CN111913685A - 运算处理装置、运算处理方法和非暂态计算机可读介质 - Google Patents

运算处理装置、运算处理方法和非暂态计算机可读介质 Download PDF

Info

Publication number
CN111913685A
CN111913685A CN202010285128.2A CN202010285128A CN111913685A CN 111913685 A CN111913685 A CN 111913685A CN 202010285128 A CN202010285128 A CN 202010285128A CN 111913685 A CN111913685 A CN 111913685A
Authority
CN
China
Prior art keywords
value
calculation
difference
objective function
accuracy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010285128.2A
Other languages
English (en)
Inventor
角田有纪人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of CN111913685A publication Critical patent/CN111913685A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/544—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices for evaluating functions by calculation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Operations Research (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及运算处理装置、运算处理方法和用于存储运算处理程序的非暂态计算机可读存储介质。方法包括：根据前一代的多个个体生成当前代的多个个体，以通过进化计算获取针对个体的目标函数的值，所述个体中的每个个体表示变量；针对通过生成处理生成的当前代的多个个体的部分个体中的每个个体，通过预定方法计算目标函数的第一值；针对当前代的多个个体中的每个个体，以比所述预定方法低的精度近似地计算目标函数的第二值；根据第一值或第二值计算表示当前代的多个个体之间的差的适应度差；以及基于适应度差和第一值与第二值之间的精度差来控制近似计算的精度。

Description

运算处理装置、运算处理方法和非暂态计算机可读介质
技术领域
本文讨论的实施方式涉及运算处理装置、运算处理方法、存储运算处理程序的非暂态计算机可读存储介质。
背景技术
以往，已知有根据输入数据的组合输出接近真实值的值的近似值输出设备。近似值输出设备具有小脑模型，该小脑模型包括多个层模型，每个层模型具有针对通过将一种数据的可能范围分割为多个片段而获得的各片段的每个组合的粒状单元值。近似值输出设备具有计算单元，该计算单元基于多种输入数据识别对应片段的组合的粒状单元值，将层的粒状单元值相加并计算近似值。在近似值输出设备中的小脑模型单元的分割位置在指定的分割数目的范围内利用进化算法被限定为适当的。
已知一种应用遗传搜索方法的优化设计装置，该优化设计装置使允许通过利用大量的设计变量数据对实际设计问题执行自动计算来获得最优解。该优化设计装置包括使用离散设计变量数据(例如，框架构件的片段尺寸)的近似表达式的近似优化计算设备和使用设计变量数据的细节优化计算设备。这两个计算设备被耦接以配置用于框架结构的优化设计装置。优化设计装置通过使用近似优化设备和细节优化设备、利用设计变量数据的近似表达式来自动地并且连续地执行两个阶段的优化计算。
[引用列表]
[专利文献]
日本公开特许公报第2001-109732号。
日本公开特许公报第2001-134628号。
发明内容
[技术问题]
在通过使用进化计算来尝试对预定目标函数进行优化的情况下，重复指示目标函数的变量的个体的生成。由于在进化计算中，在每一代中生成多个个体，因此要计算与个体相对应的目标函数的值。因此，进化计算所产生的个体数量巨大，并且计算目标函数花费大量的时间。
因此，可以考虑将近似计算应用于进化计算。通过将近似计算应用于进化计算，可以提高进化计算的计算处理的速度。然而，由于近似计算的计算精度低，因此存在不能获得适当的计算结果的问题。
根据一个方面，所公开的技术的目的是在使用进化计算时在短时间段内获得适当的计算结果。
[问题解决方案]
根据实施方式的一个方面，一种运算处理装置包括：存储器；以及处理器，其耦接至所述存储器，所述处理器被配置成：执行生成处理，该生成处理包括根据前一代的多个个体生成当前代的多个个体以通过进化计算获取针对个体的目标函数的值，所述的每个个体表示变量；执行第一计算处理，该第一计算处理包括针对通过生成处理生成的当前代的多个个体中的部分个体中的每个个体通过预定方法计算目标函数的第一值；执行第二计算处理，该第二计算处理包括针对通过生成处理生成的当前代的多个个体中的每个个体以比预定方法低的精度近似地计算目标函数的第二值；执行适应度差计算处理，该适应度差计算处理包括根据目标函数的第一值或目标函数的第二值来计算表示当前代的多个个体之间的差的适应度差；以及执行精度控制处理，该精度控制处理包括基于适应度差和表示目标函数的第一值与目标函数的第二值之间的差的精度差来控制由第二计算处理进行的近似计算的精度，对近似计算的精度的控制被配置成被执行以使得随着适应度差增大而精度差增大，并且随着适应度差减小而精度差减小。
[发明的有益效果]
根据一个方面，所公开的技术具有在使用进化计算时可以在短时间段内获得适当的计算结果的优点。
附图说明
图1是根据第一实施方式的运算处理单元的示意性框图；
图2是用于说明进化计算的说明图；
图3是用于说明进化计算的说明图；
图4是用于说明由第一计算单元以高精度计算出的目标函数的值与由第二计算单元近似地计算出的目标函数的值之间的关系的说明图；
图5是用于说明存储在存储单元中的表的说明图；
图6是用于说明使用表的近似计算的说明图；
图7是用于说明近似计算结果的说明图；
图8示出了在近似计算被应用于进化计算并且近似计算的精度被控制的情况下的计算结果的示例；
图9是用于说明在应用本实施方式的情况下进化计算中的计算时间的说明图；
图10是示出根据实施方式的用作运算处理单元的计算机的示意性配置的框图；
图11是示出根据实施方式的运算处理例程的示例的流程图；以及
图12示出了在第四实施方式中使用的已训练模型的示例。
具体实施方式
下面将参照附图详细描述本文公开的实施方式。
<第一实施方式的运算处理单元>
如图1所示，根据第一实施方式的运算处理单元10包括生成单元12、第一计算单元14、存储单元15、第二计算单元16、精度差计算单元18、适应度差计算单元20和精度控制单元22。本实施方式的运算处理单元10通过使用进化计算来计算预定目标函数的最优值。
为了通过进化计算获取针对每个代表变量的个体的目标函数的值，生成单元12基于前一代的多个个体中的每个个体生成当前代的多个个体。作为进化计算的示例，遗传算法是已知的。遗传算法适用于各种目标函数。
图2是用于说明进化计算的说明图。在图2的示例中，与个体相对应的数值中的每个数值由二进制位串表示。在图2中，以二进制数写入0至1的数值x。
在进化计算中，针对每一代生成多个个体。计算针对个体的目标函数的值。在这种情况下，如图2所示，通过对前一代的多个个体进行选择、交叉和变异来生成当前代的多个个体。在生成当前代的个体时，根据针对前一代的多个个体的目标函数的值(在下文中，也称为“适应度”)来对多个个体进行排序。
例如，如图2所示。在进化计算的选择中，去除具有目标函数的最小值(图2中的“最差”)的个体“1100001111b”(其中个体x对应于x＝0.7654)。另一方面，具有目标函数的最大值(图2中的“最佳”)的个体“0100111101b”(其中个体x对应于x＝0.3099)被复制为第一代的个体，该第一代是没有交叉和突变的当前代。
如图2所示，在进化计算的交叉中，执行交叉1，其中在个体“0100111101b”与个体“1001100001b”之间交换高3位以生成个体“1000111101b”和个体“0101100001b”。执行交叉2，其中在个体“0111000011b”和个体“0100001111b”之间交换高4位以生成个体“0100000011b”和个体“0111001111b”。
如图2所示，在进化计算的变异中，个体“0101100001b”变异为“0111100001b”。
以这种方式，根据作为前一代的第零代的个体生成作为当前代的第一代的个体。在通过重复多个个体的生成来推进生成时，使得多个个体具有更接近目标函数的最优值的值，并且最终(例如，在第十代中)获取目标函数的最优值，如图3所示。
对于由生成单元12生成的当前代的多个个体中的部分个体中的每个个体，第一计算单元14通过预定方法计算针对部分个体的目标函数的值。用于由第一计算单元14进行计算的预定方法不同于第二计算单元16中的计算方法，这将在下面描述。更具体地，例如，表示由第一计算单元14进行的计算的精度的程度的计算精度高于由第二计算单元16进行的计算的精度。
因此，在对由生成单元12生成的当前代的所有多个个体执行由第一计算单元14以较高精度进行的计算的情况下，花费了大量的计算时间。因此，在本实施方式的运算处理单元10中，以较高精度执行计算(在下文中，简称为“高精度计算”)的第一计算单元14针对由生成单元12生成的当前代的多个个体的一部分计算目标函数的值。另一方面，如下所描述的，以比第一计算单元14的精度低的精度执行近似计算的第二计算单元16计算由生成单元12生成的当前代的所有多个个体中的个体的目标函数的值。
图4是用于说明由第一计算单元14以高精度计算出的目标函数的值与由第二计算单元16近似地计算出的目标函数的值之间的关系的说明图。图4中所示的三角形符号中的每个三角形符号指示由第一计算单元14以高精度计算出的当前代的多个个体中的部分个体中的每个个体的目标函数的值。图4中所示的黑色圆圈中的每个黑色圆圈指示由第二计算单元16以低精度计算出的当前代的所有个体的目标函数的值。当前代的多个个体中的部分个体中的每个个体(x1，x2，x3，x4，x5，...)的目标函数的值被用于计算精度差，这将在下面描述。
由于由第二计算单元16进行的近似计算具有比由第一计算单元14进行的高精度计算的精度低的精度，因此计算时间短。因此，与仅通过高精度计算来计算目标函数的值的情况相比，通过近似地计算针对多个个体的目标函数的值，可以减少进化计算的计算时间。因此，可以提高使用进化计算的计算处理的速度。
存储单元15存储多个表，在所述表中预先将个体的值与对应于该个体的值的目标函数的值相关联。存储在存储单元15中的多个表用于第二计算单元16中的近似计算，这将在下面描述。
图5是用于说明存储在存储单元15中的表的说明图。如图5所示，所述表中的每个表存储与个体相对应的变量的值和相关联的针对个体的目标函数的值。图5示出了在表示个体的变量是二维矢量的情况的示例。表示个体的变量由x＝(vi，wj)的二维矢量表示，并且与个体x相对应的目标函数的值由f(x)(例如，图5中的f00)表示。因此，利用这些表，针对每个个体x＝(vi，wj)，目标函数f(x)的值相关联。在这种情况下，i＝0，1，2，...，k，并且j＝0，1，2，...，m。
图5示出了作为多个表的示例的表T1和表T2。比较表T1与表T2，个体的组合数目和目标函数值是不同的。在比较表T1与表T2时，表T2还具有作为新数据的列数据N1和行数据N2。包括表T1和表T2的多个表在要利用所述表来注册的数据块的数目上不同。具有利用其注册的更多数目的数据块的表被用于以更高精度执行近似计算。
存储在存储单元15中的表中的每个值是由第一计算单元14计算的目标函数f(x)的值。因此，作为预处理，对于多个变量中的每个变量，第一计算单元14通过预定方法计算与该变量相对应的目标函数f(x)的值并且将目标函数f(x)的值存储在多个表中。通过使用存储在表中的变量和针对变量的目标函数的值，计算针对个体的目标函数的值。由于多个表在表示个体的变量的组合的数目和针对变量的目标函数的值上彼此不同，因此具有利用其注册的更多数目的数据块的表被用于以更高精度执行近似计算。
针对包括已经经历了由第一计算单元14通过预定方法进行的计算的部分个体中的每个个体的当前代的个体中的每个个体，第二计算单元16以比由第一计算单元14进行的预定方法的精度低的精度对个体的目标函数的值执行近似计算。
尽管存在各种方法作为用于近似计算的方法，但是第一实施方式的第二计算单元16通过参考存储单元15中存储的表获取目标函数的值来近似计算针对当前代的个体的目标函数的值。
例如，在由生成单元12生成当前代的个体x＝(v',w')的情况下，第二计算单元16通过对存储单元15的表中存储的值进行插值来近似地计算针对当前代的个体x＝(v',w')的目标函数的值。
例如，假设表示当前代的个体的矢量的元素v'位于图5所示的表T1中存储的v1与v2之间并且表示个体的矢量的元素w'位于表T1中存储的w0与w1之间。
在这种情况下，元素v'和w'由以下表达式表示。d1指示v'与v1之间的距离，d2指示v'与v2之间的距离。d3指示w'与w1之间的距离，d4指示w'与w2之间的距离。
v'＝(d2*v1+d1*v2)/(d1+d2)
w'＝(d4*v1+d3*v2)/(d3+d4)
更具体地，例如，如图6所示，元素v'位于v1与v2的中间。另一方面，如图6所示，元素w'与w0之间的距离与元素w'与w1之间的距离的比率满足2:1的关系。
在这种情况下，元素v'和w'由以下表达式表示。
v'＝(v1+v2)/2
w'＝(w0+2*w1)/3
在这种情况下，第二计算单元16参照存储单元15中的表T1并且通过使用以下表达式来计算针对个体x＝(v',w')的目标函数的值g(v',w')。
g(v',w')＝((f01+f02)/2+2*(f11+f12)/2)/3
以这种方式，根据本实施方式，使用由第二计算单元16进行的近似计算的计算结果，使得可以提高进化计算的计算处理的速度。然而，在近似计算被应用于进化计算的情况下，近似计算的精度低。因此，无法对由生成单元12生成的多个个体进行适当地排序。在近似计算被应用于进化计算的情况下，个体可能达不到其最佳值。
图7示出了用于说明近似计算结果的说明图。图7中所示的曲线图是在近似计算被应用于进化计算的情况下的仿真结果的示例。图7中所示的实线是通过高精度计算来计算出的目标函数f(x)。虚线是通过近似计算来计算出的目标函数g(x)。通过近似计算而得到的目标函数g(x)的值与通过高精度计算而得到的目标函数f(x)的值具有精度差。图7中所示的白色圆圈中的每个白色圆圈表示通过近似计算获得的个体的目标函数的值。
在由生成单元12生成当前代的个体的情况下，根据前一代的个体的适应度对所述个体进行排序，并且根据排序结果执行当前代的个体的生成。但是，由于近似计算的精度低，因此，存在无法根据近似计算的计算结果来适当地对多个个体进行排序的情况。例如，在由于近似计算而使针对个体x1的目标函数的值g(x1)和针对个体x2的目标函数的值g(x2)为相同的值的情况下，无法执行根据表示目标函数的值的适应度来进行的排序。
与此相对，在通过近似计算得到的针对个体的目标函数的值的变化很大并且针对个体的目标函数的值之间的差很大的情况下，如图7所示的第零代的个体那样，则即使近似计算的计算精度低，也可以对个体进行排序。另一方面，与如图7所示的第五代的个体类似，在通过近似计算得到的针对个体的目标函数的值的变化很小并且针对个体的目标函数的值之间的差很小的情况下，针对不同个体的目标函数的值可能是相同的值。因此，在针对个体的目标函数的值之间的差很小的情况下，多个个体有时可能不能被适当地排序。
与如图7所示的第九代类似，在通过使用作为个体的近似计算结果的目标函数g(x)的值来执行进化计算的情况下，由于近似计算的计算结果的粗糙性，所生成的个体落入局部解中，并且有时可能达不到最优值。
因此，在本实施方式中，根据由第一计算单元14进行的高精度计算与由第二计算单元16进行的近似计算之间的差以及针对当前代的多个个体的目标函数的值的差来控制由第二计算单元16进行的近似计算的精度。更具体地，例如，本实施方式的运算处理单元10控制近似计算的精度，使得在执行进化计算时可以对多个新生成的个体的目标函数的值进行排序。
这将在下面具体描述。
精度差计算单元18计算精度差a，该精度差a表示由第一计算单元14通过预定方法计算出的目标函数的值与由第二计算单元16近似计算出的目标函数的值之间的差。本实施方式的精度差计算单元18计算由第一计算单元14通过预定方法计算出的目标函数的值与由第二计算单元16近似计算出的目标函数的值之间的差的最大值作为精度差a。
更具体地，例如，精度差计算单元18计算针对相同个体x由第一计算单元14获取的目标函数f(x)的值与由第二计算单元16获取的目标函数g(x)的值之间的差的最大值作为精度差a。
例如，将作为示例描述由第一计算单元14和第二计算单元16两者针对当前代的多个个体(x0，x1，...，xn)中的部分个体(x0，x1，...，xk)(其中k＜n)中的每一个来计算目标函数的值的情况。
在这种情况下，将作为目标函数的值f(x)与目标函数的值g(x)之间的差的绝对值的|f(x0)-g(x0)|、|f(x1)-g(x1)|、|f(x2)-g(x2)|、...、|f(xk)-g(xk)|中的最大值计算作为精度差a。
适应度差计算单元20基于针对当前代的多个个体中的每个个体的目标函数的值来计算表示目标函数的值之间的差的适应度差b。本实施方式的适应度差计算单元20计算由第一计算单元14计算出的针对部分个体中的每个个体的目标函数的值的最大值与针对部分个体中的每个个体的目标函数的值的最小值之间的差作为适应度差b。在某种意义上，适应度差b可以被认为是当前代的多个个体之间的差。更具体地，例如，将由第一计算单元14计算出的目标函数f(x)的值的最大值与最小值之间的差计算为适应度差b。适应度差是表示由第一计算单元14以高精度计算出的目标函数的值的变化的程度的值，并且指示随着适应度差增大，针对多个个体的目标函数的值的分布范围的增大。
精度控制单元22基于由精度差计算单元18计算出的精度差a和由适应度差计算单元20计算的适应度差b来控制由第二计算单元16进行的近似计算的精度(在下文中，简称为“近似计算的精度”)。更具体地，例如，精度控制单元22控制由第二计算单元16进行的近似计算的精度，使得随着适应度差b增大而精度差a增大并且随着适应度差b减小而精度差a减小。
由于控制近似计算的精度，使得随着适应度差b增大而精度差a增大并且随着适应度差b减小而精度差a减小，所以可以执行对当前代的多个新生成个体的排序。因此，可以适当地执行进化计算。
在适应度差b较大的情况下，个体的适应度的变化在进化计算中较大。因此，即使近似计算的精度低，也容易对个体进行排序。近似计算的低精度对应于大的精度差a。另一方面，在适应度差b较小的情况下，个体的适应度具有相似的值。然后，在近似计算的精度低的情况下，可能不能精确地划分个体的适应度，并且难以对个体进行排序。因此，在精度差a与适应度差b之间的关系被适当地控制的情况下，可以适当地执行个体的排序。结果，可以维持进化计算的计算结果的精度。
因此，本实施方式的精度控制单元22随着适应度差b增大而增大精度差a，并且随着适应度差b减小而减小精度差a。因此，可以适当地执行多个个体的排序。如上面所描述的图7所示，发现由第二计算单元16近似计算出的目标函数g(x)相对于由第一计算单元14以高精度计算出的目标函数f(x)垂直分布。因此，在精度差a的大约两倍的值落入适应度差b的值中的情况下，个体的排序通常是可行的。
因此，本实施方式的精度控制单元22控制近似计算的精度，使得维持精度差的两倍的值2a等于或小于适应度差b的关系(2a≤b)。在维持精度差的两倍的值2a等于或小于适应度差b的关系(2a≤b)的情况下，可以对个体进行排序。因此，可以充分地维持进化计算的计算结果的精度。
在适应度差b较大的情况下，个体的适应度的变化大。因此，即使近似计算的精度低，也容易对个体进行排序。因此，在适应度差b较大的情况下，本实施方式的精度控制单元22增大高精度计算与近似计算之间的精度差a，以降低近似计算的精度。结果，意图减少计算时间。
更具体地，例如，在维持精度差的两倍的值2a等于或小于适应度差b的关系(2a≤b)的情况下，精度控制单元22保持第二计算单元16的近似计算的精度不变。另一方面，在未能维持精度差的两倍的值2a等于或小于适应度差的关系(2a≤b)的情况下，精度控制单元22将提高近似计算的精度的精度控制信号输出至第二计算单元16。
在第二计算单元16从精度控制单元22获得精度控制信号的情况下，第二计算单元16以比过去的近似计算的精度更高的精度执行近似计算。更具体地，例如，第二计算单元16通过使用具有比过去用于近似计算的表多的注册数据块的表来重新计算当前代的多个个体的目标函数的值。因此，执行具有比过去的近似计算的精度更高的精度的近似计算，并且减小了精度差a。因此，维持了精度差a的两倍的值2a等于或小于适应度差b的关系(2a≤b)。
在精度差a等于或小于预设阈值的情况下，精度控制单元22向第一计算单元14和第二计算单元16输出停止近似计算的停止控制信号。
在第一计算单元14从精度控制单元22获得停止控制信号的情况下，针对由生成单元12在下一处理和后续处理中生成的当前代的多个个体中的所有个体，第一计算单元14通过预定方法来计算针对个体的目标函数的值。在第二计算单元16从精度控制单元22获得停止控制信号的情况下，第二计算单元16停止针对在下一处理和后续处理中生成的当前代的个体的近似计算。因此，仅通过第一计算单元14的高精度计算来计算针对当前代的多个个体的目标函数的值。
图8示出了在近似计算被应用于进化计算并且近似计算的精度被控制的情况下的计算结果的示例。图8中所示的曲线图是在近似计算被应用于进化计算并且近似计算的精度被控制的情况下的仿真结果的示例。
在图8所示的第零代中，由第二计算单元16通过低精度计算获得的目标函数g(x)与由第一计算单元14通过高精度计算获得的目标函数f(x)具有精度差。在这种情况下，为了维持精度差a的两倍的值2a等于或小于适应度差b的关系(2a≤b)，控制由第二计算单元16进行的近似计算的精度，以使得第五代中的精度差减小。在第六代和随后的代中，精度差是0。在不执行近似计算的情况下仅执行由第一计算单元14进行的高精度计算。由于维持了精度差a的两倍的值2a等于或低于适应度差b的关系(2a≤b)，因此即使在将近似计算应用于进化计算的情况下也可以适当地执行对多个个体的排序。
接下来，图9示出了用于说明在应用本实施方式的情况下的进化计算中的计算时间的说明图。图9中的实线指示仅通过高精度计算的目标函数的计算时间，而虚线指示在应用本实施方式的情况下的计算时间。在图9所示的示例中，在使用近似计算的情况下，通过由第二计算单元16执行近似计算直到第五代并且在第五代之后的代中仅由第一计算单元14执行计算，来计算目标函数的值。由第二计算单元16进行的近似计算的精度被适当地控制直到第五代。
比较图9中所示的实线与虚线，由于第二计算单元16执行近似计算直到第五代，因此计算处理的速度很高。在第五代之后的代中，由于执行了通过第一计算单元14的高精度计算，因此实线和虚线具有大致相同的斜率。由于第二计算单元16执行近似计算直到第五代，因此可以大大减少进化计算的计算时间。
例如，运算处理单元10可以由图10中所示的计算机50实现。计算机50包括CPU 51、作为临时存储区域的存储器52以及非易失性存储单元53。计算机50包括耦接输入/输出设备的输入/输出接口(I/F)54和控制从记录介质59读取数据和向记录介质59写入数据的读/写(R/W)单元55。计算机50包括耦接至诸如因特网的网络的网络I/F 56。CPU 51、存储器52、存储单元53、输入/输出接口(I/F)54、读/写(R/W)单元55和网络I/F 56经由总线57彼此耦接。
存储单元53可以由硬盘驱动器(HDD)、固态驱动器(SSD)、闪存等实现。作为存储介质的存储单元53存储用于使计算机50用作运算处理单元10的运算处理程序60。运算处理程序60具有生成处理61、第一计算处理62、第二计算处理63、精度差计算处理64、适应度差计算处理65和精度控制处理66。存储区域67存储配置存储单元15的信息。
CPU 51从存储单元53读取运算处理程序60，在存储器52中展开，并且顺序执行运算处理程序60的处理。CPU 51通过执行生成处理61而作为图1所示的生成单元12进行操作。CPU 51通过执行第一计算处理62而作为图1所示的第一计算单元14进行操作。CPU 51通过执行第二计算处理63而作为图1所示的第二计算单元16进行操作。CPU 51通过执行精度差计算处理64而作为图1所示的精度差计算单元18进行操作。CPU 51通过执行适应度差计算处理65而作为图1所示的适应度差计算单元20进行操作。CPU 51通过执行精度控制处理66而作为图1所示的精度控制单元22进行操作。CPU 51从存储区域67读取信息并且将存储单元15扩展到存储器52中。由此，已经执行了运算处理程序60的计算机50用作运算处理单元10。执行作为软件的运算处理程序60的CPU 51是硬件。
例如，由运算处理程序60实现的功能也可以由半导体集成电路(更具体地，为专用集成电路(ASIC))等来实现。
接下来，将描述根据该实施方式的运算处理单元10的操作。首先，对于多个变量中的每个变量，运算处理单元10中的第一计算单元14计算针对变量的目标函数的值并将其注册在存储单元15中的多个表中。在运算处理单元10接收到指示进化计算开始的指令信号的情况下，运算处理单元10执行图11中所示的运算处理例程。
在步骤S100中，生成单元12基于在前一处理的步骤S100中生成的前一代的多个个体来生成当前代的多个个体。
在步骤S102中，对于在步骤S100中生成的当前代的多个个体中的部分个体中的每个个体，第一计算单元14通过预定方法以高精度计算个体的目标函数的值。
在步骤S104中，第一实施方式的第二计算单元16通过参考在存储单元15中存储的表而获取目标函数的值来近似地计算在上面的步骤S100中生成的当前代的所有个体的目标函数的值。
在步骤S106中，精度差计算单元18计算精度差a，该精度差a是通过上面描述的步骤S102中的预定方法计算出的目标函数的值与在上面描述的步骤S104中近似计算出的目标函数的值之间的差的最大值。
在步骤S108中，适应度差计算单元20计算适应度差b，该适应度差b是在上面的步骤S102中获取的针对部分个体中的每个个体的目标函数的值的最大值与针对部分个体中的每个个体的目标函数的值的最小值之间的差。
在步骤S109中，精度控制单元22确定精度差a是否等于或小于预设阈值c。如果精度差a等于或小于预设阈值c，则运算处理例程结束。精度控制单元22向第一计算单元14和第二计算单元16输出停止近似计算的停止控制信号，并且执行仅由第一计算单元14使用高精度计算的进化计算。另一方面，如果精度差a不等于或小于预设阈值c，则处理移动至步骤S110。
在步骤S110中，精度控制单元22确定是否维持了在上面的步骤S106中计算出的精度差a的两倍的值2a等于或低小于在上面的步骤S108中计算出的适应度差b的关系(2a≤b)。如果维持2a等于或小于适应度差b的关系，则处理移动至步骤S100。另一方面，如果2a等于或小于适应度差b的关系没有被维持，则处理移动至步骤S112。
在步骤S112中，精度控制单元22将控制信号输出至第二计算单元16以提高近似计算的精度。在下一处理的步骤S104中的近似计算中，以比该处理的步骤S104中的近似计算的精度更高的精度执行近似计算。直到获得2a等于或小于适应度差b的关系，重复上面的步骤S104至上面的步骤S112中的处理。
如上面所描述的，对于当前代的多个个体中的部分个体中的每个个体，根据第一实施方式的运算处理单元通过预定方法计算针对个体的目标函数值。对于包括已经经历了通过预定方法进行计算的部分个体的当前代的多个个体中的每个个体，运算处理单元以比预定方法低的精度近似地计算针对个体的目标函数的值。运算处理单元计算表示通过预定方法计算出的目标函数的值与目标函数的近似计算的值之间的差的精度差。运算处理单元基于针对当前代的多个个体中的每个个体的目标函数的值来计算表示目标函数的值之间的差的适应度差。基于精度差和适应度差，运算处理单元控制近似计算的精度，使得随着适应度差增大而精度差增大，并且随着适应度差减小而精度差减小。因此，在应用进化计算的情况下，可以在短时间段内获得适当的计算结果。更具体地，例如，可以通过执行近似计算来减少用于通过应用进化计算来优化目标函数的计算时间。在通过应用进化计算来优化目标函数的情况下，可以对多个个体进行排序，并且可以在短时间内获得高度精确的计算结果。
<第二实施方式的运算处理单元>
接下来，将描述第二实施方式。第二实施方式的运算处理单元与第一实施方式的运算处理单元的不同之处在于，在通过迭代计算方法获取目标函数的值的情况下，第二实施方式的运算处理单元通过比高精度计算的迭代次数少的迭代次数来执行近似计算。
迭代计算方法可以用于获取目标函数的值。例如，为了获取飞行器的主翼的性能值，计算主翼的性能值作为用于表示与主翼相关的设计值的个体的目标函数的值。在这种情况下，为了从与主翼相关的设计值中获取主翼的性能值，要执行流体力学计算。在执行流体力学计算的情况下，将执行例如使用有限元法的迭代计算。
因此，在通过迭代计算方法获取目标函数的值的情况下，第二实施方式的第二计算单元16以比由第一计算单元14进行的迭代的次数低的迭代的次数获取目标函数的值，以近似地计算针对当前代的个体的目标函数的值。
为了控制近似计算的精度，第二实施方式的精度控制单元22调整由第二计算单元16进行的计算所使用的迭代的次数，使得可以控制近似计算的精度。更具体地，例如，精度控制单元22向第二计算单元16输出用于调整迭代的次数的精度控制信号，以控制由第二计算单元16进行的近似计算的精度。
因此，在使用迭代计算方法来计算目标函数的值的情况下，也可以减少通过使用进化计算来优化目标函数的计算时间。
如上面所描述的，在通过迭代计算方法获取目标函数的值的情况下，第二实施方式的运算处理单元以比由第一计算单元14进行的迭代的次数低的迭代的次数来获取目标函数的值，以近似地计算针对当前代的个体的目标函数的值。为了控制近似计算的精度，运算处理单元通过向第二计算单元16输出用于调整在由第二计算单元16进行的计算中要使用的迭代的次数的精度控制信号来控制近似计算的精度。因此，在使用迭代计算方法来计算目标函数的值的情况下，也可以减少通过使用进化计算来优化目标函数的计算时间。
<第三实施方式的运算处理单元>
接下来，将描述第三实施方式。第三实施方式的运算处理单元与第一实施方式的运算处理单元和第二实施方式的运算处理单元的不同之处在于，通过以比高精度计算所使用的位数少的位数获取目标函数的值来近似地计算目标函数的值。
第三实施方式的第二计算单元16通过使用由比在由第一计算单元14进行的计算中使用的位数少的位数表达的数值获取目标函数的值来近似地计算针对当前代的个体的目标函数的值。
例如，在第一计算单元14计算针对个体的目标函数的值的情况下，要读取的数值的位数是32位。另一方面，例如，对于第二计算单元16，要读取的数值的位数是8位。因此，第二计算单元16进行近似计算所使用的数值的位数是第一计算单元14进行高精度计算所使用的数值的位数的1/4，并且提高了进化计算的计算处理的速度。减少要在由第二计算单元16进行的近似计算中使用的数值的位数，使得可以减少存储近似计算的计算结果的数据存储单元(未示出)中的存储区域。因此，更多的计算结果可以被存储在数据存储单元(未示出)中。
为了控制近似计算的精度，第三实施方式的精度控制单元22调整要用于由第二计算单元16进行的计算的位数，从而控制近似计算的精度。更具体地，例如，精度控制单元22向第二计算单元16输出用于调整在由第二计算单元16进行的近似计算中使用的数值的位数的精度控制信号，以控制由第二计算单元16进行的近似计算的精度。
如上面所描述的，第三实施方式的运算处理单元通过使用由比在由第一计算单元14进行的计算中使用的位数少的位数表达的数值获取目标函数的值来近似地计算针对当前代的个体的目标函数的值。为了控制近似计算的精度，运算处理单元调整要在由第二计算单元16进行的近似计算中使用的位数，从而控制近似计算的精度。因此，可以减少通过应用进化计算来优化目标函数的计算时间，并且可以减少用于存储计算结果的存储区域。
<第四实施方式的运算处理单元>
接下来，将描述第四实施方式。第四实施方式的运算处理单元与第一实施方式的运算处理单元至第三实施方式的运算处理单元的不同之处在于，通过使用用于根据个体的值获取目标函数的值的已训练模型来获取针对个体的值的目标函数的值以近似地计算目标函数的值。
根据第四实施方式，如图12所示的神经网络被用作用于根据个体的值获取目标函数的值的已训练模型。第四实施方式的存储单元15存储用于根据个体的值获取目标函数的值的已训练模型。
该实施方式的已训练模型根据个体的值输出目标函数的值。图12中所示的已训练模型的示例是其中个体的值由三维矢量表示并且目标函数的值由标量值表示的已训练模型的示例。
本实施方式的已训练模型预先学习了由第一计算单元14获取的高精度计算的计算结果作为学习数据。为了使已训练模型进行学习，使用现有的学习算法。本文中，学习数据可以被称为“机器学习数据”、“机学数据”和“训练数据”等。此外，学习可以被称为“机器学习”、“采用机器学习”和“机器学习处理”等。例如，学习算法可以被称为“机器学习算法”。
更具体地，例如，由于表示个体的值和针对个体的目标函数的值的组合的数据是通过由第一计算单元14进行的高精度计算获取的，所以在本实施方式中将该数据设置为学习数据。
为了控制近似计算的精度，第四实施方式的精度控制单元22增加用于由第二计算单元16进行近似计算的、由已训练模型进行的机器学习所使用的学习数据块的数量，从而控制近似计算的精度。更具体地，例如，精度控制单元22向第二计算单元16输出用于增加学习数据块的数量的精度控制信号，以控制由第二计算单元16进行的近似计算的精度。
在第四实施方式的第二计算单元16从精度控制单元22获得精度控制信号的情况下，第二计算单元16通过使用通过由第一计算单元14进行的高精度计算获取的学习数据来使已训练模型重新学习。通过使已训练模型重新学习，获得以较高精度输出目标函数的值的已训练模型。
在由第一计算单元14进行的高精度计算的计算数目增加的情况下，可以获取更多的学习数据块。因此，通过使用学习数据块使已训练模型重新学习，提高了从已训练模型输出的目标函数的值的精度。高精度计算的计算结果反映在已训练模型上。
第二计算单元16通过使用已经重新学习的已训练模型根据个体的值近似地计算目标函数的值。因此，执行具有比最后处理中的近似计算的精度更高的精度的近似计算。
如上面所描述的，根据第四实施方式的运算处理单元通过使用用于根据个体的值获取目标函数的值的已训练模型来获取针对个体的值的目标函数的值，来近似地计算针对当前代的个体的目标函数的值。为了控制近似计算的精度，运算处理单元调整要用于由第二计算单元16进行的近似计算的、用于由已训练模型进行学习的学习数据块的数量，从而控制近似计算的精度。因此，通过使用反映高精度计算的计算结果的已训练模型，可以减少通过应用进化计算来优化目标函数的计算时间。
在上面的描述中，程序被预先存储(安装)在存储单元中。然而，实施方式不限于此。与所公开的技术相关的程序可以通过被记录在诸如压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)-ROM和通用串行总线(USB)存储器之类的记录介质中来提供。
本文描述的所有文件、专利申请和技术标准通过引用被并入本文，以与文件、专利申请和技术标准中的每一个被具体地且单独地写为通过引用并入本文的情况相同的程度被并入。
接下来，将描述实施方式的变型示例。
作为示例，已经描述了第一实施方式的第二计算单元16通过对存储在存储单元15中的表中的值进行插值来近似地计算针对当前代的个体的目标函数的值的情况，但实施方式不限于此。例如，第一实施方式的第二计算单元16可以使用与最接近当前代的个体的值的值相对应的目标函数的值。更具体地说，例如，在生成当前代的个体x＝(v'，w')的情况下以及在元素v'最接近图5所示的v2并且元素w'最接近图5所示的w1的情况下，第二计算单元16可以获取f(x)＝f12。第一实施方式的第二计算单元16可以通过使用日本公开特许公报第2001-109732号中公开的方法来执行近似计算。
已经描述了根据第四实施方式通过增加学习数据块的数量并且通过使用学习数据块使已训练模型重新学习来控制近似计算的精度的情况，但实施方式不限于此。例如，可以通过增加已训练模型的参数的数量来控制近似计算的精度。在这种情况下，例如，通过增加神经网络的层数或神经元的数量来增加参数的数量，从而可以执行具有更高精度的近似计算。在参数的数量增加的情况下，已训练模型将通过使用学习数据来重新学习。
作为示例，已经描述了适应度差计算单元20基于由第一计算单元14进行的高精度计算结果来计算适应度差b的情况，但实施方式不限于此。适应度差计算单元20可以基于由第二计算单元16进行的近似计算的计算结果来计算适应度差b。
作为示例，已经描述了实施方式的精度控制单元22控制由第二计算单元16进行的近似计算的精度以使得维持精度差a的两倍的值2a等于或低于适应度差b的关系(2a≤b)的情况，但实施方式不限于此。如果控制近似计算的精度使得随着适应度差b增大而精度差a增大并且随着适应度差b减小而精度差a减小，则可以以任何方式控制近似计算的精度。例如，精度控制单元22也可以控制由第二计算单元16进行的近似计算的精度，使得维持精度差a等于或小于适应度差b的关系(a≤b)。精度控制单元22可以控制由第二计算单元16进行的近似计算的精度，使得维持精度差a与适应度差b之间的差等于或小于预设阈值的关系。
作为示例，已经描述了根据实施方式提供一个第二计算单元16的情况，但实施方式不限于此。例如，运算处理单元10可以包括多个第二计算单元16，并且可以在多个第二计算单元16之间划分近似计算。
作为示例，已经描述了对于每一代控制近似计算的精度，使得随着适应度差b增大而精度差a增大并且随着适应度差b减小而精度差a减小的情况，但实施方式不限于此。例如，仅对于预设代(例如，第五代和第十代)，可以控制近似计算的精度，使得精度差a随着适应度差b增大而增大并且精度差a随着适应度差b减小而减小。
本文提供的所有示例和条件语言旨在用于帮助读者理解本发明和发明人对现有技术所贡献的概念的教导目的，并且不应被解释为对这样的具体叙述的示例和条件的限制，说明书中这样的示例的组织也不涉及本发明的优劣的表示。尽管已经详细描述了本发明的一个或更多个实施方式，但是应当理解的是，在不脱离本发明的主旨和范围的情况下，可以对这些实施方式进行各种改变、替换和变更。
[附图标记清单]
10运算处理单元
12生成单元
14第一计算单元
15存储单元
16第二计算单元
18精度差计算单元
20适应度差计算单元
22精度控制单元
50计算机
51CPU
52存储器
53存储单元
59记录介质
60运算处理程序
61生成处理
62第一计算处理
63第二计算处理
64精度差计算处理
65适应度差计算处理
66精度控制处理
67存储区域

Claims (13)

1.一种运算处理装置，包括：
存储器；以及
处理器，其耦接至所述存储器，所述处理器被配置成：
执行生成处理，所述生成处理包括根据前一代的多个个体生成当前代的多个个体，以通过进化计算获取针对个体的目标函数的值，所述个体中的每个个体表示变量，
执行第一计算处理，所述第一计算处理包括针对通过所述生成处理生成的当前代的多个个体的部分个体中的每个个体，通过预定方法计算所述目标函数的第一值，
执行第二计算处理，所述第二计算处理包括针对通过所述生成处理生成的当前代的多个个体中的每个个体，以比所述预定方法低的精度近似地计算所述目标函数的第二值，
执行适应度差计算处理，所述适应度差计算处理包括根据所述目标函数的第一值或所述目标函数的第二值来计算表示所述当前代的多个个体之间的差的适应度差，以及
执行精度控制处理，所述精度控制处理包括基于所述适应度差和表示所述目标函数的第一值与所述目标函数的第二值之间的差的精度差来控制由所述第二计算处理进行的近似计算的精度，对所述近似计算的精度的控制被配置成：被执行以使得随着所述适应度差增大而所述精度差增大以及随着所述适应度差减小而所述精度差减小。
2.根据权利要求1所述的运算处理装置，
其中，所述处理器还被配置成执行包括计算所述精度差的精度差计算处理。
3.根据权利要求1所述的运算处理装置，
其中，所述精度控制处理被配置成控制所述近似计算的精度，以使得维持所述精度差等于或小于所述适应度差的关系，并且随着所述适应度差增大而所述精度差增大，以及随着所述适应度差减小而所述精度差减小。
4.根据权利要求1所述的运算处理装置，
其中，所述精度控制处理被配置成控制所述近似计算的精度，以使得维持所述精度差的两倍的值等于或小于所述适应度差的关系，并且随着所述适应度差增大而所述精度差增大，以及随着所述适应度差减小而所述精度差减小。
5.根据权利要求2所述的运算处理装置，
其中，所述精度差计算处理被配置成：将通过所述第一计算处理利用所述预定方法计算出的所述目标函数的值与通过所述第二计算处理近似地计算出的所述目标函数的值之间的差的最大值计算作为所述精度差，并且
其中，所述适应度差计算处理被配置成：将针对当前代的多个个体中的每个个体的目标函数的值的最大值与针对当前代的多个个体中的每个个体的目标函数的值的最小值之间的差计算作为所述适应度差。
6.根据权利要求1所述的运算处理装置，
其中，所述第二计算处理被配置成：通过参考预先将个体的值与和所述个体的值对应的目标函数的值相关联的表获取目标函数的值，来近似地计算针对所述当前代的个体的目标函数的值。
7.根据权利要求1所述的运算处理装置，
其中，在通过迭代计算方法获取所述目标函数的值的情况下，所述第二计算处理通过以比通过所述第一计算处理利用所述预定方法进行的迭代的次数低的迭代的次数获取所述目标函数的值，来近似地计算针对所述当前代的个体的目标函数的值，并且
其中，所述精度控制处理通过调整要用于由所述第二计算处理进行的近似计算的迭代的次数来控制所述近似计算的精度。
8.根据权利要求1所述的运算处理装置，
其中，所述第二计算处理被配置成：通过使用由比在通过所述第一计算处理利用所述预定方法进行的计算中使用的位数少的位数表达的数值获取所述目标函数的值，来近似地计算针对所述当前代的个体的目标函数的值，并且
其中，所述精度控制处理被配置成：通过调整要用于由所述第二计算处理进行的近似计算的位数来控制所述近似计算的精度。
9.根据权利要求1所述的运算处理装置，
其中，所述第二计算处理被配置成：通过使用用于根据个体的值获取目标函数的值的已训练模型获取针对所述个体的值的目标函数的值，来近似地计算针对所述当前代的个体的目标函数的值，并且
其中，所述精度控制单元被配置成：通过调整所述已训练模型中的参数的数量或者调整用于由所述已训练模型进行的机器学习的训练数据块的数量来控制所述近似计算的精度，其中所述训练数据块要被用于由所述第二计算处理进行的所述近似计算。
10.根据权利要求1所述的运算处理装置，
其中，所述精度控制处理被配置成针对每一代控制由所述第二计算处理进行的近似计算的精度。
11.根据权利要求1所述的运算处理装置，
其中，所述精度控制处理被配置成进行控制，以在每次迭代地生成当前代的个体时改变精度，并且以改变后的精度执行所述近似计算。
12.一种非暂态计算机可读存储介质，其用于存储使处理器执行处理的运算处理程序，所述处理包括：
执行生成处理，所述生成处理包括根据前一代的多个个体生成当前代的多个个体，以通过进化计算获取针对个体的目标函数的值，所述个体中的每个个体表示变量；
执行第一计算处理，所述第一计算处理包括针对通过所述生成处理生成的当前代的多个个体的部分个体中的每个个体，通过预定方法计算所述目标函数的第一值；
执行第二计算处理，所述第二计算处理包括针对通过所述生成处理生成的当前代的多个个体中的每个个体，以比所述预定方法低的精度近似地计算所述目标函数的第二值；
执行适应度差计算处理，所述适应度差计算处理包括根据所述目标函数的第一值或所述目标函数的第二值来计算表示所述当前代的多个个体之间的差的适应度差；以及
执行精度控制处理，所述精度控制处理包括基于所述适应度差和表示所述目标函数的第一值与所述目标函数的第二值之间的差的精度差来控制由所述第二计算处理进行的近似计算的精度，对所述近似计算的精度的控制被配置成：被执行以使得随着所述适应度差增大而所述精度差增大以及随着所述适应度差减小而所述精度差减小。
13.一种由计算机实现的信息处理方法，所述方法包括：
执行生成处理，所述生成处理包括根据前一代的多个个体生成当前代的多个个体，以通过进化计算获取针对个体的目标函数的值，所述个体中的每个个体表示变量；
执行第一计算处理，所述第一计算处理包括针对通过所述生成处理生成的当前代的多个个体的部分个体中的每个个体，通过预定方法计算所述目标函数的第一值；
执行第二计算处理，所述第二计算处理包括针对通过所述生成处理生成的当前代的多个个体中的每个个体，以比所述预定方法低的精度近似地计算所述目标函数的第二值；
执行适应度差计算处理，所述适应度差计算处理包括根据所述目标函数的第一值或所述目标函数的第二值来计算表示所述当前代的多个个体之间的差的适应度差；以及
执行精度控制处理，所述精度控制处理包括基于所述适应度差和表示所述目标函数的第一值与所述目标函数的第二值之间的差的精度差来控制由所述第二计算处理进行的近似计算的精度，对所述近似计算的精度的控制被配置成：被执行以使得随着所述适应度差增大而所述精度差增大以及随着所述适应度差减小而所述精度差减小。
CN202010285128.2A 2019-05-09 2020-04-13 运算处理装置、运算处理方法和非暂态计算机可读介质 Pending CN111913685A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-089094 2019-05-09
JP2019089094A JP7298284B2 (ja) 2019-05-09 2019-05-09 演算処理装置、演算処理プログラム、及び演算処理方法

Publications (1)

Publication Number Publication Date
CN111913685A true CN111913685A (zh) 2020-11-10

Family

ID=70224226

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010285128.2A Pending CN111913685A (zh) 2019-05-09 2020-04-13 运算处理装置、运算处理方法和非暂态计算机可读介质

Country Status (4)

Country Link
US (1) US11550873B2 (zh)
EP (1) EP3736746A1 (zh)
JP (1) JP7298284B2 (zh)
CN (1) CN111913685A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022016795A (ja) * 2020-07-13 2022-01-25 富士通株式会社 情報処理装置、情報処理プログラムおよび情報処理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050209982A1 (en) * 2004-01-26 2005-09-22 Yaochu Jin Reduction of fitness evaluations using clustering techniques and neural network ensembles
JP2006323710A (ja) * 2005-05-20 2006-11-30 Renesas Technology Corp データプロセッサ、データ処理方法及び演算制御プログラム
CN101667217A (zh) * 2008-09-04 2010-03-10 富士通株式会社 最优解关系显示装置和最优解关系显示方法
US20160300252A1 (en) * 2015-01-29 2016-10-13 Affectomatics Ltd. Collection of Measurements of Affective Response for Generation of Crowd-Based Results

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001109732A (ja) 1999-10-08 2001-04-20 Rinnai Corp 近似値出力装置とその学習装置
JP2001134628A (ja) 1999-11-05 2001-05-18 Babcock Hitachi Kk 骨組構造の最適化設計装置
EP1205877A1 (en) 2000-11-14 2002-05-15 Honda R&D Europe (Deutschland) GmbH Approximate fitness functions
JP5530729B2 (ja) * 2009-01-23 2014-06-25 本田技研工業株式会社 音声理解装置
JP2013257745A (ja) 2012-06-13 2013-12-26 Dainippon Printing Co Ltd パラメータフィッティング方法
KR102215219B1 (ko) * 2013-01-31 2021-02-16 코덱시스, 인코포레이티드 승법형 모델을 이용하여 생체분자를 확인하기 위한 방법, 시스템, 및 소프트웨어
DE102016101665A1 (de) * 2015-01-29 2016-08-04 Affectomatics Ltd. Auf datenschutzüberlegungen gestützte filterung von messwerten der affektiven reaktion
WO2017075513A1 (en) * 2015-10-29 2017-05-04 Fuelcomm Inc. Systems, processes, and methods for estimating sales values

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050209982A1 (en) * 2004-01-26 2005-09-22 Yaochu Jin Reduction of fitness evaluations using clustering techniques and neural network ensembles
JP2006323710A (ja) * 2005-05-20 2006-11-30 Renesas Technology Corp データプロセッサ、データ処理方法及び演算制御プログラム
CN101667217A (zh) * 2008-09-04 2010-03-10 富士通株式会社 最优解关系显示装置和最优解关系显示方法
US20160300252A1 (en) * 2015-01-29 2016-10-13 Affectomatics Ltd. Collection of Measurements of Affective Response for Generation of Crowd-Based Results

Also Published As

Publication number Publication date
JP2020184268A (ja) 2020-11-12
EP3736746A1 (en) 2020-11-11
JP7298284B2 (ja) 2023-06-27
US11550873B2 (en) 2023-01-10
US20200356622A1 (en) 2020-11-12

Similar Documents

Publication Publication Date Title
CN111353579B (zh) 利用反向传播为深度神经网络选择量化参数的方法和系统
CN111652367B (zh) 一种数据处理方法及相关产品
US11423311B2 (en) Automatic tuning of artificial neural networks
CN109697510B (zh) 具有神经网络的方法和装置
CN112041928A (zh) 忆阻器交叉杆阵列中模型/权重编程的加速
CN109994158B (zh) 一种基于强化学习构建分子反应力场的系统及方法
JP7091209B2 (ja) 情報処理方法及び情報処理システム
US11880769B2 (en) Using multiple functional blocks for training neural networks
CN112215331A (zh) 对神经网络系统中的数据处理方法和神经网络系统
JP2020123270A (ja) 演算装置
CN114444668A (zh) 网络量化方法及系统及装置及介质及图像处理方法
CN114077805A (zh) 信息处理系统
JP7150651B2 (ja) ニューラルネットワークのモデル縮約装置
CN116029359A (zh) 计算机可读记录介质、机器学习的方法以及信息处理设备
CN111913685A (zh) 运算处理装置、运算处理方法和非暂态计算机可读介质
US20220076121A1 (en) Method and apparatus with neural architecture search based on hardware performance
CN114723051A (zh) 信息处理设备、信息处理方法和计算机可读记录介质
US11443171B2 (en) Pulse generation for updating crossbar arrays
CN117217324A (zh) 一种模型训练方法以及相关设备
CN114254746A (zh) 执行神经网络的方法和设备
WO2020054402A1 (ja) ニューラルネットワーク処理装置、コンピュータプログラム、ニューラルネットワーク製造方法、ニューラルネットワークデータの製造方法、ニューラルネットワーク利用装置、及びニューラルネットワーク小規模化方法
CN115461754A (zh) 深度过参数化
US20240249114A1 (en) Search space limitation apparatus, search space limitation method, and computer-readable recording medium
JP2020190901A (ja) 演算処理装置、演算処理装置の制御プログラム及び演算処理装置の制御方法
EP4303770A1 (en) Identifying one or more quantisation parameters for quantising values to be processed by a neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201110

WD01 Invention patent application deemed withdrawn after publication