３は、入力値ｘ_ｋｍに対する解候補値域を予測する。

次に、図３右図に示すように、固有解予測部１６３は、予測した解候補値域の範囲で、入力値に対する固有解条件を満たす、当該入力値に対する固有解を探索する。ここでは、予測された解候補値域は、「５」であったとする。すると、固有解予測部１６３は、式（２）の固有解条件のＡ１＝１、Ｂ１＝０を入力した場合のＡｎを求める関数ｈ（ｚ）がＡｎ＝０の条件からゼロになる方程式を、解候補値域が「５」を示す範囲内で解く。すなわち、固有解予測部１６３は、解候補値域が「５」を示す範囲内のｚの値を方程式ｈ（ｚ）に代入する。固有解予測部１６３は、解候補値域の範囲内のいずれかのｚの値で関数ｈ（ｚ）がゼロになる場合には、すなわち、固有解の予測に成功した場合には、関数ｈ（ｚ）がゼロになるｚの値を固有解として予測する。これにより、固有解予測部１６３は、解となる可能性のある範囲内の全点を探索する全範囲探索の場合と比べて、１／２０の範囲のみ探索すれば良いので、計算量が１／２０と軽減できるとともに、高速化することができる。

なお、固有解予測部１６３は、解候補値域の範囲内のｚの値で関数ｈ（ｚ）がゼロにならない場合には、すなわち、固有解の予測に失敗した場合には、ＨＰＣ計算部１２１に全範囲探索で固有解を求めさせれば良い。

［モデル生成のフローチャート］
図４は、実施例１に係るモデル生成のフローチャートの一例を示す図である。なお、世代ｋは、初期値を「１」とするものとする。

図４に示すように、入力部１１は、設計対象の入力値“ｘ_ｋｍ”（構造・設計値）を複数入力する（ステップＳ１１）。

ＨＰＣ計算部１２１は、各入力値“ｘ_ｋｍ”固有の動作条件を計算する（ステップＳ１２）。例えば、ＨＰＣ計算部１２１は、入力値ごとに、式（２）の固有解条件のＡ１＝１、Ｂ１＝０を入力した場合に、Ａｎを求める関数ｈ（ｚ）を計算する。そして、ＨＰＣ計算部１２１は、入力値ごとに、式（２）の固有解条件のＡｎ＝０の条件から、ｚが取り得る全ての点について、Ａｎすなわちｈ（ｚ）がゼロになる方程式を解く。

ＨＰＣ計算部１２１は、各入力値に対する固有解および固有動作を決定する（ステップＳ１３）。例えば、ＨＰＣ計算部１２１は、入力値ごとに、方程式ｈ（ｚ）を解いた結果、ゼロになるｚの値を固有解として決定する。そして、ＨＰＣ計算部１２１は、式（１）に基づいて、決定した固有解に対応するＳＡＷ強度分布を固有動作として算出する。ここでは、ＨＰＣ計算部１２１は、式（１）のＮｅｆｆに固有解を代入して、固有解に対応するＳＡＷ強度分布を算出する。

そして、入出力保持部１６１は、入力値に対する固有解を入出力記憶部２１に累積保存する（ステップＳ１４）。

そして、性能値評価部１３は、各入力値の性能を算出する（ステップＳ１５）。例えば、性能値評価部１３は、各入力値に対するＳＡＷ強度分布から、各入力値が示す各構造の光信号路の配置位置に対応するＳＡＷ強度を性能値として算出する。そして、性能値評価部１３は、入力値ごとの性能値に基づいて、各入力値の性能を評価する（ステップＳ１６）。

そして、性能値評価部１３は、現世代が閾値を超えるか否かを判定する（ステップＳ１７）。現世代が閾値を超えていないと判定した場合には（ステップＳ１７；Ｎｏ）、進化計算部１４は、評価結果に基づいて、現入力値“ｘ_ｋｍ”から入力値を選別する（ステップＳ１８）。

そして、進化計算部１４は、次の世代の入力値“ｘ_ｋ＋１ｍ”を生成する（ステップＳ１９）。例えば、進化計算部１４は、選別された入力値を交配し、交配した入力値を変異して、次の世代の入力値を生成する。そして、進化計算部１４は、次の世代の処理をすべく、ステップＳ１１に移行する。

一方、現世代が閾値を超えたと判定した場合には（ステップＳ１７；Ｙｅｓ）、モデル生成部１６２は、保存した入力値に対する固有解から、入力値に対する固有解がどの値域にあるかを予測する学習モデル２２を生成する（ステップＳ２０）。そして、モデル生成処理は、終了する。

［進化計算のフローチャート］
図５は、実施例１に係る進化計算のフローチャートの一例を示す図である。なお、世代ｋは、初期値を、モデル生成で用いた閾値＋１とするものとする。

図５に示すように、入力部１１は、設計対象の入力値“ｘ_ｋｍ”（構造・設計値）を複数入力する（ステップＳ２１）。

固有解予測部１６３は、学習モデル２２を用いて、入力値に対する固有解の解候補値域を推定する（ステップＳ２２）。固有解予測部１６３は、解候補値域の範囲で固有解を予測する（ステップＳ２３）。例えば、固有解予測部１６３は、入力値ごとに、式（２）の固有解条件のＡ１＝１、Ｂ１＝０を入力した場合に、Ａｎを求める関数ｈ（ｚ）を計算する。そして、固有解予測部１６３は、入力値ごとに、式（２）の固有解条件のＡｎ＝０の条件から、推定された解候補値域の範囲のｚの点について、Ａｎすなわちｈ（ｚ）がゼロになる方程式を解いて、固有解を予測する。すなわち、固有解予測部１６３は、固有解の値域の範囲内のｚの値を順番に方程式ｈ（ｚ）に代入して、ゼロになるｚの値を固有解として予測する。

固有解予測部１６３は、固有解の予測に成功したか否かを判定する（ステップＳ２４）。固有解の予測に成功したと判定した場合には（ステップＳ２４；Ｙｅｓ）、固有解予測部１６３は、ステップＳ２６に移行する。

一方、固有解の予測に成功しなかったと判定した場合には（ステップＳ２４；Ｎｏ）、ＨＰＣ計算部１２１が、各入力値“ｘ_ｋｍ”固有の動作条件を計算する（ステップＳ２５）。例えば、ＨＰＣ計算部１２１は、入力値ごとに、式（２）の固有解条件のＡ１＝１、Ｂ１＝０を入力した場合に、Ａｎを求める関数ｈ（ｚ）を計算する。そして、ＨＰＣ計算部１２１は、入力値ごとに、式（２）の固有解条件のＡｎ＝０の条件から、ｚが取り得る全ての点について、Ａｎすなわちｈ（ｚ）がゼロになる方程式を解いて、固有解を予測する。そして、ＨＰＣ計算部１２１は、ステップＳ２６に移行する。

ＨＰＣ計算部１２１は、各入力値に対する固有解および固有動作を決定する（ステップＳ２６）。例えば、ＨＰＣ計算部１２１は、入力値ごとに、方程式ｈ（ｚ）を解いた結果、ゼロになるｚの値を固有解として決定する。そして、ＨＰＣ計算部１２１は、式（１）に基づいて、決定した固有解に対応するＳＡＷ強度分布を固有動作として算出する。ここでは、ＨＰＣ計算部１２１は、式（１）のＮｅｆｆに固有解を代入して、固有解に対応するＳＡＷ強度分布を算出する。

そして、性能値評価部１３は、各入力値の性能を算出する（ステップＳ２７）。例えば、性能値評価部１３は、各入力値に対するＳＡＷ強度分布から、各入力値が示す各構造の光信号路の配置位置に対応するＳＡＷ強度を性能値として算出する。そして、性能値評価部１３は、入力値ごとの性能値に基づいて、各入力値の性能を評価する（ステップＳ２８）。

そして、性能値評価部１３は、終了条件を満たすか否かを判定する（ステップＳ２９）。終了条件を満たしていないと判定した場合には（ステップＳ２９；Ｎｏ）、進化計算部１４は、評価結果に基づいて、現入力値“ｘ_ｋｍ”から入力値を選別する（ステップＳ３０）。

そして、進化計算部１４は、次の世代の入力値“ｘ_ｋ＋１ｍ”を生成する（ステップＳ３１）。例えば、進化計算部１４は、選別された入力値を交配し、交配した入力値を変異して、次の世代の入力値を生成する。そして、進化計算部１４は、次の世代の処理をすべく、ステップＳ２１に移行する。

一方、終了条件を満たしたと判定した場合には（ステップＳ２９；Ｙｅｓ）、性能値評価部１３は、各入力値の性能評価の結果に基づいて、最適な入力値を選定する（ステップＳ３２）。そして、進化計算処理は、終了する。

［学習モデルを用いた場合の解候補値域のヒット率］
ここで、実施例１に係る学習モデル２２を用いた場合の解候補値域のヒット率を、図６を参照して説明する。図６は、実施例１に係る学習モデルを用いた場合の解候補値域のヒット率を示す図である。図６では、１世代に対して２００個の入力値を有し、２００世代分の合計４００００個の入力値を評価する進化計算の例である。学習モデル２２は、４層のＮＮであり、解候補値域を２０値域に区切ったものとする。

このような状況の下、モデル生成部１６２は、初期の１～２５世代の５０００データ（２００入力値×２５世代）を学習して、学習モデル２２を生成するようにした。そして、固有解予測部１６３は、５００１データ以降の２６世代以降では、学習モデル２２を用いて各入力値に対する解候補値域を予測し、予測した解候補値域で部分範囲探索をして固有解を予測するようにした。

すると、図６に示すように、５００１データ以降の２６世代以降のデータ（入力値）で、固有解の予測に成功した確率が６０％以上のヒット率となった。例えば、５００１～１０００個のデータ（入力値）の場合に、ヒット率が６０％を超え、３００００～３５０００個のデータ（入力値）場合に、ヒット率が６０％を超えている。

そうすると、５００１データ以降の２６世代以降のデータのうち６０％のデータの計算量が１／２０になれば、残りの４０％のデータが全範囲探索であっても、１回当たりの入力値の特性計算量は、４３％（０．４３＝０．４×１＋０．６×１／２０）となる。加えて、４００００回の計算のうち最初の５０００回が全範囲探索であっても、総計算量は、５０％（０．５＝５０００／４００００×１＋３５０００／４００００×０．４３）となる。すなわち、演算処理装置１は、実施例１に係る学習モデル２２の解候補値域を用いた場合には、進化計算の計算量を低減することができる。

［実施例１の効果］
上記実施例１によれば、演算処理装置１は、入力値に対する固有解に基づいて目的関数を算出し、目的関数を繰り返し計算することで入力値の最適値を探索する進化計算において、以下の処理を行う。演算処理装置１は、第１入力値に対する第１固有解に基づいて、所定の固有解条件を満たす、第２入力値に対する固有解の値域を予測する。演算処理装置１は、予測した固有解の値域の範囲で、固有解条件を満たす、第２入力に対する第２固有解を探索する。かかる構成によれば、演算処理装置１は、固有解条件を満たす入力値に対する固有解の値域を用いて固有解を予測することで、進化計算の全体の計算量を低減することが可能となる。

また、上記実施例１によれば、演算処理装置１は、第１入力値に対する第１固有解を所定の固有解条件に基づいて計算する。演算処理装置１は、第１入力値および計算した結果の第１固有解に基づいて、固有解条件を満たす固有解の値域を予測する学習モデル２２を生成する。かかる構成によれば、演算処理装置１は、学習モデル２２を用いて固有解の値域を予測することで、固有解を計算する計算量を低減することができる。この結果、演算処理装置１は、進化計算の全体の計算量を低減することが可能となる。

また、上記実施例１によれば、演算処理装置１は、第２入力値に対する第２固有解に基づいて目的関数（ＳＡＷ強度分布）を算出する。演算処理装置１は、算出された目的関数に基づいて、第２入力値に対する性能を評価する。演算処理装置１は、評価された性能値に基づいて、第２入力値から新たな第２入力値を生成する。そして、演算処理装置１は、新たな第２入力値に対して、固有解の値域を予測する処理、固有解を探索する処理、目的関数を算出する処理、入力値に対する性能を評価する処理および新たな入力値を生成する処理を繰り返す。かかる構成によれば、演算処理装置１は、進化計算の全体の計算量を低減することが可能となる。

ところで、実施例１では、演算処理装置１は、全範囲探索によって探索された、第１世代から第ｍ世代までの入力値に対する固有解に基づいて、入力値に対する固有解がどの値域にあるかを予測する学習モデル２２を生成すると説明した。そして、演算処理装置１は、第ｍ＋１世代の入力値から、生成した学習モデル２２を用いて、入力値に対する固有解の解候補値域を予測し、解候補値域の範囲から固有解を探索する部分範囲探索を行う。しかしながら、演算処理装置１は、これに限定されず、学習モデル２２を、部分範囲探索を行う世代に合わせて更新するようにしても良い。例えば、演算処理装置１は、部分範囲探索を行う世代の直前の数個の世代を用いた学習モデルとなるように、学習モデル２２を更新する。学習モデル２２を世代に合わせて更新するのは、進化計算では、各世代の入力値が進化に合わせてシフトするからである。

そこで、実施例２では、演算処理装置１が、学習モデル２２を、部分範囲探索を行う世代に合わせて更新する場合について説明する。

［演算処理装置の構成］
図７は、実施例２に係る演算処理装置の構成を示す機能ブロック図である。なお、図１に示す演算処理装置１と同一の構成については同一符号を示すことで、その重複する構成および動作の説明については省略する。実施例１と実施例２とが異なるところは、モデル生成部１６２をモデル生成部１６２Ａに変更した点にある。

モデル生成部１６２Ａは、固有解を予測する世代ごとに、学習モデル２２を更新する。例えば、モデル生成部１６２Ａは、固有解を予測する世代ごとに、世代の直前の数世代の入力値および固有解を用いて入力値に対する固有解条件を満たす固有解がどの値域にあるかを予測する学習モデル２２を生成する。そして、モデル生成部１６２Ａは、固有解を予測する世代ごとに、学習モデル２２を更新する。

ここで、実施例２に係るモデル生成を、図８を参照して説明する。図８は、実施例２に係るモデル生成を説明する図である。図８に示すように、進化計算では、入力値が進化の過程で、シフトする。ここでは、第１～２５世代では、入力値が左上に存在していたが、第２６～５０世代、第５１～７５世代と世代が進化するにつれて、入力値が右下にシフトしている。

そこで、モデル生成部１６２Ａは、固有解を予測する世代ごとに、世代の直前の数世代の入力値を用いて入力値に対する固有解条件を満たす固有解がどの値域にあるかを予測する学習モデル２２を生成し、更新する。ここでは、第５１～７５世代の固有解を予測する場合には、第２６～５０世代の入力値を学習データとして使用して学習モデル２２が生成され、更新される。また、第２６～５０世代の固有解を予測する場合には、第１～２５世代の入力値を学習データとして使用して学習モデル２２が生成され、更新される。

［学習モデルを用いた場合の解候補値域のヒット率］
ここで、実施例２に係る学習モデル２２を用いた場合の解候補値域のヒット率を、図９を参照して説明する。図９は、実施例２に係る学習モデルを用いた場合の解候補値域のヒット率を示す図である。図９では、図６と同様に、１世代に対して２００個の入力値を有し、２００世代分の合計４００００個の入力値を評価する進化計算の例である。学習モデル２２は、４層のＮＮであり、解候補値域を２０値域に区切ったものとする。

このような状況の下、モデル生成部１６２Ａは、２６世代目の固有解予測には、第１～２５世代の入力値を学習データとして使用した学習モデル２２を生成する。モデル生成部１６２Ａは、２７世代目の固有解予測には、第２～２６世代の入力値を学習データとして学習モデル２２を生成する。モデル生成部１６２Ａは、この後、継続して、世代ごとに、学習モデル２２を常時最新のデータ基準になるように更新するようにした。

すると、図９に示すように、５００１データ以降の２６世代以降のデータ（入力値）で、固有解の予測に成功した確率が７０％前後のヒット率となった。例えば、５００１～１０００個のデータ（入力値）の場合に、ヒット率が７０％となり、３００００～３５０００個のデータ（入力値）の場合に、ヒット率が７０％となっている。

そうすると、学習の継続に起因する計算量は増加するが、５００１データ以降の２６世代以降のデータのうち７０％のデータの計算量が１／２０になれば、残りの３０％のデータが全範囲探索であっても、１回当たりの入力値の特性計算量は、３３．５％（０．３３５＝０．３×１＋０．７×１／２０）となる。すなわち、演算処理装置１は、実施例２に係る学習モデル２２の解候補値域を用いた場合には、進化計算の計算量をさらに低減することができる。

［実施例２の効果］
上記実施例２によれば、演算処理装置１は、第２入力が所定の世代の入力である場合には、所定の世代より前の複数世代の第１入力および第１固有解に基づいて、学習モデル２２を生成し、更新する。かかる構成によれば、演算処理装置１は、世代に応じた学習モデル２２を用いることで、固有解の値域を精度良く予測することが可能となり、進化計算の計算量を低減できる。

ところで、実施例１では、演算処理装置１は、全範囲探索によって探索された、第１世代から第ｍ世代までの入力値に対する固有解に基づいて、入力値に対する固有解がどの値域にあるかを予測する学習モデル２２を生成すると説明した。そして、演算処理装置１は、第ｍ＋１世代の入力値から、生成した学習モデル２２を用いて、入力値に対する固有解の解候補値域を予測し、解候補値域の範囲から固有解を探索する部分範囲探索を行う。しかしながら、演算処理装置１は、これに限定されず、全範囲探索によって探索された、第１世代から第ｍ世代までの入力値に対する固有解をそれぞれ固有解情報テーブル２３に記憶する。そして、演算処理装置１は、第ｍ＋１世代の入力値から、生成した固有解情報テーブル２３を用いて、入力値に対する固有解を予測しても良い。

そこで、実施例３は、演算処理装置１が、入力値に対する固有解を記憶した固有解情報テーブル２３を用いて、新たな入力値に対する固有解を予測する場合について説明する。

［演算処理装置の構成］
図１０は、実施例３に係る演算処理装置の構成を示す機能ブロック図である。なお、図１に示す演算処理装置１と同一の構成については同一符号を示すことで、その重複する構成および動作の説明については省略する。実施例１と実施例３とが異なるところは、モデル生成部１６２を固有解情報テーブル生成部１６４に変更した点にある。また、固有解予測部１６３を固有解予測部１６３Ａに変更した点にある。また、また、学習モデル２２を固有解情報テーブル２３に変更した点にある。

固有解情報テーブル２３は、複数個の入力値に対する固有解を記憶するテーブルである。ここで、固有解情報テーブル２３の一例を、図１１を参照して説明する。図１１は、実施例３に係る固有解情報テーブルの一例を示す図である。図１１に示すように、固有解情報テーブル２３は、入力値ｘ_ｋｍと、固有解ｇ（ｘ_ｋｍ）とを対応付けて記憶する。ここでいうｋは、世代を示し、ｍは、世代内の入力値の番号を示す。一例として、入力値ｘ_ｋｍがｘ_０２である場合には、ｘ_０２の値として「１１１・・・１」、固有解ｇ（ｘ_ｋｍ）として「１２」を記憶している。

図１０に戻って、固有解情報テーブル生成部１６４は、固有解情報テーブル２３を生成する。例えば、固有解情報テーブル生成部１６４は、入出力記憶部２１に記憶された、全範囲探索によって探索された、数個の世代のそれぞれの入力値および固有解を固有解情報テーブル２３に保持する。

固有解予測部１６３Ａは、固有解情報テーブル２３を用いて、入力値に対する固有解を予測する。例えば、固有解予測部１６３Ａは、固有解情報テーブル２３を用いて、新たな世代の入力値に対する固有解を予測する。一例として、新たな世代の入力値がｘ_０２に最も近い場合には、固有解予測部１６３Ａは、最も近い入力値ｘ_０２に対する固有解ｇ（ｘ_０２）を、新たな世代の入力値の固有解として予測する。また、別例として、新たな世代の入力値がｘ_０２とｘ_５３とに近似する場合には、固有解予測部１６３Ａは、近似する入力値に対する固有解から内挿した解を、新たな世代の入力値の固有解として予測する。例えば、固有解予測部１６３Ａは、ｇ（ｘ_０２）と、ｇ（ｘ_５３）との平均値を、新たな世代の入力値の固有解として予測する。

ところで、実施例１では、演算処理装置１は、全範囲探索によって探索された、第１世代から第ｍ世代までの入力値に対する固有解に基づいて、入力値に対する固有解がどの値域にあるかを予測する学習モデル２２を生成すると説明した。そして、演算処理装置１は、第ｍ＋１世代の入力値から、生成した学習モデル２２を用いて、入力値に対する固有解の解候補値域を予測し、解候補値域の範囲から固有解を探索する部分範囲探索を行う。しかしながら、演算処理装置１は、これに限定されず、全範囲探索によって探索された、第１世代から第ｍ世代までの入力値に対する固有解について、固有解で構成されるデータ区間（解候補値域に相当）の頻度分布を生成しても良い。そして、演算処理装置１は、第ｍ＋１世代の入力値から、生成した頻度分布を用いて、頻度が多いデータ区間から固有解を探索する部分範囲探索を行っても良い。

例えば、解候補値域が、予め、１０００点を２０分割した５００点ずつの２０値域に区切られているとする。すると、全体の固有解の４０％弱が特定の解候補値域の範囲内に収まっている場合には、１回当たりの入力値の特性計算量は、６２％（０．６２＝０．４×１／２０＋０．６×１）となる。すなわち、演算処理装置１は、実施例４に係る固有解の頻度分布を用いた場合には、全範囲探索する場合と比較して、進化計算の計算量を２／３に低減することができる。

［実施例４の効果］
上記実施例５によれば、演算処理装置１は、第１入力値に対する第１固有解を所定の固有解条件に基づいて計算する。演算処理装置１は、第１入力値および計算した結果の第１固有解に基づいて、複数の固有解の値域ごとの固有解の頻度分布を生成する。演算処理装置１は、固有解の頻度分布を用いて、第２入力値に対する固有解の値域を予測する。かかる構成によれば、演算処理装置１は、固有解の頻度分布を用いて固有解の値域を予測することで、固有解を計算する計算量を低減することができる。この結果、演算処理装置１は、進化計算の全体の計算量を低減することが可能となる。

［固有解予測を用いる別の例］
実施例１～４に係る固有解予測では、光ＳＡＷフィルタの設計する場合について説明した。実施例１～４に係る固有解予測を用いる別の例を、図１２を参照して説明する。図１２は、実施例１～４に係る固有解予測を用いる別の例を示す図である。図１２では、ＶＣＯ（Voltage Control Oscillator）回路の設計を進化計算により求める場合について説明する。

図１２上図には、ＶＣＯ回路が表わされている。破線部分が例えば設計要件の一例となる。

図１２下左図には、発振周波数と動作電圧との関係が表わされている。ＶＣＯ回路は、発振周波数が仕様の値（２５．０ＧＨｚなど）を目標の値として動作するように動作電圧を設定して使用する。ここでは、発振周波数ｆとして２５．０ＧＨｚが仕様の値である場合である。入力値１が示す構造では、仕様の値で動作する場合には、動作電圧は、Ｖ１を示す。入力値２が示す構造では、仕様の値で動作する場合には、動作電圧は、Ｖ２を示す。このように、構造により動作電圧が異なる。

図１２下右図には、仕様周波数での位相雑音が表わされている。ＶＣＯ回路は、発振周波数が仕様の値で動作するだけでなく、仕様に応じた条件で位相雑音が小さいことが求められる。ここでは、入力値２が示す構造２は、入力値１が示す構造１より、位相雑音が小さい。したがって、構造２は、構造１より最適な構造であることがわかる。

このようなＶＣＯ回路の設計概要の下、設計時では、インダクタや可変容量などの入力値（構造、パラメータ値などの設計要件）を調整し、最適な構造を探索するが、この入力値が変更されれば、入力値に対する動作電圧が変化する。このため、各入力値に応じて仕様の発振周波数ｆとなる動作電圧（Ｖｃｎｔ）を毎回予測し、仕様に応じた条件で位相雑音を評価する必要がある。

そこで、例えば、ＶＣＯ回路の構造、パラメータなどの設計要件を、実施例１に係る「入力値」に対応させる。入力値に対する仕様条件での動作電圧を「固有解」に対応させる。入力値に対する仕様に応じた条件での位相雑音を評価値に対応させる。そして、以下のように、例えば、実施例１に係る固有解予測を用いて、ＶＣＯを設計すれば良い。

ＨＰＣ計算部１２１は、所定の世代の設計要件の入力値を入力し、入力値に対する仕様条件を満たす動作電圧を求めるために、動作電圧になり得る全範囲を探索する。

そして、モデル生成部１６２は、全範囲探索によって探索された、入力値に対する動作電圧に基づいて、入力値に対する仕様条件を満たす動作電圧がどの値域にあるかを予測する学習モデル２２を生成する。

そして、固有解予測部１６３は、学習モデル２２を用いて、入力値に対する動作電圧がどの値域（解候補値域）にあるかを予測する。固有解予測部１６３は、予測した動作電圧の値域の範囲で、入力値に対する仕様条件を満たす、当該入力値に対する動作電圧を予測する。なお、固有解予測部１６３は、動作電圧の予測に失敗した場合には、ＨＰＣ計算部１２１に、全範囲探索により、入力値に対する動作電圧を探索させれば良い。

そして、性能値評価部１３は、予測または探索できた動作電圧に基づいて、入力値に対する位相雑音を算出する。そして、性能値評価部１３は、入力値ごとの位相雑音に基づいて、各入力値の位相雑音（性能）を評価する。そして、進化計算部１４は、各入力値の位相雑音の評価結果に基づいて、入力値を進化させ、入力値に対して動作電圧を予測させ、最終的に最適な入力値を選定させれば良い。

［進化計算のフローチャート］
図１３は、別の例に係る進化計算による構造設計のフローチャートの一例を示す図である。なお、学習モデル２２は、モデル生成部１６２によって生成されたとする。また、世代ｋは、初期値を、モデル生成で用いた閾値＋１とするものとする。

図１３に示すように、入力部１１は、設計対象の入力値“ｘ_ｋｍ”（構造・設計値）を複数入力する（ステップＳ４１）。

固有解予測部１６３は、学習モデル２２を用いて、入力値に対する固有の動作電圧の解候補値域を推定する（ステップＳ４２）。固有解予測部１６３は、解候補値域の範囲で固有の動作電圧を予測する（ステップＳ４３）。

固有解予測部１６３は、固有の動作電圧の予測に成功したか否かを判定する（ステップＳ４４）。固有の動作電圧の予測に成功したと判定した場合には（ステップＳ４４；Ｙｅｓ）、固有解予測部１６３は、ステップＳ４６に移行する。

一方、固有の動作電圧の予測に成功しなかったと判定した場合には（ステップＳ４４；Ｎｏ）、ＨＰＣ計算部１２１が、各入力値“ｘ_ｋｍ”固有の動作電圧を算出する（ステップＳ４５）。すなわち、ＨＰＣ計算部１２１は、仕様となる固有の動作電圧を全範囲から探索して固有の動作電圧を算出する。そして、ＨＰＣ計算部１２１は、ステップＳ４６に移行する。

ステップＳ４６において、ＨＰＣ計算部１２１は、各入力値に対する固有の動作電圧を決定する（ステップＳ４６）。

そして、性能値評価部１３は、各入力値の性能を算出する（ステップＳ４７）。例えば、性能値評価部１３は、各入力値に対する固有の動作電圧から位相雑音を算出する。そして、性能値評価部１３は、入力値ごとの位相雑音に基づいて、各入力値の性能を評価する（ステップＳ４８）。

そして、性能値評価部１３は、終了条件を満たすか否かを判定する（ステップＳ４９）。終了条件を満たしていないと判定した場合には（ステップＳ４９；Ｎｏ）、進化計算部１４は、評価結果に基づいて、現入力値“ｘ_ｋｍ”から入力値を選別する（ステップＳ５０）。

そして、進化計算部１４は、次の世代の入力値“ｘ_ｋ＋１ｍ”を生成する（ステップＳ５１）。例えば、進化計算部１４は、選別された入力値を交配し、交配した入力値を変異して、次の世代の入力値を生成する。そして、進化計算部１４は、次の世代の処理をすべく、ステップＳ４１に移行する。

一方、終了条件を満たしたと判定した場合には（ステップＳ４９；Ｙｅｓ）、性能値評価部１３は、各入力値の性能評価の結果に基づいて、最適な入力値を選定する（ステップＳ５２）。そして、進化計算処理は、終了する。

［別の例の効果］
これにより、演算処理装置１は、ＶＣＯを設計する場合に、仕様条件を満たす入力値に対する動作電圧の値域を用いて動作電圧を予測することで、進化計算の全体の計算量を低減することが可能となる。つまり、演算処理装置１は、各入力値に対して仕様の発振周波数となる動作電圧（固有解に対応）の探索を予測できれば、効率的に入力値（構造）を評価できるため、ＶＣＯの設計に用いられる計算量を削減できる。

［その他］
なお、図示した演算処理装置１の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、演算処理装置１の分散・統合の具体的態様は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、出力部１５と入出力保持部１６１とを１つの部として統合しても良い。また、ＨＰＣ計算部１２１を、全範囲探索により固有解を探索する計算部と、固有解に基づいて目的関数を計算する部と、目的関数により入力値に対する性能値を計算部とに分離しても良い。また、記憶部２０を演算処理装置１の外部装置としてネットワーク経由で接続するようにしても良い。

また、上記実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図１に示した演算処理装置１と同様の機能を実現する演算処理プログラムを実行するコンピュータの一例を説明する。図１４は、演算処理プログラムを実行するコンピュータの一例を示す図である。

図１４に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０３と、ユーザからのデータの入力を受け付ける入力装置２１５と、表示装置２０９を制御する表示制御部２０７とを有する。また、コンピュータ２００は、記憶媒体からプログラムなどを読取るドライブ装置２１３と、ネットワークを介して他のコンピュータとの間でデータの授受を行う通信制御部２１７とを有する。また、コンピュータ２００は、各種情報を一時記憶するメモリ２０１と、ＨＤＤ（Hard Disk Drive）２０５を有する。そして、メモリ２０１、ＣＰＵ２０３、ＨＤＤ２０５、表示制御部２０７、ドライブ装置２１３、入力装置２１５、通信制御部２１７は、バス２１９で接続されている。

ドライブ装置２１３は、例えばリムーバブルディスク２１０用の装置である。ＨＤＤ２０５は、演算処理プログラム２０５ａおよび演算処理関連情報２０５ｂを記憶する。

ＣＰＵ２０３は、演算処理プログラム２０５ａを読み出して、メモリ２０１に展開し、プロセスとして実行する。かかるプロセスは、演算処理装置１の各機能部に対応する。演算処理関連情報２０５ｂは、入出力記憶部２１および学習モデル２２に対応する。そして、例えばリムーバブルディスク２１０が、演算処理プログラム２０５ａなどの各情報を記憶する。

なお、演算処理プログラム２０５ａについては、必ずしも最初からＨＤＤ２０５に記憶させておかなくても良い。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ（Digital Versatile Disk）、光磁気ディスク、ＩＣ（Integrated Circuit）カードなどの「可搬用の物理媒体」に当該プログラムを記憶させておく。そして、コンピュータ２００がこれらから演算処理プログラム２０５ａを読み出して実行するようにしても良い。

１ 演算処理装置
１０ 制御部
１１ 入力部
１２ ＨＰＣ計算部群
１３ 性能値評価部
１４ 進化計算部
１５ 出力部
１６ 解予測部
１６１ 入出力保持部
１６２，１６２Ａ モデル生成部
１６３，１６３Ａ 固有解予測部
１６４ 固有解情報テーブル生成部
２０ 記憶部
２１ 入出力記憶部
２２ 学習モデル
２３ 固有解情報テーブル

Claims (7)

1. 入力に対する固有解に基づいて目的関数を算出し、目的関数を繰り返し計算することで入力の最適値を探索する進化計算において、
   第１入力に対する第１固有解に基づいて、所定の固有解条件を満たす、第２入力に対する固有解の値域を予測する予測部と、
   予測した固有解の値域の範囲で、前記固有解条件を満たす、前記第２入力に対する第２固有解を探索する探索部と、
   を有することを特徴とする演算処理装置。
2. 前記予測部は、
   第１入力に対する第１固有解を所定の固有解条件に基づいて計算する計算部と、
   前記第１入力および計算した結果の第１固有解に基づいて、前記固有解条件を満たす固有解の値域を予測するモデルを生成する生成部と、を含み、
   前記モデルを用いて、第２入力に対する固有解の値域を予測する
   ことを特徴とする請求項１に記載の演算処理装置。
3. 前記生成部は、前記第２入力が所定の世代の入力である場合には、前記所定の世代より前の複数世代の前記第１入力および前記第１固有解に基づいて、前記モデルを生成し、更新する
   ことを特徴とする請求項２に記載の演算処理装置。
4. 前記予測部は、
   第１入力に対する第１固有解を所定の固有解条件に基づいて計算する計算部と、
   前記第１入力および計算した結果の第１固有解に基づいて、複数の固有解の値域ごとの固有解の頻度分布を生成する生成部と、を含み、
   前記固有解の頻度分布を用いて、第２入力に対する固有解の値域を予測する
   ことを特徴とする請求項１に記載の演算処理装置。
5. 前記第２入力に対する第２固有解に基づいて目的関数を算出する算出部と、
   前記算出部によって算出された目的関数に基づいて、前記第２入力に対する性能を評価する評価部と、
   前記評価部によって評価された性能値に基づいて、前記第２入力から新たな第２入力を生成する生成部と、
   前記新たな第２入力に対して、前記予測部による処理、前記探索部による処理、前記算出部による処理、前記評価部による処理および前記生成部による処理を繰り返す
   ことを特徴とする請求項１に記載の演算処理装置。
6. 入力に対する固有解に基づいて目的関数を算出し、目的関数を繰り返し計算することで入力の最適値を探索する進化計算において、
   第１入力に対する第１固有解に基づいて、所定の固有解条件を満たす、第２入力に対する固有解の値域を予測し、
   予測した固有解の値域の範囲で、前記固有解条件を満たす、前記第２入力に対する第２固有解を探索する、
   処理をコンピュータに実行させる演算処理プログラム。
7. 入力に対する固有解に基づいて目的関数を算出し、目的関数を繰り返し計算することで入力の最適値を探索する進化計算において、
   第１入力に対する第１固有解に基づいて、所定の固有解条件を満たす、第２入力に対する固有解の値域を予測し、
   予測した固有解の値域の範囲で、前記固有解条件を満たす、前記第２入力に対する第２固有解を探索する、
   処理をコンピュータが実行する演算処理方法。

Images