JP2000339005A - 制御対象の最適化制御方法及び制御装置 - Google Patents
制御対象の最適化制御方法及び制御装置Info
- Publication number
- JP2000339005A JP2000339005A JP11150541A JP15054199A JP2000339005A JP 2000339005 A JP2000339005 A JP 2000339005A JP 11150541 A JP11150541 A JP 11150541A JP 15054199 A JP15054199 A JP 15054199A JP 2000339005 A JP2000339005 A JP 2000339005A
- Authority
- JP
- Japan
- Prior art keywords
- individual
- evaluation
- individuals
- evaluation model
- predicted
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Genetics & Genomics (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Throttle Valves Provided In The Intake System Or In The Exhaust System (AREA)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Control Of Position Or Direction (AREA)
Abstract
(57)【要約】
【課題】 先に提案した最適化制御方法の利点を生かし
たまま、進化の効率を挙げることができる制御対象の最
適化制御方法及び装置を提供すること。 【解決手段】 本発明に係る最適化制御方法は、制御対
象の特性に影響を及ぼす制御パラメータに対応する個体
を複数生成し、その個体集合を一つの世代とし、少なく
とも実評価を反映させて個体集合から次世代の親個体の
選択し、少なくとも前記親個体に基づいて次世代の個体
集合を生成することを繰り返すことで前記制御パラメー
タを実評価を反映させながら進化させるオンライン型最
適化制御方法において、各個体と、その個体に対する実
評価との関係に基づいて評価モデルを作成し、実評価を
行う前に、前記評価モデルを用いて個体集合の操作を行
う。
たまま、進化の効率を挙げることができる制御対象の最
適化制御方法及び装置を提供すること。 【解決手段】 本発明に係る最適化制御方法は、制御対
象の特性に影響を及ぼす制御パラメータに対応する個体
を複数生成し、その個体集合を一つの世代とし、少なく
とも実評価を反映させて個体集合から次世代の親個体の
選択し、少なくとも前記親個体に基づいて次世代の個体
集合を生成することを繰り返すことで前記制御パラメー
タを実評価を反映させながら進化させるオンライン型最
適化制御方法において、各個体と、その個体に対する実
評価との関係に基づいて評価モデルを作成し、実評価を
行う前に、前記評価モデルを用いて個体集合の操作を行
う。
Description
【０００１】
【発明の属する技術分野】本発明は、制御対象の最適化
制御方法及び装置に関する。
制御方法及び装置に関する。
【０００２】
【従来の技術】出願人は、制御対象を制御するための制
御モジュールを進化させることにより最適化する最適化
制御方法を特願平９−２６４６０４号で既に提案してい
る。前記最適化制御方法では、制御モジュールで用いら
れる制御パラメータのうち、制御対象の特性に影響を及
ぼす幾つかの制御パラメータをコーディングして複数の
染色体（個体）からなる世代を生成し、その世代の各個
体を使用した時の制御対象の特性を各々評価し、その世
代の複数の個体の中から、評価の高い個体を含む次世代
のための親個体を複数選択し、その親個体を交叉させる
ことにより、次世代の複数の個体を生成し、また、突然
変異的にランダムに新しい個体を発生させる。これを繰
り返すことにより、制御モジュールの制御パラメータを
評価が高い特性が得られるものに進化させる。
御モジュールを進化させることにより最適化する最適化
制御方法を特願平９−２６４６０４号で既に提案してい
る。前記最適化制御方法では、制御モジュールで用いら
れる制御パラメータのうち、制御対象の特性に影響を及
ぼす幾つかの制御パラメータをコーディングして複数の
染色体（個体）からなる世代を生成し、その世代の各個
体を使用した時の制御対象の特性を各々評価し、その世
代の複数の個体の中から、評価の高い個体を含む次世代
のための親個体を複数選択し、その親個体を交叉させる
ことにより、次世代の複数の個体を生成し、また、突然
変異的にランダムに新しい個体を発生させる。これを繰
り返すことにより、制御モジュールの制御パラメータを
評価が高い特性が得られるものに進化させる。
【０００３】
【発明が解決しようとする課題】しかし、上記した最適
化制御方法では、次世代のための親個体の選択が、評価
の高い個体以外についてはランダムに行われ、また、突
然変異的に発生させた個体を各世代に含ませるようにし
ているので、各世代毎に必ず進化が好ましい方向に進ん
でいるとは限らず、何世代も使用者が望んでいない方向
に進化が進む場合がある等、効率が悪いという問題があ
った。最適化制御方法における進化処理を効率化するた
めに、例えば、次世代のための親個体を、その世代で一
番優れている個体と、二番目に優れている個体とに固定
したり、突然変異的に個体を発生させることを止めるこ
とも考えられるが、親個体の選択をあまり厳密に行い過
ぎたり、突然変異的に個体を発生させることを止める
と、初期の評価の段階で進化の方向が拘束されてしま
い、初期の評価の間違いにより全く望んでない特性に向
けて進化が進んでしまう可能性があるので問題がある。
特に、評価を人間が直接行う場合には、特性を常に正確
に一定の基準に沿って評価するのは不可能であり、その
時々の感情や体調等によって評価がバラツク可能性も高
いので、前述のように、初期の段階の評価により進化の
方向を拘束してしまうのは問題である。本発明は、上記
した問題点に鑑みて、既に提案した最適化制御方法の利
点を生かしたまま、進化の効率を挙げることができる制
御対象の最適化制御方法及び装置を提供することを目的
としている。
化制御方法では、次世代のための親個体の選択が、評価
の高い個体以外についてはランダムに行われ、また、突
然変異的に発生させた個体を各世代に含ませるようにし
ているので、各世代毎に必ず進化が好ましい方向に進ん
でいるとは限らず、何世代も使用者が望んでいない方向
に進化が進む場合がある等、効率が悪いという問題があ
った。最適化制御方法における進化処理を効率化するた
めに、例えば、次世代のための親個体を、その世代で一
番優れている個体と、二番目に優れている個体とに固定
したり、突然変異的に個体を発生させることを止めるこ
とも考えられるが、親個体の選択をあまり厳密に行い過
ぎたり、突然変異的に個体を発生させることを止める
と、初期の評価の段階で進化の方向が拘束されてしま
い、初期の評価の間違いにより全く望んでない特性に向
けて進化が進んでしまう可能性があるので問題がある。
特に、評価を人間が直接行う場合には、特性を常に正確
に一定の基準に沿って評価するのは不可能であり、その
時々の感情や体調等によって評価がバラツク可能性も高
いので、前述のように、初期の段階の評価により進化の
方向を拘束してしまうのは問題である。本発明は、上記
した問題点に鑑みて、既に提案した最適化制御方法の利
点を生かしたまま、進化の効率を挙げることができる制
御対象の最適化制御方法及び装置を提供することを目的
としている。
【０００４】
【課題を解決するための手段】上記した目的を達成する
ために、本発明の請求項１に係る制御対象の最適化制御
方法は、制御対象の特性に影響を及ぼす制御パラメータ
に対応する個体を複数生成し、その個体集合を一つの世
代とし、少なくとも実評価を反映させて個体集合から次
世代の親個体の選択し、少なくとも前記親個体に基づい
て次世代の個体集合を生成することを繰り返すことで前
記制御パラメータを実評価を反映させながら進化させる
オンライン型最適化制御方法において、各個体と、その
個体に対する実評価との関係に基づいて評価モデルを作
成し、実評価を行う前に、前記評価モデルを用いること
を特徴とする。また、本発明の請求項１５に係る制御対
象の最適化制御装置は、所定の入力情報に基づいて制御
対象に関する操作量を出力する制御部と、前記制御装置
における制御対象の特性に影響を及ぼす制御パラメータ
に対応する個体を複数生成し、その個体集合を一つの世
代とし、少なくとも実評価を反映させて個体集合から次
世代の親個体の選択し、少なくとも前記親個体に基づい
て次世代の個体集合を生成することを繰り返すことで前
記制御パラメータを実評価を反映させながら進化させる
オンライン型最適化処理部と、各個体と、その個体に対
する実評価との関係に基づいて評価モデルを作成する評
価モデル制作部及び実評価を行う前に、前記評価モデル
を用いて個体集合の前処理を行う個体集合操作部を有す
る進化効率化処理部とを備えていることを特徴とする。
ために、本発明の請求項１に係る制御対象の最適化制御
方法は、制御対象の特性に影響を及ぼす制御パラメータ
に対応する個体を複数生成し、その個体集合を一つの世
代とし、少なくとも実評価を反映させて個体集合から次
世代の親個体の選択し、少なくとも前記親個体に基づい
て次世代の個体集合を生成することを繰り返すことで前
記制御パラメータを実評価を反映させながら進化させる
オンライン型最適化制御方法において、各個体と、その
個体に対する実評価との関係に基づいて評価モデルを作
成し、実評価を行う前に、前記評価モデルを用いること
を特徴とする。また、本発明の請求項１５に係る制御対
象の最適化制御装置は、所定の入力情報に基づいて制御
対象に関する操作量を出力する制御部と、前記制御装置
における制御対象の特性に影響を及ぼす制御パラメータ
に対応する個体を複数生成し、その個体集合を一つの世
代とし、少なくとも実評価を反映させて個体集合から次
世代の親個体の選択し、少なくとも前記親個体に基づい
て次世代の個体集合を生成することを繰り返すことで前
記制御パラメータを実評価を反映させながら進化させる
オンライン型最適化処理部と、各個体と、その個体に対
する実評価との関係に基づいて評価モデルを作成する評
価モデル制作部及び実評価を行う前に、前記評価モデル
を用いて個体集合の前処理を行う個体集合操作部を有す
る進化効率化処理部とを備えていることを特徴とする。
【０００５】
【発明の実施の形態】以下、添付図面に示した幾つかの
実施例を参照しながら本発明に係る制御対象の最適化制
御方法及び装置の実施の形態について説明していく。図
１〜図９は、本発明に係る制御対象の最適化制御方法及
び装置を車両のエンジン制御に適応した実施例を示して
いる。図１は、エンジン１と、本発明に係る制御対象の
最適化制御方法を実行する制御装置１０との関係を示す
概略図である。エンジン１は、使用者のアクセル操作量
に基づいて制御装置１０を介して制御される電子スロッ
トルを備えており、制御装置１０は、使用者の好みに合
ったスロットル特性が得られるように構成されている。
図面に示すように、制御装置１０は、使用者のアクセル
操作量を入力し、この入力情報に基づいて電子スロット
ル弁開度を決定する。
実施例を参照しながら本発明に係る制御対象の最適化制
御方法及び装置の実施の形態について説明していく。図
１〜図９は、本発明に係る制御対象の最適化制御方法及
び装置を車両のエンジン制御に適応した実施例を示して
いる。図１は、エンジン１と、本発明に係る制御対象の
最適化制御方法を実行する制御装置１０との関係を示す
概略図である。エンジン１は、使用者のアクセル操作量
に基づいて制御装置１０を介して制御される電子スロッ
トルを備えており、制御装置１０は、使用者の好みに合
ったスロットル特性が得られるように構成されている。
図面に示すように、制御装置１０は、使用者のアクセル
操作量を入力し、この入力情報に基づいて電子スロット
ル弁開度を決定する。
【０００６】（制御装置１０の説明）図２は、前記制御
装置１０の概略ブロック図である。図面に示すように、
この制御装置１０は、アクセル操作量に基づいて電子ス
ロットル弁開度を決定する電子スロットル制御モジュー
ルと、使用者の好みにあったスロットル特性が得られる
ように、該エンジンを搭載した車両を実際に使用しなが
ら、使用者の評価に基づいて前記電子スロットル制御モ
ジュールの制御パラメータを進化させるオンライン型最
適化処理部と、前記最適化処理部における進化処理を効
率化させるための進化効率化処理部とを備えている。
装置１０の概略ブロック図である。図面に示すように、
この制御装置１０は、アクセル操作量に基づいて電子ス
ロットル弁開度を決定する電子スロットル制御モジュー
ルと、使用者の好みにあったスロットル特性が得られる
ように、該エンジンを搭載した車両を実際に使用しなが
ら、使用者の評価に基づいて前記電子スロットル制御モ
ジュールの制御パラメータを進化させるオンライン型最
適化処理部と、前記最適化処理部における進化処理を効
率化させるための進化効率化処理部とを備えている。
【０００７】（電子スロットル制御モジュールの説明）
前記電子スロットル制御モジュールは、図３に示すよう
に、使用者のアクセル操作量に基づいて電子スロットル
弁の開度を決定するように構成されており、大きく分け
て静特性変更部と動特性変更部とがある。尚、本明細書
における「アクセル操作量」とは、使用者が実際にアク
セル（図示せず）を操作した結果、得られる情報であ
り、「アクセル角度」の情報及び「アクセルの変化量」
の情報の両方を含む。ここで、電子スロットル弁の特性
について簡単に説明すると、電子スロットル弁は静特性
と動特性の二つの特性を持つ。前者は、アクセル角度と
電子スロットル弁との関係から生じる特性であり、車両
の定常走行特性に影響する。図４は、幾つかのスロット
ルの静特性の例を示す図である。このように静特性を変
えることにより、 ・アクセル角度が小さい間は、電子スロットル弁が比較
的大きく開き、一定のアクセル角度以降は、アクセル角
度が大きくなるにつれてスロットル弁が徐々に全開に収
束していく低開度急加速型（図４（ａ）参照）、 ・アクセル角度が小さい間はスロットル弁が徐々に開
き、アクセル角度が大きくなると急激に全開まで開く高
開度急加速型（図４（ｂ）参照）、又は ・アクセル角度とスロットル開度が比例している比例型
（図４（ｃ）参照）等、設定に応じて同じアクセル角度
で様々なスロットル開度を得ることができるようにな
る。この静特性は、アクセル角度の増大につれてスロッ
トル開度が増大又は不変であればよく、様々な関数で表
すことができるようになる。尚、本実施例では、スロッ
トル開度０〜２０％時のスロットルバルブ開度率ＳＰ１
と、スロットル開度２０〜１００％時のスロットルバル
ブ開度率ＳＰ２とを最適化することにより静特性の最適
化を行う。また、電子スロットル弁の特性の後者、即
ち、動特性は、アクセルの変化速度に対するスロットル
弁の変化速度から生じる特性であり、車両の過渡特性に
影響する。この特性は具体的には一次遅れと不完全微分
を組み合わせることにより、アクセルの変化速度に対す
るスロットルの変化速度を変えられるように構成され得
る。このように一次遅れと不完全微分を組合せることに
より、図５に示すように、 ・アクセル操作に対して比較的ゆっくりとスロットルが
開くレスポンスの低いタイプ（図５（ａ）参照）、 ・アクセル操作に対して若干のスパイクは生じるが機敏
に変化してスロットルが開くレスポンスの高いタイプ
（図５（ｂ）参照）、又は ・両者の中間程度のタイプ（図５（ｃ）参照）等、様々
な動特性が得られるようになる。尚、本実施例では、一
次遅れ時定数ＤＲと、加速補正係数ＡＧとを最適化する
ことにより動特性の最適化を行う。
前記電子スロットル制御モジュールは、図３に示すよう
に、使用者のアクセル操作量に基づいて電子スロットル
弁の開度を決定するように構成されており、大きく分け
て静特性変更部と動特性変更部とがある。尚、本明細書
における「アクセル操作量」とは、使用者が実際にアク
セル（図示せず）を操作した結果、得られる情報であ
り、「アクセル角度」の情報及び「アクセルの変化量」
の情報の両方を含む。ここで、電子スロットル弁の特性
について簡単に説明すると、電子スロットル弁は静特性
と動特性の二つの特性を持つ。前者は、アクセル角度と
電子スロットル弁との関係から生じる特性であり、車両
の定常走行特性に影響する。図４は、幾つかのスロット
ルの静特性の例を示す図である。このように静特性を変
えることにより、 ・アクセル角度が小さい間は、電子スロットル弁が比較
的大きく開き、一定のアクセル角度以降は、アクセル角
度が大きくなるにつれてスロットル弁が徐々に全開に収
束していく低開度急加速型（図４（ａ）参照）、 ・アクセル角度が小さい間はスロットル弁が徐々に開
き、アクセル角度が大きくなると急激に全開まで開く高
開度急加速型（図４（ｂ）参照）、又は ・アクセル角度とスロットル開度が比例している比例型
（図４（ｃ）参照）等、設定に応じて同じアクセル角度
で様々なスロットル開度を得ることができるようにな
る。この静特性は、アクセル角度の増大につれてスロッ
トル開度が増大又は不変であればよく、様々な関数で表
すことができるようになる。尚、本実施例では、スロッ
トル開度０〜２０％時のスロットルバルブ開度率ＳＰ１
と、スロットル開度２０〜１００％時のスロットルバル
ブ開度率ＳＰ２とを最適化することにより静特性の最適
化を行う。また、電子スロットル弁の特性の後者、即
ち、動特性は、アクセルの変化速度に対するスロットル
弁の変化速度から生じる特性であり、車両の過渡特性に
影響する。この特性は具体的には一次遅れと不完全微分
を組み合わせることにより、アクセルの変化速度に対す
るスロットルの変化速度を変えられるように構成され得
る。このように一次遅れと不完全微分を組合せることに
より、図５に示すように、 ・アクセル操作に対して比較的ゆっくりとスロットルが
開くレスポンスの低いタイプ（図５（ａ）参照）、 ・アクセル操作に対して若干のスパイクは生じるが機敏
に変化してスロットルが開くレスポンスの高いタイプ
（図５（ｂ）参照）、又は ・両者の中間程度のタイプ（図５（ｃ）参照）等、様々
な動特性が得られるようになる。尚、本実施例では、一
次遅れ時定数ＤＲと、加速補正係数ＡＧとを最適化する
ことにより動特性の最適化を行う。
【０００８】（最適化処理部の説明）最適化処理部は、
電子スロットル制御モジュールにおける前記制御パラメ
ータ（スロットルバルブ開度率ＳＰ１及びＳＰ２、一時
遅れ時定数ＤＲ、並びに加速補正係数ＡＧ）を、図６に
示すように遺伝子型個体としてコーディングし、これら
の制御パラメータを進化型計算を用いて最適化する。こ
こで、進化型計算を用いた最適化処理の一例について図
７のフローチャートを用いて説明する。図７は、進化型
計算を用いた最適化処理の一例に、後述する進化効率化
方法と取り入れた処理の流れを示すフローチャートであ
るが、ここでは、進化型計算を用いた最適化処理につい
てのみ説明していく。始めに、個体を複数生成し、第一
世代の個体集合を生成する（ステップ１）。次いで、個
体集合の中の一つの個体を構成する制御パラメータを用
いて実際に走行を行い、その個体を用いた時の特性の評
価を行う（ステップ２）。ステップ１及び２の処理を一
世代全ての個体に対して行うまで繰り返す（ステップ
４）。全ての個体に対する評価が終了した後、一世代の
個体集合の中から次世代の個体集合の親個体となる個体
を選択し、その親個体の交叉や突然変異等を用いて次世
代の個体集合の生成を行う（ステップ６）。進化型計算
法による最適化処理は、上記した処理を、使用者が求め
る最適な特性が獲得できるまで、又は予め決めた世代数
の処理が終了するまで繰り返し行うことで、特性を最適
化する。
電子スロットル制御モジュールにおける前記制御パラメ
ータ（スロットルバルブ開度率ＳＰ１及びＳＰ２、一時
遅れ時定数ＤＲ、並びに加速補正係数ＡＧ）を、図６に
示すように遺伝子型個体としてコーディングし、これら
の制御パラメータを進化型計算を用いて最適化する。こ
こで、進化型計算を用いた最適化処理の一例について図
７のフローチャートを用いて説明する。図７は、進化型
計算を用いた最適化処理の一例に、後述する進化効率化
方法と取り入れた処理の流れを示すフローチャートであ
るが、ここでは、進化型計算を用いた最適化処理につい
てのみ説明していく。始めに、個体を複数生成し、第一
世代の個体集合を生成する（ステップ１）。次いで、個
体集合の中の一つの個体を構成する制御パラメータを用
いて実際に走行を行い、その個体を用いた時の特性の評
価を行う（ステップ２）。ステップ１及び２の処理を一
世代全ての個体に対して行うまで繰り返す（ステップ
４）。全ての個体に対する評価が終了した後、一世代の
個体集合の中から次世代の個体集合の親個体となる個体
を選択し、その親個体の交叉や突然変異等を用いて次世
代の個体集合の生成を行う（ステップ６）。進化型計算
法による最適化処理は、上記した処理を、使用者が求め
る最適な特性が獲得できるまで、又は予め決めた世代数
の処理が終了するまで繰り返し行うことで、特性を最適
化する。
【０００９】尚、最適化処理中の各個体の評価は、使用
者が実際に体感するドラビリ性能に基づいて行うように
構成されており、その結果、電子スロットル制御モジュ
ールにおける各制御パラメータは使用者の評価に従って
最適化され、使用者の評価に合った最適な電子スロット
ルの特性（ドラビリ特性）が得られるようになる。例え
ば、使用者が進化に介入できるように、運転中に操作で
きる評価値の入力装置をボタン等で実現され得る。使用
者は試乗後にこのボタンを押すことにより試乗した個体
の評価値を入力する。具体的な一例を挙げると、評価値
は、ボタンを押した時間の長さに基づいて決められ、例
えば、押した時間の逆数に一定の係数を乗じる方法やフ
ァジィルールを用いて算出する方法がある。こうするこ
とで、人間の評価にあいまいさがあっても、ある程度の
正確さで評価値が得られ、使用者が対話的に進化手法を
使用できるようになる。また、一定時間を越えてボタン
を押した場合には、その時点で評価中の個体を次の個体
に切り換えることもできる。こうすることで、使用者は
気に入らない特性を持つ個体を即座に変更することがで
き、進化を高速に行えるようになる。また、個体の切り
換えは車両が停止している時に限って行う。これは走行
中にスロットル特性が急変することによる影響を排除す
るために有効である。また、親個体の選択としては、使
用者の評価値（適応度）に比例して確率的に選択するル
ーレット選択方式や、ランダムに選んだｎ個の個体の中
で最良の評価値を持つものを選択するトーナメント選択
方式等、様々な方法を用いることができ、また、厳密に
世代交代を適用した場合、評価の高い個体を破壊してし
まう恐れがあるため、エリート（評価の最も高い個体）
を無条件に次世代に残す、エリート保存戦略を合わせた
用いることができる。また、親個体の交叉としては、１
点交叉、２点交叉、又は正規分布交叉等の手法がある。
尚、選択された交叉の親が同一の固定であることも起こ
り得るが、これを放置すると、個体集合としての多様性
が失われる。このため、交叉に選択された親が同一の個
体であった場合、他の選択された個体と入れ換えをおこ
なって、可能限り同じ個体の交叉を避けるのが望まし
い。さらに、突然変異については、個体の各遺伝子座に
ついて一定の確率で、ランダムに値を変更する方法が用
いられ得る。そのほかにも正規分布に従う摂動を加える
方法も考えられる。異なる個体を交叉の親として選択し
たにもかかららず、それらが遺伝的に見て全く同一であ
る場合には、交叉する親の両方について、通常より高い
確率で突然変異を生じさせる。
者が実際に体感するドラビリ性能に基づいて行うように
構成されており、その結果、電子スロットル制御モジュ
ールにおける各制御パラメータは使用者の評価に従って
最適化され、使用者の評価に合った最適な電子スロット
ルの特性（ドラビリ特性）が得られるようになる。例え
ば、使用者が進化に介入できるように、運転中に操作で
きる評価値の入力装置をボタン等で実現され得る。使用
者は試乗後にこのボタンを押すことにより試乗した個体
の評価値を入力する。具体的な一例を挙げると、評価値
は、ボタンを押した時間の長さに基づいて決められ、例
えば、押した時間の逆数に一定の係数を乗じる方法やフ
ァジィルールを用いて算出する方法がある。こうするこ
とで、人間の評価にあいまいさがあっても、ある程度の
正確さで評価値が得られ、使用者が対話的に進化手法を
使用できるようになる。また、一定時間を越えてボタン
を押した場合には、その時点で評価中の個体を次の個体
に切り換えることもできる。こうすることで、使用者は
気に入らない特性を持つ個体を即座に変更することがで
き、進化を高速に行えるようになる。また、個体の切り
換えは車両が停止している時に限って行う。これは走行
中にスロットル特性が急変することによる影響を排除す
るために有効である。また、親個体の選択としては、使
用者の評価値（適応度）に比例して確率的に選択するル
ーレット選択方式や、ランダムに選んだｎ個の個体の中
で最良の評価値を持つものを選択するトーナメント選択
方式等、様々な方法を用いることができ、また、厳密に
世代交代を適用した場合、評価の高い個体を破壊してし
まう恐れがあるため、エリート（評価の最も高い個体）
を無条件に次世代に残す、エリート保存戦略を合わせた
用いることができる。また、親個体の交叉としては、１
点交叉、２点交叉、又は正規分布交叉等の手法がある。
尚、選択された交叉の親が同一の固定であることも起こ
り得るが、これを放置すると、個体集合としての多様性
が失われる。このため、交叉に選択された親が同一の個
体であった場合、他の選択された個体と入れ換えをおこ
なって、可能限り同じ個体の交叉を避けるのが望まし
い。さらに、突然変異については、個体の各遺伝子座に
ついて一定の確率で、ランダムに値を変更する方法が用
いられ得る。そのほかにも正規分布に従う摂動を加える
方法も考えられる。異なる個体を交叉の親として選択し
たにもかかららず、それらが遺伝的に見て全く同一であ
る場合には、交叉する親の両方について、通常より高い
確率で突然変異を生じさせる。
【００１０】尚、本実施例では、静特性と動特性をまと
めて一つの個体とし、全体の組み合わせを最適化させる
が、他にも下記のように幾つかの手法が考えられる。 １．静特性に関しては運転者が予め設定して、動特性の
みを最適化させる。 ２．静特性と動特性を独立して別々に最適化させる。 ３．静特性を先に進化させて固定しておき、動特性を最
適化させる。
めて一つの個体とし、全体の組み合わせを最適化させる
が、他にも下記のように幾つかの手法が考えられる。 １．静特性に関しては運転者が予め設定して、動特性の
みを最適化させる。 ２．静特性と動特性を独立して別々に最適化させる。 ３．静特性を先に進化させて固定しておき、動特性を最
適化させる。
【００１１】（進化効率化処理部の説明）進化効率化処
理部は、図２に示すように、データ蓄積部、評価モデル
制作部、個体集合操作部、及び評価値信頼度算出部を備
えている。
理部は、図２に示すように、データ蓄積部、評価モデル
制作部、個体集合操作部、及び評価値信頼度算出部を備
えている。
【００１２】（データ蓄積部の説明）データ蓄積部は、
進化型計算部において、各個体に対する評価値が入力さ
れる度に、各個体とそれに対する評価値とを対応付けし
て蓄積する（図７のフローチャートにおけるステップ
３）。尚、各個体は、進化型計算を行う時に、計算の効
率化及びデータ量の圧縮を図るために、表現型個体から
遺伝子型個体に変換されるが、遺伝子型個体では、各個
体間の差が小さくなり、後述する評価モデルの制作が難
しくなるため、データ蓄積部では、各個体を表現型個体
としてデータを蓄積する。尚、上記した「表現型個体」
とは、パラメータ値自体をコーディングした個体を意味
し、「遺伝子型個体」とは、パラメータ値をビットに変
換した個体を意味し、例えば、次式を用いて変換され得
る。 Ｘｉ＝Ｙｉ×α＋β 上記式中、Ｘは、表現型個体を構成する各パラメータ値
（ＳＰ１，ＳＰ２，ＤＲ，ＡＧ）であり、Ｙは、遺伝子
型個体を構成する各ビット値であり、ｉは、個体を構成
するパラメータの数（本実施例の場合には、ｉ＝４）で
あり、α及びβは任意に変更可能な係数である。
進化型計算部において、各個体に対する評価値が入力さ
れる度に、各個体とそれに対する評価値とを対応付けし
て蓄積する（図７のフローチャートにおけるステップ
３）。尚、各個体は、進化型計算を行う時に、計算の効
率化及びデータ量の圧縮を図るために、表現型個体から
遺伝子型個体に変換されるが、遺伝子型個体では、各個
体間の差が小さくなり、後述する評価モデルの制作が難
しくなるため、データ蓄積部では、各個体を表現型個体
としてデータを蓄積する。尚、上記した「表現型個体」
とは、パラメータ値自体をコーディングした個体を意味
し、「遺伝子型個体」とは、パラメータ値をビットに変
換した個体を意味し、例えば、次式を用いて変換され得
る。 Ｘｉ＝Ｙｉ×α＋β 上記式中、Ｘは、表現型個体を構成する各パラメータ値
（ＳＰ１，ＳＰ２，ＤＲ，ＡＧ）であり、Ｙは、遺伝子
型個体を構成する各ビット値であり、ｉは、個体を構成
するパラメータの数（本実施例の場合には、ｉ＝４）で
あり、α及びβは任意に変更可能な係数である。
【００１３】（評価モデル制作部の説明）評価モデル制
作部は、データ蓄積部に蓄積されたデータに基づいて、
使用者の個体に対する評価を予測するための評価モデル
の作成・更新を行う（図７のフローチャートにおけるス
テップ５）。評価モデルの制作には、ＲＢＦ(Radial Ba
sis Function)が用いられ得る。具体的には、一つの個
体を構成する４種類のスロットル特性のパラメータ値
（ＳＰ１，ＳＰ２，ＤＲ，ＡＧ）を入力とし、評価値を
出力とする入出力関数をＲＢＦで近似し、これを評価モ
デルとする。スロットル特性を入力ｘとし、評価値を出
力ｙとしたＲＢＦ関数式を次式に示す。 式中、Ｎは、蓄積データ数であり、ｘｉは、スロットル
特性蓄積データである。蓄積データから、上記した関数
の基底関数ｇ及び係数ｃｉを算出し、上記関数を評価モ
デルとして用いる。
作部は、データ蓄積部に蓄積されたデータに基づいて、
使用者の個体に対する評価を予測するための評価モデル
の作成・更新を行う（図７のフローチャートにおけるス
テップ５）。評価モデルの制作には、ＲＢＦ(Radial Ba
sis Function)が用いられ得る。具体的には、一つの個
体を構成する４種類のスロットル特性のパラメータ値
（ＳＰ１，ＳＰ２，ＤＲ，ＡＧ）を入力とし、評価値を
出力とする入出力関数をＲＢＦで近似し、これを評価モ
デルとする。スロットル特性を入力ｘとし、評価値を出
力ｙとしたＲＢＦ関数式を次式に示す。 式中、Ｎは、蓄積データ数であり、ｘｉは、スロットル
特性蓄積データである。蓄積データから、上記した関数
の基底関数ｇ及び係数ｃｉを算出し、上記関数を評価モ
デルとして用いる。
【００１４】ここで、蓄積データから基底関数ｇ及び係
数ｃｉを算出する方法について簡単に説明する。始め
に、蓄積データ内の矛盾データの処理を行う。具体的に
は、同一個体ｘ（即ち、スロットル特性が同一の個体）
で評価値ｙが異なるデータがある場合には、平均値をそ
の個体の評価値ｙとして用いる。尚、評価された時期の
情報を基に評価値に重み付けを行ってもよい。例えば、
新しいデータを重視してモデルを作成する場合、同一個
体に対して、１回目の評価値が５０点、２回目の評価値
が１００点であった場合には、通常、この個体に対する
評価値は平均値７５点とするが、新しいデータ程、比重
が高くなるよう重み付けを行い、より新しいデータに近
い値、例えば、８０点や９０点を評価値として用いる。
矛盾データの処理が終了した後、次式を用いて基底関数
ｇを求める。 式中、σは、基底関数パラメータ、ｘｉはスロットル特
性蓄積データである。上記した式により、基底関数ｇを
算出した後、次式から係数ｃｉを算出する。 （Ｇ＋λＩ）Ｃ＝Ｙ
数ｃｉを算出する方法について簡単に説明する。始め
に、蓄積データ内の矛盾データの処理を行う。具体的に
は、同一個体ｘ（即ち、スロットル特性が同一の個体）
で評価値ｙが異なるデータがある場合には、平均値をそ
の個体の評価値ｙとして用いる。尚、評価された時期の
情報を基に評価値に重み付けを行ってもよい。例えば、
新しいデータを重視してモデルを作成する場合、同一個
体に対して、１回目の評価値が５０点、２回目の評価値
が１００点であった場合には、通常、この個体に対する
評価値は平均値７５点とするが、新しいデータ程、比重
が高くなるよう重み付けを行い、より新しいデータに近
い値、例えば、８０点や９０点を評価値として用いる。
矛盾データの処理が終了した後、次式を用いて基底関数
ｇを求める。 式中、σは、基底関数パラメータ、ｘｉはスロットル特
性蓄積データである。上記した式により、基底関数ｇを
算出した後、次式から係数ｃｉを算出する。 （Ｇ＋λＩ）Ｃ＝Ｙ
【００１５】上記した評価モデルの作成及び更新のタイ
ミングが適宜決定することができ、例えば、個体集合内
の全ての個体に対する評価が終了した時点で、その時点
までにデータ蓄積部に貯められた全てのデータを用いて
行われ得る。このように、実際の評価値に基づいてＲＢ
Ｆ関数で評価モデルを作成することで、進化型計算にお
いて、生成された個体の評価値を予測することができる
ようになる。勿論、評価モデルを、ＲＢＦ関数以外の学
習可能な制御モジュール、例えば、ニューラル回路網、
ファジー推論法、ファジィニューラル回路網、ＣＭＡ
Ｃ、その他の関数近似手法等を用いて作成することもで
きる。しかし、ＲＢＦ関数は、測定値のない未学習領域
においては出力を０にするのに対して、ニューラル回路
網等は、未学習領域においても何らかの値を出力する
が、その信頼性は必ずしも高いものとはいえない。従っ
て、評価値を予め予測するためのモデルとしては、信頼
性が高いとは言えない出力をする可能性がある制御モジ
ュールよりも、ＲＢＦ関数のように、未学習領域では出
力が得られないが、学習領域では、より信頼性の高い出
力を得られる制御モジュールの方が好ましい。
ミングが適宜決定することができ、例えば、個体集合内
の全ての個体に対する評価が終了した時点で、その時点
までにデータ蓄積部に貯められた全てのデータを用いて
行われ得る。このように、実際の評価値に基づいてＲＢ
Ｆ関数で評価モデルを作成することで、進化型計算にお
いて、生成された個体の評価値を予測することができる
ようになる。勿論、評価モデルを、ＲＢＦ関数以外の学
習可能な制御モジュール、例えば、ニューラル回路網、
ファジー推論法、ファジィニューラル回路網、ＣＭＡ
Ｃ、その他の関数近似手法等を用いて作成することもで
きる。しかし、ＲＢＦ関数は、測定値のない未学習領域
においては出力を０にするのに対して、ニューラル回路
網等は、未学習領域においても何らかの値を出力する
が、その信頼性は必ずしも高いものとはいえない。従っ
て、評価値を予め予測するためのモデルとしては、信頼
性が高いとは言えない出力をする可能性がある制御モジ
ュールよりも、ＲＢＦ関数のように、未学習領域では出
力が得られないが、学習領域では、より信頼性の高い出
力を得られる制御モジュールの方が好ましい。
【００１６】（評価値信頼度算出部）評価値信頼度算出
部は、評価モデルに基づいて算出された各個体に対する
予測評価値の信頼度をデータ蓄積部に蓄積されたデータ
に基づいて算出する。信頼度の算出方法としては、具体
的には、例えば、各個体が表すスロットル特性パラメー
タをベクトルで表し、「信頼度を求めたい個体」と「蓄
積データのうち信頼度を求めたい個体と最も距離が近い
個体」との距離を求め、この距離の逆数を信頼度とす
る。このように、信頼度を算出することで、評価モデル
で評価値を予測された個体が、既に学習した個体に近け
れば近い程、高い信頼度が得られるようになる。
部は、評価モデルに基づいて算出された各個体に対する
予測評価値の信頼度をデータ蓄積部に蓄積されたデータ
に基づいて算出する。信頼度の算出方法としては、具体
的には、例えば、各個体が表すスロットル特性パラメー
タをベクトルで表し、「信頼度を求めたい個体」と「蓄
積データのうち信頼度を求めたい個体と最も距離が近い
個体」との距離を求め、この距離の逆数を信頼度とす
る。このように、信頼度を算出することで、評価モデル
で評価値を予測された個体が、既に学習した個体に近け
れば近い程、高い信頼度が得られるようになる。
【００１７】（個体集合操作部の説明）図８は、個体集
合操作部における個体集合処理を概念的に示す図であ
る。個体集合操作部は、各世代の個体集合の個々の個体
を実際に評価する前に、評価モデル制作部において作成
又は更新された評価モデルを用いて各個体に対する評価
値を予測し、その予測評価値に基づいて、各個体を操作
する（図７のフローチャートにおけるステップ７）。具
体的には、個体集合操作部は、図８及び図９のフローチ
ャートに示すように、Ｎ世代目の個体集合の全ての個体
に対する実際の（即ち、使用者による）評価が終了した
後、「足切りしきい値」を決める（ステップ１）。この
「足切りしきい値」は、データ蓄積部に蓄積されている
評価値から統計的に求められる値（例えば、平均値や分
散等）に基づいて算出され得るが、固定値としてもよ
い。次いで、進化型計算部で生成した次の世代、即ち、
Ｎ＋１世代目の個体集合内の一つの個体について、評価
モデルを用いて予測評価値を算出し（ステップ２）、さ
らに、評価値信頼度算出部で前記予測評価値の評価値信
頼度を算出する（ステップ３）。そして、前記評価値信
頼度が、予め決められた「信頼度しきい値」より高いか
否かを判断し（ステップ４）、評価値信頼度が、信頼度
しきい値より小さい場合には、その評価値信頼度に対応
する予測評価値に基づく後の処理（ステップ５〜ステッ
プ６）を行わずに、個体集合内の全ての個体についての
判定を行ったか否かを判断し（ステップ８）、全ての個
体についての判定が終了していなければ、再び、ステッ
プ２の処理に戻り、終了していれば、その世代の個体集
合に対する処理を終了する。前記ステップ４の処理で、
評価値信頼度が、信頼度しきい値より大きい場合と判断
した場合には、次に、その評価値信頼に対応する予測評
価値がステップ１で算出した足切りしきい値より大きい
か否かを判断し（ステップ５）、大きい場合には、ステ
ップ８の判断を介して終了するか、又はステップ２の処
理に戻る。ステップ５の処理で、予測評価値が足切りし
きい値より小さいと判断した場合には、その予測評価値
に対応する個体を個体集合から消去し（ステップ６）、
新たに作成した個体を、消去した個体の代わりに個体集
合に追加する（ステップ７）。尚、ステップ７の処理で
新たに個体を作成する場合、ランダムに複数の個体を作
成して、その予測評価値を求め、予測評価値の一番高い
ものを追加してもよく、また、少なくとも、削除した個
体の予測評価値より高い予測評価値が得られるように、
好ましくは、足きりしきい値より高い予測評価値が得ら
れるように新たに個体を作成してもよい。図８の概念図
では、Ｎ世代目の個体集合１ａ〜１ｅに対する使用者の
評価値に基づいて評価モデルを更新し、Ｎ＋１世代目の
個体集合２ａ〜２ｅに対して前記した個体集合操作を行
い、個体２ｃの予測評価値が足切りしきい値より低かっ
たので、その個体２ｃを消去し、新たな個体２ｃ''を加
えた例を示している。
合操作部における個体集合処理を概念的に示す図であ
る。個体集合操作部は、各世代の個体集合の個々の個体
を実際に評価する前に、評価モデル制作部において作成
又は更新された評価モデルを用いて各個体に対する評価
値を予測し、その予測評価値に基づいて、各個体を操作
する（図７のフローチャートにおけるステップ７）。具
体的には、個体集合操作部は、図８及び図９のフローチ
ャートに示すように、Ｎ世代目の個体集合の全ての個体
に対する実際の（即ち、使用者による）評価が終了した
後、「足切りしきい値」を決める（ステップ１）。この
「足切りしきい値」は、データ蓄積部に蓄積されている
評価値から統計的に求められる値（例えば、平均値や分
散等）に基づいて算出され得るが、固定値としてもよ
い。次いで、進化型計算部で生成した次の世代、即ち、
Ｎ＋１世代目の個体集合内の一つの個体について、評価
モデルを用いて予測評価値を算出し（ステップ２）、さ
らに、評価値信頼度算出部で前記予測評価値の評価値信
頼度を算出する（ステップ３）。そして、前記評価値信
頼度が、予め決められた「信頼度しきい値」より高いか
否かを判断し（ステップ４）、評価値信頼度が、信頼度
しきい値より小さい場合には、その評価値信頼度に対応
する予測評価値に基づく後の処理（ステップ５〜ステッ
プ６）を行わずに、個体集合内の全ての個体についての
判定を行ったか否かを判断し（ステップ８）、全ての個
体についての判定が終了していなければ、再び、ステッ
プ２の処理に戻り、終了していれば、その世代の個体集
合に対する処理を終了する。前記ステップ４の処理で、
評価値信頼度が、信頼度しきい値より大きい場合と判断
した場合には、次に、その評価値信頼に対応する予測評
価値がステップ１で算出した足切りしきい値より大きい
か否かを判断し（ステップ５）、大きい場合には、ステ
ップ８の判断を介して終了するか、又はステップ２の処
理に戻る。ステップ５の処理で、予測評価値が足切りし
きい値より小さいと判断した場合には、その予測評価値
に対応する個体を個体集合から消去し（ステップ６）、
新たに作成した個体を、消去した個体の代わりに個体集
合に追加する（ステップ７）。尚、ステップ７の処理で
新たに個体を作成する場合、ランダムに複数の個体を作
成して、その予測評価値を求め、予測評価値の一番高い
ものを追加してもよく、また、少なくとも、削除した個
体の予測評価値より高い予測評価値が得られるように、
好ましくは、足きりしきい値より高い予測評価値が得ら
れるように新たに個体を作成してもよい。図８の概念図
では、Ｎ世代目の個体集合１ａ〜１ｅに対する使用者の
評価値に基づいて評価モデルを更新し、Ｎ＋１世代目の
個体集合２ａ〜２ｅに対して前記した個体集合操作を行
い、個体２ｃの予測評価値が足切りしきい値より低かっ
たので、その個体２ｃを消去し、新たな個体２ｃ''を加
えた例を示している。
【００１８】このように、進化型計算部において実際に
使用者により評価された個体集合の評価値と個体との組
み合わせデータを蓄積し、その蓄積データに基づいて、
評価モデルを作成することで、精度の高い評価値の予測
ができる評価モデルを作成することができるようにな
り、また、進化型計算部において新しい世代の個体集合
を生成する度に、その個体集合に対する使用者の評価を
行う前に、前記評価モデルで個体に対する評価値を予測
して、使用者の評価が低く成るであろう個体を消去して
おくことができるようになるので、使用者が無駄な評価
作業をする必要がなくなり、進化が効率よく進むように
なる。
使用者により評価された個体集合の評価値と個体との組
み合わせデータを蓄積し、その蓄積データに基づいて、
評価モデルを作成することで、精度の高い評価値の予測
ができる評価モデルを作成することができるようにな
り、また、進化型計算部において新しい世代の個体集合
を生成する度に、その個体集合に対する使用者の評価を
行う前に、前記評価モデルで個体に対する評価値を予測
して、使用者の評価が低く成るであろう個体を消去して
おくことができるようになるので、使用者が無駄な評価
作業をする必要がなくなり、進化が効率よく進むように
なる。
【００１９】尚、上記した実施例では、進化効率化処理
部に、評価値信頼度算出部を設け、そこで得られた評価
値信頼度を用いて、信頼度の低い予測評価値には、個体
集合操作を行わないように処理をしているが、評価値信
頼度算出部は、必須のものではなく、進化をより効率的
に進ませることを優先するか、又は全体の計算時間の短
縮及び使用可能なメモリ量を優先するか等の適用対象の
条件を勘案して、必要に応じて設ければよい。
部に、評価値信頼度算出部を設け、そこで得られた評価
値信頼度を用いて、信頼度の低い予測評価値には、個体
集合操作を行わないように処理をしているが、評価値信
頼度算出部は、必須のものではなく、進化をより効率的
に進ませることを優先するか、又は全体の計算時間の短
縮及び使用可能なメモリ量を優先するか等の適用対象の
条件を勘案して、必要に応じて設ければよい。
【００２０】次に、進化効率化処理部の別の実施例につ
いて説明する。図１０は、進化効率化処理部の別の実施
例を示す概略ブロック図である。この図に示すように、
進化効率型処理部は、データ蓄積型評価モデル制作部
（以下、単に評価モデル制作部と称する。）、代表評価
値算出部、及び個体集合操作部を備えている。
いて説明する。図１０は、進化効率化処理部の別の実施
例を示す概略ブロック図である。この図に示すように、
進化効率型処理部は、データ蓄積型評価モデル制作部
（以下、単に評価モデル制作部と称する。）、代表評価
値算出部、及び個体集合操作部を備えている。
【００２１】（データ蓄積型モデル制作部）モデル制作
部は、図１１に示すように、最適化処理部において用い
られる個体に対応する分割領域を備えており、最適化処
理部において、各個体に対する評価値が入力される度
に、個体と対応する領域に、その個体の実評価値を蓄積
していくことで、評価モデルを制作していく。図１１に
は、最適化処理部において用いられる個体が２種類のパ
ラメータ値を有する場合のモデル制作部におけるデータ
蓄積例が示されている。具体的に説明すると、図１１の
例では、個体は、遺伝子型から表現型に変換すると２種
類のパラメータになるようにコーディングされており、
モデル制作部は、各パラメータ値を縦軸及び横軸に対応
させ、各パラメータ値を等分に４分割した１６個の２次
元分割領域を備えている。最適化処理部において個体１
に対する使用者の実評価値が７５点である場合、モデル
制作部は、個体１を表現型に変換し、表現型のした時の
パラメータ１及び２に対応する領域に、その個体１の実
評価値７５点を蓄積する。このモデル制作部を、第一実
施例のスロットル特性を進化させる場合の個体に対応さ
せる場合、スロットル特性を進化させるための個体は、
４種類のスロットル特性パラメータ値（ＳＰ１，ＳＰ
２，ＤＲ，ＡＧ）から構成されているので、モデル制作
部の分割領域は４次元領域になる。このように、個体を
構成するパラメータ値の種類数が多い場合には、分割領
域が多次元になり、計算が複雑化し、蓄積すべきデータ
量が多くなってしまうので、このような場合には、必要
に応じて、個体を構成するパラメータ値をさらに、別の
パラメータ値に変換して、パラメータ値の種類数を低減
してもよい。具体的には、第一実施例のスロットル特性
の個体の場合には、個体を構成するスロットル特性の４
個のパラメータ値（ＳＰ１，ＳＰ２，ＤＲ，ＡＧ）に基
づいてレスポンス度を算出し、そのレスポンス度に基づ
いて、モデル制作部の領域を分割することができる。こ
の場合、モデル制作部は、例えば、レスポンス度を低速
・中速・及び高速の各速度毎に５段階に分割した合計１
２５の３次元分割領域から成る評価モデルを構成するこ
とができる。尚、領域内に無制限にデータを蓄積してい
くと、データ量が膨大な量になってしまうので、好まし
くは、各領域内に蓄積できるデータ数は制限され得る。
具体的には、例えば、蓄積できるデータ数は各領域毎に
最近５０個までとし、それ以前のものを削除するように
設定され得る。
部は、図１１に示すように、最適化処理部において用い
られる個体に対応する分割領域を備えており、最適化処
理部において、各個体に対する評価値が入力される度
に、個体と対応する領域に、その個体の実評価値を蓄積
していくことで、評価モデルを制作していく。図１１に
は、最適化処理部において用いられる個体が２種類のパ
ラメータ値を有する場合のモデル制作部におけるデータ
蓄積例が示されている。具体的に説明すると、図１１の
例では、個体は、遺伝子型から表現型に変換すると２種
類のパラメータになるようにコーディングされており、
モデル制作部は、各パラメータ値を縦軸及び横軸に対応
させ、各パラメータ値を等分に４分割した１６個の２次
元分割領域を備えている。最適化処理部において個体１
に対する使用者の実評価値が７５点である場合、モデル
制作部は、個体１を表現型に変換し、表現型のした時の
パラメータ１及び２に対応する領域に、その個体１の実
評価値７５点を蓄積する。このモデル制作部を、第一実
施例のスロットル特性を進化させる場合の個体に対応さ
せる場合、スロットル特性を進化させるための個体は、
４種類のスロットル特性パラメータ値（ＳＰ１，ＳＰ
２，ＤＲ，ＡＧ）から構成されているので、モデル制作
部の分割領域は４次元領域になる。このように、個体を
構成するパラメータ値の種類数が多い場合には、分割領
域が多次元になり、計算が複雑化し、蓄積すべきデータ
量が多くなってしまうので、このような場合には、必要
に応じて、個体を構成するパラメータ値をさらに、別の
パラメータ値に変換して、パラメータ値の種類数を低減
してもよい。具体的には、第一実施例のスロットル特性
の個体の場合には、個体を構成するスロットル特性の４
個のパラメータ値（ＳＰ１，ＳＰ２，ＤＲ，ＡＧ）に基
づいてレスポンス度を算出し、そのレスポンス度に基づ
いて、モデル制作部の領域を分割することができる。こ
の場合、モデル制作部は、例えば、レスポンス度を低速
・中速・及び高速の各速度毎に５段階に分割した合計１
２５の３次元分割領域から成る評価モデルを構成するこ
とができる。尚、領域内に無制限にデータを蓄積してい
くと、データ量が膨大な量になってしまうので、好まし
くは、各領域内に蓄積できるデータ数は制限され得る。
具体的には、例えば、蓄積できるデータ数は各領域毎に
最近５０個までとし、それ以前のものを削除するように
設定され得る。
【００２２】（代表評価値算出部）代表評価値算出部
は、図１２に示すように、モデル制作部で制作された評
価モデル（即ち、分割領域）の各領域内に含まれている
全個体の実評価値の平均値を算出し、それを、その領域
の代表評価値とする。但し、一つも実評価値が蓄積され
ていない領域については、代表評価値を算出しないもの
とする。こうすることで、未学習部分において信頼度の
低い代表評価値を算出することがなくなる。
は、図１２に示すように、モデル制作部で制作された評
価モデル（即ち、分割領域）の各領域内に含まれている
全個体の実評価値の平均値を算出し、それを、その領域
の代表評価値とする。但し、一つも実評価値が蓄積され
ていない領域については、代表評価値を算出しないもの
とする。こうすることで、未学習部分において信頼度の
低い代表評価値を算出することがなくなる。
【００２３】（個体集合操作部）個体集合操作部は、各
世代の個体集合の個々の個体を実際に評価する前に、評
価モデル制作部において作成又は更新された評価モデル
を用いて各個体に対する評価値を予測し、その予測評価
値に基づいて、各個体を操作する。各個体に対する評価
値の予測方法について説明すると、評価値を予測すべき
個体が評価モデルのどの領域に属するかを算出し、代表
評価値算出部において、その領域の代表評価値を算出
し、その代表評価値をその個体の予測評価値とする。個
体集合操作部における処理の流れについて簡単に説明す
る。図１３は、個体集合操作部における処理の一例を示
すフローチャートである。始めに、Ｎ世代目の個体集合
の全ての個体に対する実評価（即ち、使用者による評
価）が終了した後、データ蓄積部に蓄積されている全評
価値の平均値をもとに「足切りしきい値」を計算する
（ステップ１）。次いで、進化型計算部で生成した次の
世代、即ち、Ｎ＋１世代目の個体集合内の一つの個体に
ついての予測評価値を前述の方法で算出する（ステップ
２）。そして、その予測評価値がステップ１で算出した
足切りしきい値より大きいか否かを判断し（ステップ
３）、小さい場合には、その個体を個体集合から消去し
（ステップ４）、新たに別の個体を作成し個体集合に追
加する（ステップ５）。上記した処理は、個体集合内の
全ての個体に対して行われるまで繰り返される（ステッ
プ６）。尚、ステップ５の処理で新たに個体を作成する
場合、ランダムに複数の個体を作成して、その予測評価
値を求め、予測評価値の一番高いものを追加してもよ
く、また、少なくとも、削除した個体の予測評価値より
高い予測評価値が得られるように、好ましくは、足きり
しきい値より高い予測評価値が得られるように新たに個
体を作成してもよい。
世代の個体集合の個々の個体を実際に評価する前に、評
価モデル制作部において作成又は更新された評価モデル
を用いて各個体に対する評価値を予測し、その予測評価
値に基づいて、各個体を操作する。各個体に対する評価
値の予測方法について説明すると、評価値を予測すべき
個体が評価モデルのどの領域に属するかを算出し、代表
評価値算出部において、その領域の代表評価値を算出
し、その代表評価値をその個体の予測評価値とする。個
体集合操作部における処理の流れについて簡単に説明す
る。図１３は、個体集合操作部における処理の一例を示
すフローチャートである。始めに、Ｎ世代目の個体集合
の全ての個体に対する実評価（即ち、使用者による評
価）が終了した後、データ蓄積部に蓄積されている全評
価値の平均値をもとに「足切りしきい値」を計算する
（ステップ１）。次いで、進化型計算部で生成した次の
世代、即ち、Ｎ＋１世代目の個体集合内の一つの個体に
ついての予測評価値を前述の方法で算出する（ステップ
２）。そして、その予測評価値がステップ１で算出した
足切りしきい値より大きいか否かを判断し（ステップ
３）、小さい場合には、その個体を個体集合から消去し
（ステップ４）、新たに別の個体を作成し個体集合に追
加する（ステップ５）。上記した処理は、個体集合内の
全ての個体に対して行われるまで繰り返される（ステッ
プ６）。尚、ステップ５の処理で新たに個体を作成する
場合、ランダムに複数の個体を作成して、その予測評価
値を求め、予測評価値の一番高いものを追加してもよ
く、また、少なくとも、削除した個体の予測評価値より
高い予測評価値が得られるように、好ましくは、足きり
しきい値より高い予測評価値が得られるように新たに個
体を作成してもよい。
【００２４】上記したように、評価モデルを分割領域で
構成することにより、ＲＢＦで評価モデルを構成する場
合に比べて計算が簡単化できる。
構成することにより、ＲＢＦで評価モデルを構成する場
合に比べて計算が簡単化できる。
【００２５】上記した第一及び第二実施例の個体集合操
作部では、何れも、各個体の予測評価値を算出し、予測
評価値が足きりしきい値より低くなる個体を個体集合か
ら消去し、ランダムに作成した別の個体を個体集合に追
加するように処理しているが、この個体集合に対する操
作は、これらの実施例に限定されることなく、進化型計
算部で新しい世代の個体集合を生成した時に、その個体
集合に対する実評価を行う前に、その個体集合に評価モ
デルを用いて個体集合全体の評価が高まるように何らか
の操作を加える方法であれば任意の方法でよい。以下
に、個体集合操作部における個体集合に対する操作方法
の別の実施例を説明していく。図１４は、個体集合操作
部における個体集合に対する操作方法の別の実施例を示
すフローチャートである。この例では、始めに、最適化
処理部で生成された新しい世代の個体集合内の全ての個
体についての予測評価値を算出する（ステップ１）。そ
して、その時の評価モデルで最も高い評価値を持つ最適
個体を評価モデルを用いて生成し（ステップ２）、最適
化処理部で生成された新しい世代の個体集合の中で、予
測評価値の一番低い個体を前記最適個体と置き換える
（ステップ３）。具体的には、評価モデルがＲＢＦで制
作されている場合には、効率化の対象となっている最適
化処理部とは別に、評価モデルによる評価に基づいて自
律的に個体を進化させる自律進化処理部を設け、その自
律進化処理部で進化させた個体を最適個体とする。ま
た、評価モデルが、分割領域で制作されている場合に
は、代表評価値が最も高い領域内に含まれている任意の
個体１個を最適個体とする。このように、単に個体集合
内で予測評価値の一番低い個体と最適個体とを置き換え
るように個体集合を操作することによって、固体毎の判
断が必要なくなるので、個体集合操作処理をより簡略化
することができるようになる。図１５は、個体集合操作
部における個体集合に対する操作方法のさらに別の実施
例を示すフローチャートである。この例では、始めに、
その時の評価モデルで最も高い評価値を持つ最適個体を
評価モデルを用いて生成し（ステップ１）、最適化処理
部で生成された新しい世代の個体集合の中からランダム
に１個の個体を選択し、その個体を前記最適個体と置き
換える。このように、個体集合内からランダムに１個の
個体を選択し、その個体を最適個体に置き換えることに
より、個体集合内の全ての個体に対する予測評価値を算
出する必要がなくなるので、個体集合に対する操作をよ
り一層簡略化することができる。
作部では、何れも、各個体の予測評価値を算出し、予測
評価値が足きりしきい値より低くなる個体を個体集合か
ら消去し、ランダムに作成した別の個体を個体集合に追
加するように処理しているが、この個体集合に対する操
作は、これらの実施例に限定されることなく、進化型計
算部で新しい世代の個体集合を生成した時に、その個体
集合に対する実評価を行う前に、その個体集合に評価モ
デルを用いて個体集合全体の評価が高まるように何らか
の操作を加える方法であれば任意の方法でよい。以下
に、個体集合操作部における個体集合に対する操作方法
の別の実施例を説明していく。図１４は、個体集合操作
部における個体集合に対する操作方法の別の実施例を示
すフローチャートである。この例では、始めに、最適化
処理部で生成された新しい世代の個体集合内の全ての個
体についての予測評価値を算出する（ステップ１）。そ
して、その時の評価モデルで最も高い評価値を持つ最適
個体を評価モデルを用いて生成し（ステップ２）、最適
化処理部で生成された新しい世代の個体集合の中で、予
測評価値の一番低い個体を前記最適個体と置き換える
（ステップ３）。具体的には、評価モデルがＲＢＦで制
作されている場合には、効率化の対象となっている最適
化処理部とは別に、評価モデルによる評価に基づいて自
律的に個体を進化させる自律進化処理部を設け、その自
律進化処理部で進化させた個体を最適個体とする。ま
た、評価モデルが、分割領域で制作されている場合に
は、代表評価値が最も高い領域内に含まれている任意の
個体１個を最適個体とする。このように、単に個体集合
内で予測評価値の一番低い個体と最適個体とを置き換え
るように個体集合を操作することによって、固体毎の判
断が必要なくなるので、個体集合操作処理をより簡略化
することができるようになる。図１５は、個体集合操作
部における個体集合に対する操作方法のさらに別の実施
例を示すフローチャートである。この例では、始めに、
その時の評価モデルで最も高い評価値を持つ最適個体を
評価モデルを用いて生成し（ステップ１）、最適化処理
部で生成された新しい世代の個体集合の中からランダム
に１個の個体を選択し、その個体を前記最適個体と置き
換える。このように、個体集合内からランダムに１個の
個体を選択し、その個体を最適個体に置き換えることに
より、個体集合内の全ての個体に対する予測評価値を算
出する必要がなくなるので、個体集合に対する操作をよ
り一層簡略化することができる。
【００２６】尚、上記した実施例では、最適化処理部で
生成された個体集合の中から、少なくとも一つの個体を
削除して、その数に対応する数の個体を評価モデルを用
いて新たに作成し、個体集合に追加しているが、評価モ
デルを用いた個体集合の操作は、上記した実施例に限定
されることなく、実評価を行う前に、個体集合を操作す
る方法であれば任意の方法でよく、例えば、個体集合か
ら個体を一つも削除せず、単に、評価モデルを用いて作
成した個体を追加するだけでもよく、また、個体集合か
ら単に個体を削除するだけでもよい。また、上記した実
施例では、最適化処理部が、個体集合の各個体に対する
実評価を使用者が直接行う、所謂、対話型評価を用いて
いるが、最適化処理部の構成は本実施例に限定されるこ
となく、例えば、個体集合の各個体に対する実評価を、
制御装置内に設けた実評価用モデルで行う、所謂、自律
型評価を用いるものでもよい。さらに、上記した実施例
では制御装置が、制御対象へ直接操作量を出力する基本
制御モジュールの制御パラメータを直接、最適化処理部
で進化させる、所謂、１層式の進化処理を行っている
が、制御装置の構成は本実施例に限定されることなく、
例えば、・制御対象へ直接操作量を出力する基本制御モ
ジュールを実行用制御モジュールと学習用制御モジュー
ルに分け、最適化処理部で進化させた制御パラメータを
学習用制御モジュールで学習させてから実行用制御モジ
ュールと入れ換える所謂、２層式の進化処理を行うよう
に構成されていてもよく、また、・制御対象へ直接操作
量を出力する基本制御モジュールの他に、前記基本制御
モジュールに対する補正情報を出力する補正制御モジュ
ールを設け、該補正制御モジュールの制御パラメータを
最適化処理部で直接進化させる所謂、２層式の進化処理
を行うように構成されていてもよく、さらに、・補正制
御モジュールを、学習用と実行用とに分け、最適化処理
部で進化させた制御パラメータを学習用補正制御モジュ
ールで学習させてから実行用制御モジュールと入れ換え
る所謂、３層式の進化処理を行うように構成されていて
もよい。
生成された個体集合の中から、少なくとも一つの個体を
削除して、その数に対応する数の個体を評価モデルを用
いて新たに作成し、個体集合に追加しているが、評価モ
デルを用いた個体集合の操作は、上記した実施例に限定
されることなく、実評価を行う前に、個体集合を操作す
る方法であれば任意の方法でよく、例えば、個体集合か
ら個体を一つも削除せず、単に、評価モデルを用いて作
成した個体を追加するだけでもよく、また、個体集合か
ら単に個体を削除するだけでもよい。また、上記した実
施例では、最適化処理部が、個体集合の各個体に対する
実評価を使用者が直接行う、所謂、対話型評価を用いて
いるが、最適化処理部の構成は本実施例に限定されるこ
となく、例えば、個体集合の各個体に対する実評価を、
制御装置内に設けた実評価用モデルで行う、所謂、自律
型評価を用いるものでもよい。さらに、上記した実施例
では制御装置が、制御対象へ直接操作量を出力する基本
制御モジュールの制御パラメータを直接、最適化処理部
で進化させる、所謂、１層式の進化処理を行っている
が、制御装置の構成は本実施例に限定されることなく、
例えば、・制御対象へ直接操作量を出力する基本制御モ
ジュールを実行用制御モジュールと学習用制御モジュー
ルに分け、最適化処理部で進化させた制御パラメータを
学習用制御モジュールで学習させてから実行用制御モジ
ュールと入れ換える所謂、２層式の進化処理を行うよう
に構成されていてもよく、また、・制御対象へ直接操作
量を出力する基本制御モジュールの他に、前記基本制御
モジュールに対する補正情報を出力する補正制御モジュ
ールを設け、該補正制御モジュールの制御パラメータを
最適化処理部で直接進化させる所謂、２層式の進化処理
を行うように構成されていてもよく、さらに、・補正制
御モジュールを、学習用と実行用とに分け、最適化処理
部で進化させた制御パラメータを学習用補正制御モジュ
ールで学習させてから実行用制御モジュールと入れ換え
る所謂、３層式の進化処理を行うように構成されていて
もよい。
【００２７】
【発明の効果】以上説明したように、本発明の制御対象
の最適化制御方法及び制御装置は、制御対象の特性に影
響を及ぼす制御パラメータに対応する個体を複数生成
し、その個体集合を一つの世代とし、少なくとも実評価
を反映させて個体集合から次世代の親個体の選択し、少
なくとも前記親個体に基づいて次世代の個体集合を生成
することを繰り返すことで前記制御パラメータを実評価
を反映させながら進化させるオンライン型最適化制御方
法において、各個体と、その個体に対する実評価との関
係に基づいて評価モデルを作成し、実評価を行う前に、
前記評価モデルを用いるので、評価が低くなると思われ
る個体を予め淘汰したり、評価が高くなると思われる個
体を予め追加したりすることが可能になり、使用者が実
際に評価をする前に、個体集合の評価を全体的に高くし
ておくことができる。これにより、使用者は無駄な評価
をする必要が少なくなり、進化の効率をよくすることが
できる。
の最適化制御方法及び制御装置は、制御対象の特性に影
響を及ぼす制御パラメータに対応する個体を複数生成
し、その個体集合を一つの世代とし、少なくとも実評価
を反映させて個体集合から次世代の親個体の選択し、少
なくとも前記親個体に基づいて次世代の個体集合を生成
することを繰り返すことで前記制御パラメータを実評価
を反映させながら進化させるオンライン型最適化制御方
法において、各個体と、その個体に対する実評価との関
係に基づいて評価モデルを作成し、実評価を行う前に、
前記評価モデルを用いるので、評価が低くなると思われ
る個体を予め淘汰したり、評価が高くなると思われる個
体を予め追加したりすることが可能になり、使用者が実
際に評価をする前に、個体集合の評価を全体的に高くし
ておくことができる。これにより、使用者は無駄な評価
をする必要が少なくなり、進化の効率をよくすることが
できる。
【図１】 エンジン１と、本発明に係る制御対象の最適
化制御方法を実行する制御装置１０との関係を示す概略
図である。
化制御方法を実行する制御装置１０との関係を示す概略
図である。
【図２】 前記制御装置１０の概略ブロック図である。
【図３】 電子スロットル制御モジュールの概略ブロッ
ク図である。
ク図である。
【図４】 幾つかのスロットルの静特性の例を示す図で
ある。
ある。
【図５】 幾つかのスロットルの動特性の例を示す図で
ある。
ある。
【図６】 遺伝子型個体としてのコーディングの一例を
示す図である。
示す図である。
【図７】 制御装置における最適化処理の流れの一例を
示すフローチャートである。
示すフローチャートである。
【図８】 個体集合操作部における個体集合処理を概念
的に示す図である。
的に示す図である。
【図９】 個体集合操作部における個体集合処理の流れ
の一例を示すフローチャートである。
の一例を示すフローチャートである。
【図１０】 進化効率化処理部の別の実施例を示す概略
ブロック図である。
ブロック図である。
【図１１】 データ蓄積型評価モデル制作部における評
価モデルの作成方法を概念的に示す図である。
価モデルの作成方法を概念的に示す図である。
【図１２】 代表評価値算出部における代表評価値の算
出方法を概念的に示す図である。
出方法を概念的に示す図である。
【図１３】 個体集合操作部における処理の一例を示す
フローチャートである。
フローチャートである。
【図１４】 個体集合操作部における個体集合に対する
操作方法の別の実施例を示すフローチャートである。
操作方法の別の実施例を示すフローチャートである。
【図１５】 個体集合操作部における個体集合に対する
操作方法のさらに別の実施例を示すフローチャートであ
る。
操作方法のさらに別の実施例を示すフローチャートであ
る。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考） Ｆ０２Ｄ 45/00 ３６４ Ｆ０２Ｄ 45/00 ３６４Ｇ ３７０ ３７０Ｂ ３７６ ３７６Ｂ Ｇ０５Ｄ 3/10 Ｇ０５Ｄ 3/10 Ｚ Ｇ０６Ｆ 15/18 ５５０ Ｇ０６Ｆ 15/18 ５５０Ｃ Ｆターム(参考） 3G065 CA21 DA04 GA46 JA01 JA09 KA02 3G084 BA05 DA05 DA15 EA11 EB20 EB25 EC04 FA10 3G301 JA03 LA01 LC03 NA05 NE21 PF00Z PF03Z 5H004 GA26 GB12 HA07 HB07 JA03 KA44 KB22 KB26 KB28 KB30 KC02 KC08 KC12 KC27 KD61 KD67 MA11 5H303 AA13 BB01 BB06 EE01 FF03 KK01 KK11 MM05
Claims (21)
- 【請求項１】 制御対象の特性に影響を及ぼす制御パラ
メータに対応する個体を複数生成し、その個体集合を一
つの世代とし、 少なくとも実評価を反映させて個体集合から次世代の親
個体の選択し、 少なくとも前記親個体に基づいて次世代の個体集合を生
成することを繰り返すことで前記制御パラメータを実評
価を反映させながら進化させるオンライン型最適化制御
方法において、 各個体と、その個体に対する実評価との関係に基づいて
評価モデルを作成し、 実評価を行う前に、前記評価モデルを用いることを特徴
とする制御対象の最適化制御方法。 - 【請求項２】前記実評価が使用者による評価であること
を特徴とする請求項１に記載の制御方法。 - 【請求項３】前記実評価が前記評価モデルとは別の実評
価用モデルによる評価であることを特徴とする請求項１
に記載の制御方法。 - 【請求項４】前記評価モデルが、個体を入力とし、予測
評価値を出力とする関数から成ることを特徴とする請求
項１〜３の何れか一項に記載の制御方法。 - 【請求項５】前記関数がラジアルベーシスファンクショ
ンであることを特徴とする請求項４に記載の制御方法。 - 【請求項６】前記評価モデルが、複数に分割された個体
に対応する分割領域から成り、実評価された個体の評価
値を対応する領域に蓄積し、各領域に蓄積された評価値
に基づいて、その分割領域の予測評価値を算出すること
を特徴とする請求項１〜３の何れか一項に記載の制御方
法。 - 【請求項７】個体集合を構成する各個体の評価値を評価
モデルを用いて予測し、 予測評価値に基づいて、個体集合中の個体の削除を行う
ことを特徴とする請求項１〜６の何れか一項に記載の制
御方法。 - 【請求項８】所定のしきい値より低い予測評価値を持つ
個体を個体集合から削除することを特徴とする請求項７
に記載の制御方法。 - 【請求項９】個体集合中の個体を、予測評価値の低い方
から順に任意の数だけ削除することを特徴とする請求項
７に記載の制御方法。 - 【請求項１０】前記評価モデルを用いて、少なくとも削
除した個体より高い予測評価値を持つ個体を作成し、前
記個体を個体集合に追加することを特徴とする請求項７
〜９の何れか一項に記載のえ制御方法。 - 【請求項１１】前記評価モデルを用いてランダムに個体
を作成し、高い予測評価値を持つ方から順に任意の数の
個体を追加することを特徴とする請求項１〜９の何れか
一項に記載の制御方法。 - 【請求項１２】前記評価モデルを用いて、少なくとも、
所定のしきい値より高い予測評価値を持つ個体を作成
し、前記個体を個体集合に追加することを特徴とする請
求項１〜９の何れか一項に記載の制御方法。 - 【請求項１３】個体集合からランダムに削除すべき個体
を決定して削除し、 前記個体の代わりに、その時の評価モデルで高い予測評
価値が得られるように作成した個体を追加することを特
徴とする請求項１〜６の何れか一項に記載の制御方法。 - 【請求項１４】前記個体集合に追加すべき個体を、所定
のしきい値より予測評価値が高くなるように作成するこ
とを特徴とする請求項１３に記載の制御方法。 - 【請求項１５】所定の入力情報に基づいて制御対象に関
する操作量を出力する制御部と、 前記制御装置における制御対象の特性に影響を及ぼす制
御パラメータに対応する個体を複数生成し、その個体集
合を一つの世代とし、 少なくとも実評価を反映させて個体集合から次世代の親
個体の選択し、 少なくとも前記親個体に基づいて次世代の個体集合を生
成することを繰り返すことで前記制御パラメータを実評
価を反映させながら進化させるオンライン型最適化処理
部と、 各個体と、その個体に対する実評価との関係に基づいて
評価モデルを作成する評価モデル制作部及び実評価を行
う前に、前記評価モデルを用いて個体集合の前処理を行
う個体集合操作部を有する進化効率化処理部とを備えて
いることを特徴とする制御対象の最適化制御装置。 - 【請求項１６】前記実評価として使用者による評価を入
力する手段を備えていることを特徴とする請求項１５に
記載の制御装置。 - 【請求項１７】前記評価モデルとは別の実評価用モデル
を備え、該実評価モデルで実評価を行うことを特徴とす
る請求項１５に記載の制御装置。 - 【請求項１８】前記評価モデル制作部が、個体及び個体
に対する実評価値に関するデータを蓄積するデータ蓄積
部を備え、 前記データ蓄積部に蓄積されたデータに基づいて評価モ
デルを作成することを特徴とする請求項１５〜１７の何
れか一項に記載の制御装置。 - 【請求項１９】前記評価モデル制作部が、個体を入力と
し、予測評価値を出力とする関数から成る評価モデルを
作成することを特徴とする請求項１８に記載の制御装
置。 - 【請求項２０】前記関数がラジアルベーシスファンクシ
ョンであることを特徴とする請求項１９に記載の制御装
置。 - 【請求項２１】前記評価モデル制作部が、複数に分割さ
れた個体に対応する分割領域から成り、実評価された個
体の評価値を対応する領域に蓄積し、各領域に蓄積され
た評価値に基づいて、その分割領域の予測評価値を算出
するデータ蓄積型評価モデルを作成することを特徴とす
る請求項１８に記載の制御装置。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11150541A JP2000339005A (ja) | 1999-05-28 | 1999-05-28 | 制御対象の最適化制御方法及び制御装置 |
| US09/579,799 US6687554B1 (en) | 1999-05-28 | 2000-05-26 | Method and device for controlling optimization of a control subject |
| EP00111491A EP1056042A3 (en) | 1999-05-28 | 2000-05-29 | An online type of optimization control method and an optimization control device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP11150541A JP2000339005A (ja) | 1999-05-28 | 1999-05-28 | 制御対象の最適化制御方法及び制御装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2000339005A true JP2000339005A (ja) | 2000-12-08 |
Family
ID=15499133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP11150541A Pending JP2000339005A (ja) | 1999-05-28 | 1999-05-28 | 制御対象の最適化制御方法及び制御装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US6687554B1 (ja) |
| EP (1) | EP1056042A3 (ja) |
| JP (1) | JP2000339005A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008217155A (ja) * | 2007-02-28 | 2008-09-18 | Fuji Heavy Ind Ltd | 制御パラメータの自動適合システム |
| US20210004430A1 (en) * | 2018-05-08 | 2021-01-07 | Hitachi, Ltd. | Data analysis device, power flow analysis device, and data analysis method |
| JPWO2021130988A1 (ja) * | 2019-12-26 | 2021-12-23 | 三菱電機株式会社 | 位置決め制御装置及び位置決め制御方法 |
| US12117781B2 (en) | 2019-12-26 | 2024-10-15 | Mitsubishi Electric Corporation | Positioning control device and method for moving a mechanical load by a target distance using a motor |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040215495A1 (en) * | 1999-04-16 | 2004-10-28 | Eder Jeff Scott | Method of and system for defining and measuring the elements of value and real options of a commercial enterprise |
| US20060218107A1 (en) * | 2005-03-24 | 2006-09-28 | The University Of Tennessee Research Foundation | Method for controlling a product production process |
| US9200583B2 (en) * | 2011-03-31 | 2015-12-01 | Robert Bosch Gmbh | Concurrently adjusting interrelated control parameters to achieve optimal engine performance |
| CN104181817B (zh) * | 2014-09-12 | 2017-02-15 | 河海大学常州校区 | 一种两轮自平衡电动车系统控制器的设计方法 |
| JP6536978B1 (ja) * | 2018-03-15 | 2019-07-03 | オムロン株式会社 | 学習装置、学習方法、及びそのプログラム |
| JP2024044506A (ja) * | 2022-09-21 | 2024-04-02 | 富士通株式会社 | 演算プログラム、演算方法、および情報処理装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3300584B2 (ja) * | 1994-11-24 | 2002-07-08 | 松下電器産業株式会社 | 最適化調整方法と最適化調整装置 |
| US5897629A (en) * | 1996-05-29 | 1999-04-27 | Fujitsu Limited | Apparatus for solving optimization problems and delivery planning system |
| JP3825845B2 (ja) * | 1996-09-27 | 2006-09-27 | ヤマハ発動機株式会社 | 進化的制御方式 |
| JPH10154003A (ja) * | 1996-09-27 | 1998-06-09 | Yamaha Motor Co Ltd | 進化的制御方式 |
| US6314412B1 (en) * | 1997-09-29 | 2001-11-06 | Yamaha Hatsudoki Kabushiki Kaisha | Evolutionary control of machine based on user's preference inferred from user's operation |
| JPH10122017A (ja) * | 1996-10-14 | 1998-05-12 | Yamaha Motor Co Ltd | エンジン制御方式 |
-
1999
- 1999-05-28 JP JP11150541A patent/JP2000339005A/ja active Pending
-
2000
- 2000-05-26 US US09/579,799 patent/US6687554B1/en not_active Expired - Fee Related
- 2000-05-29 EP EP00111491A patent/EP1056042A3/en not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008217155A (ja) * | 2007-02-28 | 2008-09-18 | Fuji Heavy Ind Ltd | 制御パラメータの自動適合システム |
| US20210004430A1 (en) * | 2018-05-08 | 2021-01-07 | Hitachi, Ltd. | Data analysis device, power flow analysis device, and data analysis method |
| JPWO2021130988A1 (ja) * | 2019-12-26 | 2021-12-23 | 三菱電機株式会社 | 位置決め制御装置及び位置決め制御方法 |
| US12117781B2 (en) | 2019-12-26 | 2024-10-15 | Mitsubishi Electric Corporation | Positioning control device and method for moving a mechanical load by a target distance using a motor |
Also Published As
| Publication number | Publication date |
|---|---|
| US6687554B1 (en) | 2004-02-03 |
| EP1056042A2 (en) | 2000-11-29 |
| EP1056042A3 (en) | 2007-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Linkens et al. | Input selection and partition validation for fuzzy modelling using neural network | |
| US8554707B2 (en) | Method for the computer-assisted control and/or regulation of a technical system where the dynamic behavior of the technical system is modeled using a recurrent neural network | |
| CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
| JP4028384B2 (ja) | エージェント学習装置、方法、プログラム | |
| CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
| JP2000250604A (ja) | 特性最適化方法における最適化の協調方法 | |
| CN113614743A (zh) | 用于操控机器人的方法和设备 | |
| US6529816B1 (en) | Evolutionary controlling system for motor | |
| US20070179917A1 (en) | Intelligent design optimization method and system | |
| JP2000339005A (ja) | 制御対象の最適化制御方法及び制御装置 | |
| CN114861879A (zh) | 一种基于天牛须算法优化Elman神经网络电主轴热误差建模方法 | |
| KR101827124B1 (ko) | 운전자의 주행 패턴 인식 시스템 및 방법 | |
| KR102175280B1 (ko) | 제어 파라미터 학습 기반 제어 시스템 및 방법 | |
| CN114582131A (zh) | 一种基于匝道智能控流算法的监控方法及系统 | |
| JP2009129366A (ja) | 車両の感性推定システム | |
| CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
| JP2000250603A (ja) | 総合特性最適化方法 | |
| WO2021229630A1 (ja) | 機械学習プログラム，機械学習方法および機械学習装置 | |
| US20220277200A1 (en) | Fast quantised training of trainable modules | |
| Solovyov et al. | Synthesis methods for fuzzy controller with double base of rules | |
| CN114580139A (zh) | 用于自动评估仿真模型的方法 | |
| Lin et al. | The design of TSK‐type fuzzy controllers using a new hybrid learning approach | |
| Gerdelan et al. | A genetic‐fuzzy system for optimising agent steering | |
| JP2002245434A (ja) | 進化的手法による最適解探索装置、進化的手法による制御対象の制御装置及び進化的手法による最適解探索プログラム | |
| JP7454888B1 (ja) | ハードウェア特性を利用してニューラルネットワークモデルを軽量化する方法及び装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20051128 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070611 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070620 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070810 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080130 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080618 |