JP2002251597A - 最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラム - Google Patents
最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラムInfo
- Publication number
- JP2002251597A JP2002251597A JP2001049342A JP2001049342A JP2002251597A JP 2002251597 A JP2002251597 A JP 2002251597A JP 2001049342 A JP2001049342 A JP 2001049342A JP 2001049342 A JP2001049342 A JP 2001049342A JP 2002251597 A JP2002251597 A JP 2002251597A
- Authority
- JP
- Japan
- Prior art keywords
- evaluation
- control
- evaluation function
- output
- individual
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
-
- 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
-
- 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
- G05B13/027—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 using neural networks only
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1406—Introducing closed-loop corrections characterised by the control or regulation method with use of a optimisation method, e.g. iteration
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32028—Electronic catalog, to select material, resources, make lists with prices
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32393—Host and central distribution control between storage and cells
Abstract
(57)【要約】
【課題】 使用者の希望に沿った最適解を探索すること
ができ、しかも最適化に要する時間を短縮することがで
きる最適化アルゴリズムによる制御対象の制御装置を提
供する。 【解決手段】 対話型最適化部３１０については、対話
型最適化部３１０の制御係数を入力としてレスポンス度
を出力するレスポンス度算出部３４２を用いて、レスポ
ンス度算出部３４２のレスポンス度を対話型評価により
繰り返し評価しながら、レスポンス度算出部３４２の最
適解をＧＡにより探索する。自律型最適化部３５０につ
いては、自律型最適化部３５０の制御係数を入力として
燃費を出力する燃費算出部３７２を用いて、対話型最適
化部３１０の最適化で最適解として探索した解から求ま
るレスポンス度を基準として所定範囲内にレスポンス度
が属するように、燃費算出部３７２の燃費を自律型評価
により繰り返し評価しながら、燃費算出部３７２の最適
解をＧＡにより探索する。
ができ、しかも最適化に要する時間を短縮することがで
きる最適化アルゴリズムによる制御対象の制御装置を提
供する。 【解決手段】 対話型最適化部３１０については、対話
型最適化部３１０の制御係数を入力としてレスポンス度
を出力するレスポンス度算出部３４２を用いて、レスポ
ンス度算出部３４２のレスポンス度を対話型評価により
繰り返し評価しながら、レスポンス度算出部３４２の最
適解をＧＡにより探索する。自律型最適化部３５０につ
いては、自律型最適化部３５０の制御係数を入力として
燃費を出力する燃費算出部３７２を用いて、対話型最適
化部３１０の最適化で最適解として探索した解から求ま
るレスポンス度を基準として所定範囲内にレスポンス度
が属するように、燃費算出部３７２の燃費を自律型評価
により繰り返し評価しながら、燃費算出部３７２の最適
解をＧＡにより探索する。
Description
【０００１】
【発明の属する技術分野】本発明は、評価関数の最適解
を最適化アルゴリズムにより探索する装置およびプログ
ラムに係り、特に、使用者の希望に沿った最適解を探索
することができ、しかも最適化に要する時間を短縮する
ことができる最適解探索装置、最適化アルゴリズムによ
る制御対象の制御装置および最適解探索プログラムに関
する。
を最適化アルゴリズムにより探索する装置およびプログ
ラムに係り、特に、使用者の希望に沿った最適解を探索
することができ、しかも最適化に要する時間を短縮する
ことができる最適解探索装置、最適化アルゴリズムによ
る制御対象の制御装置および最適解探索プログラムに関
する。
【０００２】
【従来の技術】従来から、車両や家電製品等の製品の特
性を制御する場合、制御対象となる製品の特性は、開発
・設計段階で、その製品を使用すると思われる使用者を
想定し、その仮想使用者の好みや使用状況を加味し、で
きるだけ幅広い使用者に適応するように決められる。し
かし、上記製品を使用する使用者は、個々に特有の個性
を持っており、その好みも千差万別であるため、前記し
たように、その製品を使用すると思われる使用者の好み
等を想定して製品の開発・設計を行ったとしても、すべ
ての使用者が満足する特性を提供ことはほぼ不可能に近
い。この問題を解決するために、遺伝的アルゴリズム
（以下、単にＧＡという。）等の最適化アルゴリズムを
用いて、購入後に使用者の好みや使用状況を推定し、使
用者が満足しうる特性に制御特性を変更していく制御方
法が試みられている。
性を制御する場合、制御対象となる製品の特性は、開発
・設計段階で、その製品を使用すると思われる使用者を
想定し、その仮想使用者の好みや使用状況を加味し、で
きるだけ幅広い使用者に適応するように決められる。し
かし、上記製品を使用する使用者は、個々に特有の個性
を持っており、その好みも千差万別であるため、前記し
たように、その製品を使用すると思われる使用者の好み
等を想定して製品の開発・設計を行ったとしても、すべ
ての使用者が満足する特性を提供ことはほぼ不可能に近
い。この問題を解決するために、遺伝的アルゴリズム
（以下、単にＧＡという。）等の最適化アルゴリズムを
用いて、購入後に使用者の好みや使用状況を推定し、使
用者が満足しうる特性に制御特性を変更していく制御方
法が試みられている。
【０００３】
【発明が解決しようとする課題】最適化アルゴリズムに
より制御特性を最適化する場合には、その制御結果を数
値化し所定の評価基準に基づいて自律的に評価しながら
制御特性を最適化していく自律型評価手法と、その制御
結果を使用者に対して表示し使用者との対話により評価
しながら制御特性を最適化していく対話型評価手法との
いずれかが採用される。
より制御特性を最適化する場合には、その制御結果を数
値化し所定の評価基準に基づいて自律的に評価しながら
制御特性を最適化していく自律型評価手法と、その制御
結果を使用者に対して表示し使用者との対話により評価
しながら制御特性を最適化していく対話型評価手法との
いずれかが採用される。
【０００４】自律型評価手法は、所定の評価基準に基づ
いて自律的に行うため、比較的短時間で制御特性を最適
化することができるが、使用者の好みが最適値となるよ
うな評価基準が使用者によって変化する場合には適して
いない。これに対し、対話型評価手法は、使用者の好み
が最適値となるような評価基準が使用者によって変化す
る場合に適したものではあるが、使用者による評価を短
期間にさほど多く得ることができないので、例えば車両
の制御特性のすべてをこの手法で最適化しようとすれ
ば、最適化が完了するまでに比較的長時間要するという
問題がある。
いて自律的に行うため、比較的短時間で制御特性を最適
化することができるが、使用者の好みが最適値となるよ
うな評価基準が使用者によって変化する場合には適して
いない。これに対し、対話型評価手法は、使用者の好み
が最適値となるような評価基準が使用者によって変化す
る場合に適したものではあるが、使用者による評価を短
期間にさほど多く得ることができないので、例えば車両
の制御特性のすべてをこの手法で最適化しようとすれ
ば、最適化が完了するまでに比較的長時間要するという
問題がある。
【０００５】そこで、本発明は、このような従来の技術
の有する未解決の課題に着目してなされたものであっ
て、使用者の希望に沿った最適解を探索することがで
き、しかも最適化に要する時間を短縮することができる
最適解探索装置、最適化アルゴリズムによる制御対象の
制御装置および最適解探索プログラムを提供することを
目的としている。
の有する未解決の課題に着目してなされたものであっ
て、使用者の希望に沿った最適解を探索することがで
き、しかも最適化に要する時間を短縮することができる
最適解探索装置、最適化アルゴリズムによる制御対象の
制御装置および最適解探索プログラムを提供することを
目的としている。
【０００６】
【課題を解決するための手段】上記目的を達成するため
に、本発明に係る請求項１記載の最適解探索装置は、評
価関数の出力を繰り返し評価しながら前記評価関数の最
適解を最適化アルゴリズムにより探索する装置であっ
て、前記評価関数の出力に対する評価を使用者との対話
に基づいて行う対話型評価と、前記評価関数の出力に対
する評価を所定の評価基準に基づいて行う自律型評価と
の組み合わせにより、前記最適化アルゴリズムによる探
索を行うようになっている。
に、本発明に係る請求項１記載の最適解探索装置は、評
価関数の出力を繰り返し評価しながら前記評価関数の最
適解を最適化アルゴリズムにより探索する装置であっ
て、前記評価関数の出力に対する評価を使用者との対話
に基づいて行う対話型評価と、前記評価関数の出力に対
する評価を所定の評価基準に基づいて行う自律型評価と
の組み合わせにより、前記最適化アルゴリズムによる探
索を行うようになっている。
【０００７】このような構成であれば、対話型評価と自
律型評価との組合せにより評価関数の出力が繰り返し評
価されながら、評価関数の最適解が最適化アルゴリズム
により探索される。ここで、請求項１記載の発明は、例
えば、制御対象の制御特性を最適化する場合に適用する
こともできるが、これに限らず、最適化アルゴリズムが
これまで適用されてきた各種の問題にも適用することが
できる。以下、請求項１２記載の最適解探索プログラム
において同じである。
律型評価との組合せにより評価関数の出力が繰り返し評
価されながら、評価関数の最適解が最適化アルゴリズム
により探索される。ここで、請求項１記載の発明は、例
えば、制御対象の制御特性を最適化する場合に適用する
こともできるが、これに限らず、最適化アルゴリズムが
これまで適用されてきた各種の問題にも適用することが
できる。以下、請求項１２記載の最適解探索プログラム
において同じである。
【０００８】また、請求項１記載の発明は、最適化アル
ゴリズムとして、ＧＡ、ＧＰ（Genetic Progress）また
はＥＳ（evolutional Stratage）のような進化型最適化
アルゴリズムを採用することもできるし、その他、近傍
計算型最適化アルゴリズムや強化学習による最適化アル
ゴリズムを採用することもできる。以下、請求項３記載
の最適化アルゴリズムによる制御対象の制御装置、およ
び請求項１２記載の最適解探索プログラムにおいて同じ
である。
ゴリズムとして、ＧＡ、ＧＰ（Genetic Progress）また
はＥＳ（evolutional Stratage）のような進化型最適化
アルゴリズムを採用することもできるし、その他、近傍
計算型最適化アルゴリズムや強化学習による最適化アル
ゴリズムを採用することもできる。以下、請求項３記載
の最適化アルゴリズムによる制御対象の制御装置、およ
び請求項１２記載の最適解探索プログラムにおいて同じ
である。
【０００９】さらに、本発明に係る請求項２記載の最適
解探索装置は、請求項１記載の最適解探索装置におい
て、前記評価関数の出力を記憶するための記憶手段と、
前記評価関数の出力を評価値として算出して前記記憶手
段に記憶する評価値算出手段と、前記使用者による評価
を入力する評価入力手段とを備え、前記対話型評価は、
前記評価入力手段の入力内容に基づいて行い、前記自律
型評価は、前記記憶手段の評価値に基づいて行うように
なっている。
解探索装置は、請求項１記載の最適解探索装置におい
て、前記評価関数の出力を記憶するための記憶手段と、
前記評価関数の出力を評価値として算出して前記記憶手
段に記憶する評価値算出手段と、前記使用者による評価
を入力する評価入力手段とを備え、前記対話型評価は、
前記評価入力手段の入力内容に基づいて行い、前記自律
型評価は、前記記憶手段の評価値に基づいて行うように
なっている。
【００１０】このような構成であれば、評価値算出手段
により、評価関数の出力が評価値として算出され、算出
された評価値が記憶手段に記憶される。ここで、使用者
は、評価値に対する評価を評価入力手段に入力すると、
入力された入力内容に基づいて対話型評価が行われる。
一方、記憶手段の評価値に基づいて自律型評価が行われ
る。そして、これら対話型評価と自律型評価との組合せ
により評価関数の出力が繰り返し評価されながら、評価
関数の最適解が最適化アルゴリズムにより探索される。
により、評価関数の出力が評価値として算出され、算出
された評価値が記憶手段に記憶される。ここで、使用者
は、評価値に対する評価を評価入力手段に入力すると、
入力された入力内容に基づいて対話型評価が行われる。
一方、記憶手段の評価値に基づいて自律型評価が行われ
る。そして、これら対話型評価と自律型評価との組合せ
により評価関数の出力が繰り返し評価されながら、評価
関数の最適解が最適化アルゴリズムにより探索される。
【００１１】ここで、記憶手段は、評価値をあらゆる手
段でかつあらゆる時期に記憶するものであり、評価値を
あらかじめ記憶してあるものであってもよいし、評価値
をあらかじめ記憶することなく、本装置の動作時に外部
からの入力等によって評価値を記憶するようになってい
てもよい。以下、請求項４記載の最適化アルゴリズムに
よる制御対象の制御装置において同じである。
段でかつあらゆる時期に記憶するものであり、評価値を
あらかじめ記憶してあるものであってもよいし、評価値
をあらかじめ記憶することなく、本装置の動作時に外部
からの入力等によって評価値を記憶するようになってい
てもよい。以下、請求項４記載の最適化アルゴリズムに
よる制御対象の制御装置において同じである。
【００１２】一方、上記目的を達成するために、本発明
に係る請求項３記載の最適化アルゴリズムによる制御対
象の制御装置は、制御対象の特性を制御する制御系の制
御特性に影響を及ぼす制御係数を入力として前記制御特
性を出力する評価関数を用いて、前記評価関数の出力を
繰り返し評価しながら前記評価関数の最適解を最適化ア
ルゴリズムにより探索することにより、前記制御系の制
御特性を最適化する装置であって、前記評価関数の出力
に対する評価を使用者との対話に基づいて行う対話型評
価と、前記評価関数の出力に対する評価を所定の評価基
準に基づいて行う自律型評価との組み合わせにより、前
記最適化アルゴリズムによる探索を行うようになってい
る。
に係る請求項３記載の最適化アルゴリズムによる制御対
象の制御装置は、制御対象の特性を制御する制御系の制
御特性に影響を及ぼす制御係数を入力として前記制御特
性を出力する評価関数を用いて、前記評価関数の出力を
繰り返し評価しながら前記評価関数の最適解を最適化ア
ルゴリズムにより探索することにより、前記制御系の制
御特性を最適化する装置であって、前記評価関数の出力
に対する評価を使用者との対話に基づいて行う対話型評
価と、前記評価関数の出力に対する評価を所定の評価基
準に基づいて行う自律型評価との組み合わせにより、前
記最適化アルゴリズムによる探索を行うようになってい
る。
【００１３】このような構成であれば、対話型評価と自
律型評価との組合せにより評価関数の出力が繰り返し評
価されながら、評価関数の最適解が最適化アルゴリズム
により探索される。そして、探索が完了すると、最適解
として探索された制御係数に基づいて制御系が動作し、
これにより制御系の制御特性が最適化される。さらに、
本発明に係る請求項４記載の最適化アルゴリズムによる
制御対象の制御装置は、請求項３記載の最適化アルゴリ
ズムによる制御対象の制御装置において、前記評価関数
の出力を記憶するための記憶手段と、前記評価関数の出
力を評価値として算出して前記記憶手段に記憶する評価
値算出手段と、前記使用者による評価を入力する評価入
力手段とを備え、前記対話型評価は、前記評価入力手段
の入力内容に基づいて行い、前記自律型評価は、前記記
憶手段の評価値に基づいて行うようになっている。
律型評価との組合せにより評価関数の出力が繰り返し評
価されながら、評価関数の最適解が最適化アルゴリズム
により探索される。そして、探索が完了すると、最適解
として探索された制御係数に基づいて制御系が動作し、
これにより制御系の制御特性が最適化される。さらに、
本発明に係る請求項４記載の最適化アルゴリズムによる
制御対象の制御装置は、請求項３記載の最適化アルゴリ
ズムによる制御対象の制御装置において、前記評価関数
の出力を記憶するための記憶手段と、前記評価関数の出
力を評価値として算出して前記記憶手段に記憶する評価
値算出手段と、前記使用者による評価を入力する評価入
力手段とを備え、前記対話型評価は、前記評価入力手段
の入力内容に基づいて行い、前記自律型評価は、前記記
憶手段の評価値に基づいて行うようになっている。
【００１４】このような構成であれば、評価値算出手段
により、評価関数の出力が評価値として算出され、算出
された評価値が記憶手段に記憶される。ここで、使用者
は、評価値に対する評価を評価入力手段に入力すると、
入力された入力内容に基づいて対話型評価が行われる。
一方、記憶手段の評価値に基づいて自律型評価が行われ
る。そして、これら対話型評価と自律型評価との組合せ
により評価関数の出力が繰り返し評価されながら、評価
関数の最適解が最適化アルゴリズムにより探索される。
により、評価関数の出力が評価値として算出され、算出
された評価値が記憶手段に記憶される。ここで、使用者
は、評価値に対する評価を評価入力手段に入力すると、
入力された入力内容に基づいて対話型評価が行われる。
一方、記憶手段の評価値に基づいて自律型評価が行われ
る。そして、これら対話型評価と自律型評価との組合せ
により評価関数の出力が繰り返し評価されながら、評価
関数の最適解が最適化アルゴリズムにより探索される。
【００１５】さらに、本発明に係る請求項５記載の最適
化アルゴリズムによる制御対象の制御装置は、請求項３
および４のいずれかに記載の最適化アルゴリズムによる
制御対象の制御装置において、前記制御対象の第１の特
性を制御する第１制御系と、前記制御対象の第２の特性
を制御する第２制御系とを備え、前記第１制御系につい
ては、前記第１制御系の制御特性に影響を及ぼす制御係
数を入力として前記制御特性を出力する第１評価関数を
用いて、前記第１評価関数の出力を前記対話型評価によ
り繰り返し評価しながら、前記第１評価関数の最適解を
前記最適化アルゴリズムにより探索するようになってお
り、前記第２制御系については、前記第２制御系の制御
特性に影響を及ぼす制御係数を入力として前記制御特性
を出力する第２評価関数および前記第１評価関数を用い
て、前記第１制御系の最適化で最適解として探索した解
から求まる前記第１評価関数の出力を基準として所定範
囲内に前記第１評価関数の出力が属するように、前記第
２評価関数の出力を前記自律型評価により繰り返し評価
しながら、前記第２評価関数の最適解を前記最適化アル
ゴリズムにより探索するようになっている。
化アルゴリズムによる制御対象の制御装置は、請求項３
および４のいずれかに記載の最適化アルゴリズムによる
制御対象の制御装置において、前記制御対象の第１の特
性を制御する第１制御系と、前記制御対象の第２の特性
を制御する第２制御系とを備え、前記第１制御系につい
ては、前記第１制御系の制御特性に影響を及ぼす制御係
数を入力として前記制御特性を出力する第１評価関数を
用いて、前記第１評価関数の出力を前記対話型評価によ
り繰り返し評価しながら、前記第１評価関数の最適解を
前記最適化アルゴリズムにより探索するようになってお
り、前記第２制御系については、前記第２制御系の制御
特性に影響を及ぼす制御係数を入力として前記制御特性
を出力する第２評価関数および前記第１評価関数を用い
て、前記第１制御系の最適化で最適解として探索した解
から求まる前記第１評価関数の出力を基準として所定範
囲内に前記第１評価関数の出力が属するように、前記第
２評価関数の出力を前記自律型評価により繰り返し評価
しながら、前記第２評価関数の最適解を前記最適化アル
ゴリズムにより探索するようになっている。
【００１６】このような構成であれば、第１制御系につ
いては、第１評価関数の出力が対話型評価により繰り返
し評価されながら、第１評価関数の最適解が最適化アル
ゴリズムにより探索される。そして、第２制御系につい
ては、第１制御系の最適化で最適解として探索された解
から求まる第１評価関数の出力を基準として所定範囲内
に第１評価関数の出力が属するように、第２評価関数の
出力が自律型評価により繰り返し評価されながら、第２
評価関数の最適解が最適化アルゴリズムにより探索され
る。
いては、第１評価関数の出力が対話型評価により繰り返
し評価されながら、第１評価関数の最適解が最適化アル
ゴリズムにより探索される。そして、第２制御系につい
ては、第１制御系の最適化で最適解として探索された解
から求まる第１評価関数の出力を基準として所定範囲内
に第１評価関数の出力が属するように、第２評価関数の
出力が自律型評価により繰り返し評価されながら、第２
評価関数の最適解が最適化アルゴリズムにより探索され
る。
【００１７】さらに、本発明に係る請求項６記載の最適
化アルゴリズムによる制御対象の制御装置は、請求項３
および４のいずれかに記載の最適化アルゴリズムによる
制御対象の制御装置において、前記制御対象の第１の特
性を制御する第１制御系と、前記制御対象の第２の特性
を制御する第２制御系とを備え、前記第１制御系につい
ては、前記第１制御系の制御特性に影響を及ぼす制御係
数を入力として前記制御特性を出力する第１評価関数を
用いて、前記第１評価関数の出力を前記自律型評価によ
り繰り返し評価しながら、前記第１評価関数の最適解を
前記最適化アルゴリズムにより探索するようになってお
り、前記第２制御系については、前記第２制御系の制御
特性に影響を及ぼす制御係数を入力として前記制御特性
を出力する第２評価関数および前記第１評価関数を用い
て、前記第１制御系の最適化で最適解として探索した解
から求まる前記第１評価関数の出力を基準として所定範
囲内に前記第１評価関数の出力が属するように、前記第
２評価関数の出力を前記対話型評価により繰り返し評価
しながら、前記第２評価関数の最適解を前記最適化アル
ゴリズムにより探索するようになっている。
化アルゴリズムによる制御対象の制御装置は、請求項３
および４のいずれかに記載の最適化アルゴリズムによる
制御対象の制御装置において、前記制御対象の第１の特
性を制御する第１制御系と、前記制御対象の第２の特性
を制御する第２制御系とを備え、前記第１制御系につい
ては、前記第１制御系の制御特性に影響を及ぼす制御係
数を入力として前記制御特性を出力する第１評価関数を
用いて、前記第１評価関数の出力を前記自律型評価によ
り繰り返し評価しながら、前記第１評価関数の最適解を
前記最適化アルゴリズムにより探索するようになってお
り、前記第２制御系については、前記第２制御系の制御
特性に影響を及ぼす制御係数を入力として前記制御特性
を出力する第２評価関数および前記第１評価関数を用い
て、前記第１制御系の最適化で最適解として探索した解
から求まる前記第１評価関数の出力を基準として所定範
囲内に前記第１評価関数の出力が属するように、前記第
２評価関数の出力を前記対話型評価により繰り返し評価
しながら、前記第２評価関数の最適解を前記最適化アル
ゴリズムにより探索するようになっている。
【００１８】このような構成であれば、第１制御系につ
いては、第１評価関数の出力が自律型評価により繰り返
し評価されながら、第１評価関数の最適解が最適化アル
ゴリズムにより探索される。そして、第２制御系につい
ては、第１制御系の最適化で最適解として探索された解
から求まる第１評価関数の出力を基準として所定範囲内
に第１評価関数の出力が属するように、第２評価関数の
出力が対話型評価により繰り返し評価されながら、第２
評価関数の最適解が最適化アルゴリズムにより探索され
る。
いては、第１評価関数の出力が自律型評価により繰り返
し評価されながら、第１評価関数の最適解が最適化アル
ゴリズムにより探索される。そして、第２制御系につい
ては、第１制御系の最適化で最適解として探索された解
から求まる第１評価関数の出力を基準として所定範囲内
に第１評価関数の出力が属するように、第２評価関数の
出力が対話型評価により繰り返し評価されながら、第２
評価関数の最適解が最適化アルゴリズムにより探索され
る。
【００１９】さらに、本発明に係る請求項７記載の最適
化アルゴリズムによる制御対象の制御装置は、請求項５
および６のいずれかに記載の最適化アルゴリズムによる
制御対象の制御装置において、前記制御対象は、エンジ
ンであり、前記第１評価関数および前記第２評価関数の
出力のうち前記対話型評価の対象となるものは、前記エ
ンジンの回転数変化率およびスロットル開度変化率によ
り定まるレスポンス度であり、前記第１評価関数および
前記第２評価関数の出力のうち前記自律型評価の対象と
なるものは、前記エンジンの燃費である。
化アルゴリズムによる制御対象の制御装置は、請求項５
および６のいずれかに記載の最適化アルゴリズムによる
制御対象の制御装置において、前記制御対象は、エンジ
ンであり、前記第１評価関数および前記第２評価関数の
出力のうち前記対話型評価の対象となるものは、前記エ
ンジンの回転数変化率およびスロットル開度変化率によ
り定まるレスポンス度であり、前記第１評価関数および
前記第２評価関数の出力のうち前記自律型評価の対象と
なるものは、前記エンジンの燃費である。
【００２０】このような構成であれば、第１評価関数お
よび第２評価関数のうち対話型評価の対象となるものに
ついては、対話型評価を繰り返し経てレスポンス特性が
最適化される。一方、第１評価関数および第２評価関数
のうち自律型評価の対象となるものについては、自律型
評価を繰り返し経てエンジンの燃費特性が最適化され
る。
よび第２評価関数のうち対話型評価の対象となるものに
ついては、対話型評価を繰り返し経てレスポンス特性が
最適化される。一方、第１評価関数および第２評価関数
のうち自律型評価の対象となるものについては、自律型
評価を繰り返し経てエンジンの燃費特性が最適化され
る。
【００２１】さらに、本発明に係る請求項８記載の最適
化アルゴリズムによる制御対象の制御装置は、請求項５
ないし７のいずれかに記載の最適化アルゴリズムによる
制御対象の制御装置において、前記最適化アルゴリズム
は、複数の個体の集合からなる個体群を仮想的に生成す
るとともに、前記各個体ごとにその個体の遺伝情報に見
立てて個体情報を構成し、当該個体情報には前記制御係
数を割り当て、さらに、遺伝子操作を模倣した情報操作
を前記個体情報に対して行う個体情報操作手段と、前記
個体の評価値を算出する評価値算出手段と、前記評価値
算出手段で算出した評価値に基づいて前記個体の生存ま
たは淘汰を行う個体選択手段とを備え、同一世代におい
て、前記個体情報操作手段による遺伝的操作および前記
個体選択手段による個体選択操作をそれぞれ少なくとも
１回行って世代を進行させる進化型最適化アルゴリズム
である。
化アルゴリズムによる制御対象の制御装置は、請求項５
ないし７のいずれかに記載の最適化アルゴリズムによる
制御対象の制御装置において、前記最適化アルゴリズム
は、複数の個体の集合からなる個体群を仮想的に生成す
るとともに、前記各個体ごとにその個体の遺伝情報に見
立てて個体情報を構成し、当該個体情報には前記制御係
数を割り当て、さらに、遺伝子操作を模倣した情報操作
を前記個体情報に対して行う個体情報操作手段と、前記
個体の評価値を算出する評価値算出手段と、前記評価値
算出手段で算出した評価値に基づいて前記個体の生存ま
たは淘汰を行う個体選択手段とを備え、同一世代におい
て、前記個体情報操作手段による遺伝的操作および前記
個体選択手段による個体選択操作をそれぞれ少なくとも
１回行って世代を進行させる進化型最適化アルゴリズム
である。
【００２２】このような構成であれば、個体情報操作手
段により、遺伝子操作を模倣した情報操作が個体情報に
対して行われ、評価値算出手段により、評価値が算出さ
れ、個体選択手段により、算出された評価値に基づいて
個体の生存または淘汰が行われる。そして、この個体情
報操作手段による遺伝的操作および個体選択手段による
個体選択操作が、同一世代においてそれぞれ少なくとも
１回行われることにより世代が進行する。
段により、遺伝子操作を模倣した情報操作が個体情報に
対して行われ、評価値算出手段により、評価値が算出さ
れ、個体選択手段により、算出された評価値に基づいて
個体の生存または淘汰が行われる。そして、この個体情
報操作手段による遺伝的操作および個体選択手段による
個体選択操作が、同一世代においてそれぞれ少なくとも
１回行われることにより世代が進行する。
【００２３】さらに、本発明に係る請求項９記載の最適
化アルゴリズムによる制御対象の制御装置は、請求項８
記載の最適化アルゴリズムによる制御対象の制御装置に
おいて、前記制御対象は、エンジンであり、前記個体情
報には、前記制御係数として、前記エンジンの燃料噴射
量、前記エンジンの過渡状態において前記燃料噴射量を
補正する過渡補正量、前記燃料噴射量の補正値または前
記過渡補正量の補正値を割り当てるようになっている。
化アルゴリズムによる制御対象の制御装置は、請求項８
記載の最適化アルゴリズムによる制御対象の制御装置に
おいて、前記制御対象は、エンジンであり、前記個体情
報には、前記制御係数として、前記エンジンの燃料噴射
量、前記エンジンの過渡状態において前記燃料噴射量を
補正する過渡補正量、前記燃料噴射量の補正値または前
記過渡補正量の補正値を割り当てるようになっている。
【００２４】このような構成であれば、評価値を向上す
る方向に個体群が進化していくにつれて、高い評価値を
得ることが期待できる、燃料噴射量、過渡補正量、燃料
噴射量の補正値または過渡補正量の補正値が決定され
る。さらに、本発明に係る請求項１０記載の最適化アル
ゴリズムによる制御対象の制御装置は、請求項８記載の
最適化アルゴリズムによる制御対象の制御装置におい
て、前記制御対象は、エンジンであり、前記エンジンの
燃料噴射量、前記エンジンの過渡状態において前記燃料
噴射量を補正する過渡補正量、前記燃料噴射量の補正値
または前記過渡補正量の補正値をニューラルネットワー
クにより生成するようになっており、前記個体情報に
は、前記制御係数として、前記ニューラルネットワーク
におけるシナプスの結合係数を割り当てるようになって
いる。
る方向に個体群が進化していくにつれて、高い評価値を
得ることが期待できる、燃料噴射量、過渡補正量、燃料
噴射量の補正値または過渡補正量の補正値が決定され
る。さらに、本発明に係る請求項１０記載の最適化アル
ゴリズムによる制御対象の制御装置は、請求項８記載の
最適化アルゴリズムによる制御対象の制御装置におい
て、前記制御対象は、エンジンであり、前記エンジンの
燃料噴射量、前記エンジンの過渡状態において前記燃料
噴射量を補正する過渡補正量、前記燃料噴射量の補正値
または前記過渡補正量の補正値をニューラルネットワー
クにより生成するようになっており、前記個体情報に
は、前記制御係数として、前記ニューラルネットワーク
におけるシナプスの結合係数を割り当てるようになって
いる。
【００２５】このような構成であれば、ニューラルネッ
トワークにより、燃料噴射量、過渡補正量、燃料噴射量
の補正値または過渡補正量の補正値が生成されるが、評
価値を向上する方向に個体群が進化していくにつれて、
高い評価値を得ることが期待できる、ニューラルネット
ワークにおけるシナプスの結合係数が決定される。さら
に、本発明に係る請求項１１記載の最適化アルゴリズム
による制御対象の制御装置は、請求項５および６のいず
れかに記載の最適化アルゴリズムによる制御対象の制御
装置において、前記制御対象は、電気モータであり、前
記第１評価関数および前記第２評価関数の出力のうち前
記対話型評価の対象となるものは、前記電気モータの回
転変化率であり、前記第１評価関数および前記第２評価
関数の出力のうち前記自律型評価の対象となるものは、
前記電気モータの電力消費である。
トワークにより、燃料噴射量、過渡補正量、燃料噴射量
の補正値または過渡補正量の補正値が生成されるが、評
価値を向上する方向に個体群が進化していくにつれて、
高い評価値を得ることが期待できる、ニューラルネット
ワークにおけるシナプスの結合係数が決定される。さら
に、本発明に係る請求項１１記載の最適化アルゴリズム
による制御対象の制御装置は、請求項５および６のいず
れかに記載の最適化アルゴリズムによる制御対象の制御
装置において、前記制御対象は、電気モータであり、前
記第１評価関数および前記第２評価関数の出力のうち前
記対話型評価の対象となるものは、前記電気モータの回
転変化率であり、前記第１評価関数および前記第２評価
関数の出力のうち前記自律型評価の対象となるものは、
前記電気モータの電力消費である。
【００２６】このような構成であれば、第１評価関数お
よび第２評価関数のうち対話型評価の対象となるものに
ついては、対話型評価を繰り返し経て電気モータの回転
変化特性が最適化される。一方、第１評価関数および第
２評価関数のうち自律型評価の対象となるものについて
は、自律型評価を繰り返し経て電気モータの電力消費特
性が最適化される。
よび第２評価関数のうち対話型評価の対象となるものに
ついては、対話型評価を繰り返し経て電気モータの回転
変化特性が最適化される。一方、第１評価関数および第
２評価関数のうち自律型評価の対象となるものについて
は、自律型評価を繰り返し経て電気モータの電力消費特
性が最適化される。
【００２７】一方、上記目的を達成するために、本発明
に係る請求項１２記載の最適解探索プログラムは、評価
関数の出力を繰り返し評価しながら前記評価関数の最適
解を最適化アルゴリズムにより探索するコンピュータ実
行可能なプログラムであって、前記評価関数の出力に対
する評価を使用者との対話に基づいて行う対話型評価
と、前記評価関数の出力に対する評価を所定の評価基準
に基づいて行う自律型評価との組み合わせにより、前記
最適化アルゴリズムによる探索を行う処理をコンピュー
タに実行させるためのプログラムである。
に係る請求項１２記載の最適解探索プログラムは、評価
関数の出力を繰り返し評価しながら前記評価関数の最適
解を最適化アルゴリズムにより探索するコンピュータ実
行可能なプログラムであって、前記評価関数の出力に対
する評価を使用者との対話に基づいて行う対話型評価
と、前記評価関数の出力に対する評価を所定の評価基準
に基づいて行う自律型評価との組み合わせにより、前記
最適化アルゴリズムによる探索を行う処理をコンピュー
タに実行させるためのプログラムである。
【００２８】このような構成であれば、プログラムに従
ってコンピュータが実行したときは、請求項１記載の最
適解探索装置と同等の作用が得られる。
ってコンピュータが実行したときは、請求項１記載の最
適解探索装置と同等の作用が得られる。
【００２９】
【発明の実施の形態】以下、本発明の実施の形態を図面
を参照しながら説明する。図１ないし図１２は、本発明
に係る最適解探索装置、最適化アルゴリズムによる制御
対象の制御装置および最適解探索プログラムの実施の形
態を示す図である。まず、本発明の基本概念を図１を参
照しながら説明する。図１は、本発明の基本概念を示す
図である。
を参照しながら説明する。図１ないし図１２は、本発明
に係る最適解探索装置、最適化アルゴリズムによる制御
対象の制御装置および最適解探索プログラムの実施の形
態を示す図である。まず、本発明の基本概念を図１を参
照しながら説明する。図１は、本発明の基本概念を示す
図である。
【００３０】本発明の基本構成は、図１に示すように、
最適化対象１と、最適化対象１の評価を対話型評価によ
り行いながら進化型最適化アルゴリズムにより最適化対
象１の第１操作量を決定し出力する対話型最適化部２
と、最適化対象１の評価を自律型評価により行いながら
進化型最適化アルゴリズムにより最適化対象１の第２操
作量を決定し出力する自律型最適化部３とで構成されて
いる。
最適化対象１と、最適化対象１の評価を対話型評価によ
り行いながら進化型最適化アルゴリズムにより最適化対
象１の第１操作量を決定し出力する対話型最適化部２
と、最適化対象１の評価を自律型評価により行いながら
進化型最適化アルゴリズムにより最適化対象１の第２操
作量を決定し出力する自律型最適化部３とで構成されて
いる。
【００３１】対話型最適化部２は、最適化対象１の操作
結果に基づいて、ＧＡにより、最適化対象１の操作特性
が最適となるような第１操作量を決定し、決定した第１
操作量を最適化対象１に出力するようになっている。自
律型最適化部３は、最適化対象１の操作結果に基づい
て、ＧＡにより、最適化対象１の操作特性が最適となる
ような第２操作量を決定し、決定した第２操作量を最適
化対象１に出力するようになっている。
結果に基づいて、ＧＡにより、最適化対象１の操作特性
が最適となるような第１操作量を決定し、決定した第１
操作量を最適化対象１に出力するようになっている。自
律型最適化部３は、最適化対象１の操作結果に基づい
て、ＧＡにより、最適化対象１の操作特性が最適となる
ような第２操作量を決定し、決定した第２操作量を最適
化対象１に出力するようになっている。
【００３２】次に、本発明の基本構成を図２を参照しな
がら説明する。図２は、本発明の基本構成を示すブロッ
ク図である。本発明の基本構成は、図２に示すように、
制御対象５０と、制御対象５０の制御結果に基づいて制
御対象５０の制御量を制御する制御装置６０とで構成さ
れている。
がら説明する。図２は、本発明の基本構成を示すブロッ
ク図である。本発明の基本構成は、図２に示すように、
制御対象５０と、制御対象５０の制御結果に基づいて制
御対象５０の制御量を制御する制御装置６０とで構成さ
れている。
【００３３】制御装置６０は、反射層５００、学習層６
００および進化適応層７００の３つの制御層からなり、
制御対象５０から制御結果を入力し、入力した制御結果
に基づいて反射層５００で基本制御量を決定し、学習層
６００および進化適応層７００で基本制御量に対する補
正率を決定し、これら基本制御量および補正率から最終
的な制御量を決定する。以下、反射層５００、学習層６
００および進化適応層７００の構成を詳細に説明する。
００および進化適応層７００の３つの制御層からなり、
制御対象５０から制御結果を入力し、入力した制御結果
に基づいて反射層５００で基本制御量を決定し、学習層
６００および進化適応層７００で基本制御量に対する補
正率を決定し、これら基本制御量および補正率から最終
的な制御量を決定する。以下、反射層５００、学習層６
００および進化適応層７００の構成を詳細に説明する。
【００３４】反射層５００は、数式、マップ、ニューラ
ルネットワーク、ファジールール、サブサンプションア
ーキテクチャ等の形式で、基本制御量と制御結果との関
係を定義付ける基礎制御部５１０を備え、基礎制御部５
１０は、制御対象５０から制御結果を入力し、入力した
制御結果に基づいて基本制御量を決定して出力する。な
お、サブサンプションアーキテクチャとは、並列的な処
理を行う行動型人工知能として公知である。
ルネットワーク、ファジールール、サブサンプションア
ーキテクチャ等の形式で、基本制御量と制御結果との関
係を定義付ける基礎制御部５１０を備え、基礎制御部５
１０は、制御対象５０から制御結果を入力し、入力した
制御結果に基づいて基本制御量を決定して出力する。な
お、サブサンプションアーキテクチャとは、並列的な処
理を行う行動型人工知能として公知である。
【００３５】進化適応層７００は、対話型評価を繰り返
し行いながら進化型最適化アルゴリズムにより制御対象
５０の制御特性を最適化する対話型最適化部７１０と、
自律型評価を繰り返し行いながら進化型最適化アルゴリ
ズムにより制御対象５０の制御特性を最適化する自律型
最適化部７５０とで構成されている。対話型最適化部７
１０は、制御結果に基づいて制御対象５０の制御量を出
力する制御モジュールを少なくとも一つ有し、制御対象
５０の制御特性に対する評価をユーザとの対話に基づい
て行う対話型評価を繰り返し行いながら、ＧＡにより制
御モジュールを最適化するように構成されている。ＧＡ
では、複数の個体の集合からなる個体群を仮想的に生成
するとともに、各個体ごとにその個体の遺伝情報に見立
てて個体情報を構成する。ここで、各個体情報には、制
御モジュールを構築するための制御係数を割り当てる。
そして、同一世代において、遺伝子操作を模倣した情報
操作を個体情報に対して行う遺伝的操作、および個体の
評価値に基づいて個体の生存または淘汰を行う個体選択
操作をそれぞれ少なくとも１回行って世代を所定回進行
させることにより、個体群を進化させる。所定回数の世
代交代が終了したときは、個体群のなかから評価値が最
も高い個体を抽出し、抽出した個体の個体情報を制御係
数として用い制御モジュールを構築する。以下、評価値
が最も高い個体の個体情報を用いて構築した制御モジュ
ールのことを「最適制御モジュール」という。なお、制
御モジュールとは、制御系のあるまとまった制御を行う
一単位をいう。
し行いながら進化型最適化アルゴリズムにより制御対象
５０の制御特性を最適化する対話型最適化部７１０と、
自律型評価を繰り返し行いながら進化型最適化アルゴリ
ズムにより制御対象５０の制御特性を最適化する自律型
最適化部７５０とで構成されている。対話型最適化部７
１０は、制御結果に基づいて制御対象５０の制御量を出
力する制御モジュールを少なくとも一つ有し、制御対象
５０の制御特性に対する評価をユーザとの対話に基づい
て行う対話型評価を繰り返し行いながら、ＧＡにより制
御モジュールを最適化するように構成されている。ＧＡ
では、複数の個体の集合からなる個体群を仮想的に生成
するとともに、各個体ごとにその個体の遺伝情報に見立
てて個体情報を構成する。ここで、各個体情報には、制
御モジュールを構築するための制御係数を割り当てる。
そして、同一世代において、遺伝子操作を模倣した情報
操作を個体情報に対して行う遺伝的操作、および個体の
評価値に基づいて個体の生存または淘汰を行う個体選択
操作をそれぞれ少なくとも１回行って世代を所定回進行
させることにより、個体群を進化させる。所定回数の世
代交代が終了したときは、個体群のなかから評価値が最
も高い個体を抽出し、抽出した個体の個体情報を制御係
数として用い制御モジュールを構築する。以下、評価値
が最も高い個体の個体情報を用いて構築した制御モジュ
ールのことを「最適制御モジュール」という。なお、制
御モジュールとは、制御系のあるまとまった制御を行う
一単位をいう。
【００３６】自律型最適化部７５０は、制御結果に基づ
いて、反射層５００からの基本制御量を使用者の希望に
沿った値に補正するための進化補正率を出力する制御モ
ジュールを少なくとも一つ有し、ＧＡにより制御モジュ
ールを最適化するように構成されている。また、最適制
御モジュールを構築した後、自律型最適化部７５０の制
御モジュールをその最適制御モジュールに固定し、反射
層５００からの基本制御量を補正する進化補正率による
制御を行う一方、学習層６００にその最適制御モジュー
ルに関する情報を学習させる。また、最適制御モジュー
ルに関する情報を学習層６００に学習させた後は、その
出力を「１」に戻し、その後は、使用者の指示に応じて
作動する。すなわち、自律型最適化部７５０の制御モジ
ュールによる制御が行われるのは、進化シミュレーショ
ン中および学習中のみである。
いて、反射層５００からの基本制御量を使用者の希望に
沿った値に補正するための進化補正率を出力する制御モ
ジュールを少なくとも一つ有し、ＧＡにより制御モジュ
ールを最適化するように構成されている。また、最適制
御モジュールを構築した後、自律型最適化部７５０の制
御モジュールをその最適制御モジュールに固定し、反射
層５００からの基本制御量を補正する進化補正率による
制御を行う一方、学習層６００にその最適制御モジュー
ルに関する情報を学習させる。また、最適制御モジュー
ルに関する情報を学習層６００に学習させた後は、その
出力を「１」に戻し、その後は、使用者の指示に応じて
作動する。すなわち、自律型最適化部７５０の制御モジ
ュールによる制御が行われるのは、進化シミュレーショ
ン中および学習中のみである。
【００３７】学習層６００は、学習用と実行用とに切換
可能な２つのニューラルネットワークを有する学習部６
１０を備え、学習部６１０は、一方のニューラルネット
ワーク（実行用）で制御を実行している間、他方のニュ
ーラルネットワーク（学習用）で進化適応層７００から
最適制御モジュールに関する入力と出力との関係を学習
する。学習用ニューラルネットワークでの学習が終了す
ると、制御を実行しているニューラルネットワークと学
習後のニューラルネットワークとを切り換え、学習後の
ニューラルネットワークで学習結果から得られる制御モ
ジュールによる制御を開始し、制御を実行していたニュ
ーラルネットワークが学習用として機能し始める。な
お、学習層６００におけるニューラルネットワークは、
初期状態では「１」を出力するように設定されており、
したがって、初期状態では、反射層５００と進化適応層
７００とによる制御が行われる。
可能な２つのニューラルネットワークを有する学習部６
１０を備え、学習部６１０は、一方のニューラルネット
ワーク（実行用）で制御を実行している間、他方のニュ
ーラルネットワーク（学習用）で進化適応層７００から
最適制御モジュールに関する入力と出力との関係を学習
する。学習用ニューラルネットワークでの学習が終了す
ると、制御を実行しているニューラルネットワークと学
習後のニューラルネットワークとを切り換え、学習後の
ニューラルネットワークで学習結果から得られる制御モ
ジュールによる制御を開始し、制御を実行していたニュ
ーラルネットワークが学習用として機能し始める。な
お、学習層６００におけるニューラルネットワークは、
初期状態では「１」を出力するように設定されており、
したがって、初期状態では、反射層５００と進化適応層
７００とによる制御が行われる。
【００３８】実行用ニューラルネットワークは、制御対
象５０から制御結果を入力し、入力した制御結果に基づ
いて反射層５００からの基本制御量を補正するための学
習補正率を出力するようになっている。この構成は、学
習用ニューラルネットワークについても同様である。そ
して、制御装置６０は、学習層６００からの学習補正率
と進化適応層７００からの進化補正率とを加算し、反射
層５００からの基本制御量にその加算結果を乗算するこ
とにより制御量を算出する。この制御量を制御対象５０
に出力する。
象５０から制御結果を入力し、入力した制御結果に基づ
いて反射層５００からの基本制御量を補正するための学
習補正率を出力するようになっている。この構成は、学
習用ニューラルネットワークについても同様である。そ
して、制御装置６０は、学習層６００からの学習補正率
と進化適応層７００からの進化補正率とを加算し、反射
層５００からの基本制御量にその加算結果を乗算するこ
とにより制御量を算出する。この制御量を制御対象５０
に出力する。
【００３９】以下、本発明のより具体的な実施の形態を
説明する。本実施の形態は、本発明に係る最適解探索装
置、最適化アルゴリズムによる制御対象の制御装置およ
び最適解探索プログラムを、図３に示すように、対話型
評価と自律型評価との組み合わせによる評価を繰り返し
行いながら、ＧＡにより、エンジン１０の燃費特性およ
びレスポンス特性を使用者向けに最適化する場合につい
て適用したものである。
説明する。本実施の形態は、本発明に係る最適解探索装
置、最適化アルゴリズムによる制御対象の制御装置およ
び最適解探索プログラムを、図３に示すように、対話型
評価と自律型評価との組み合わせによる評価を繰り返し
行いながら、ＧＡにより、エンジン１０の燃費特性およ
びレスポンス特性を使用者向けに最適化する場合につい
て適用したものである。
【００４０】まず、本発明を適用するエンジン制御シス
テムの構成を図３を参照しながら説明する。図３は、本
発明を適用するエンジン制御システムの構成を示すブロ
ック図である。エンジン制御システムは、図３に示すよ
うに、エンジン１０と、シリンダへの吸気量を調整する
電子スロットル１２と、エンジン１０および電子スロッ
トル１２の作動状態を検出してエンジン１０の作動状態
に関する各種の情報（以下、外界情報と総称する。）を
出力する各種センサ２０と、各種センサ２０からの外界
情報に基づいてエンジン１０の燃料噴射量を制御する制
御装置３０とで構成されている。
テムの構成を図３を参照しながら説明する。図３は、本
発明を適用するエンジン制御システムの構成を示すブロ
ック図である。エンジン制御システムは、図３に示すよ
うに、エンジン１０と、シリンダへの吸気量を調整する
電子スロットル１２と、エンジン１０および電子スロッ
トル１２の作動状態を検出してエンジン１０の作動状態
に関する各種の情報（以下、外界情報と総称する。）を
出力する各種センサ２０と、各種センサ２０からの外界
情報に基づいてエンジン１０の燃料噴射量を制御する制
御装置３０とで構成されている。
【００４１】各種センサ２０は、エンジン１０および電
子スロットル１２の作動状態並びに車両の走行状態を検
出し、その検出結果に基づいて、エンジン１０の回転
数、スロットル開度、スロットル開度の変化率、距離パ
ルスおよび燃料噴射量を外界情報として出力するように
なっている。制御装置３０は、反射層１００、学習層２
００および進化適応層３００の３つの制御層からなり、
各種センサ２０から外界情報を入力し、入力した外界情
報に基づいて反射層１００で燃料の基本噴射量を決定
し、学習層２００および進化適応層３００で基本噴射量
に対する補正量を決定し、これら基本噴射量および補正
量から最終的な燃料噴射量を決定する。以下、反射層１
００、学習層２００および進化適応層３００の構成を詳
細に説明する。
子スロットル１２の作動状態並びに車両の走行状態を検
出し、その検出結果に基づいて、エンジン１０の回転
数、スロットル開度、スロットル開度の変化率、距離パ
ルスおよび燃料噴射量を外界情報として出力するように
なっている。制御装置３０は、反射層１００、学習層２
００および進化適応層３００の３つの制御層からなり、
各種センサ２０から外界情報を入力し、入力した外界情
報に基づいて反射層１００で燃料の基本噴射量を決定
し、学習層２００および進化適応層３００で基本噴射量
に対する補正量を決定し、これら基本噴射量および補正
量から最終的な燃料噴射量を決定する。以下、反射層１
００、学習層２００および進化適応層３００の構成を詳
細に説明する。
【００４２】反射層１００は、数式、マップ、ニューラ
ルネットワーク、ファジールール、サブサンプションア
ーキテクチャ等の形式で、基本噴射量および過渡補正率
と外界情報との関係を定義付ける基礎制御部１１０を備
え、基礎制御部１１０は、各種センサ２０から外界情報
を入力し、入力した外界情報に基づいて基本噴射量およ
び過渡補正率を決定して出力する。
ルネットワーク、ファジールール、サブサンプションア
ーキテクチャ等の形式で、基本噴射量および過渡補正率
と外界情報との関係を定義付ける基礎制御部１１０を備
え、基礎制御部１１０は、各種センサ２０から外界情報
を入力し、入力した外界情報に基づいて基本噴射量およ
び過渡補正率を決定して出力する。
【００４３】進化適応層３００は、対話型評価を繰り返
し行いながらＧＡにより電子スロットル１２の制御特性
（レスポンス特性）を最適化する対話型最適化部３１０
と、自律型評価を繰り返し行いながらＧＡによりエンジ
ン１０の制御特性（燃費特性）を最適化する自律型最適
化部３５０とで構成されている。対話型最適化部３１０
は、外界情報に基づいて電子スロットル１２のバルブ開
度を出力する制御モジュールを少なくとも一つ有し、レ
スポンス度に対する評価をユーザとの対話に基づいて行
う対話型評価を繰り返し行いながら、ＧＡにより制御モ
ジュールを最適化するように構成されている。
し行いながらＧＡにより電子スロットル１２の制御特性
（レスポンス特性）を最適化する対話型最適化部３１０
と、自律型評価を繰り返し行いながらＧＡによりエンジ
ン１０の制御特性（燃費特性）を最適化する自律型最適
化部３５０とで構成されている。対話型最適化部３１０
は、外界情報に基づいて電子スロットル１２のバルブ開
度を出力する制御モジュールを少なくとも一つ有し、レ
スポンス度に対する評価をユーザとの対話に基づいて行
う対話型評価を繰り返し行いながら、ＧＡにより制御モ
ジュールを最適化するように構成されている。
【００４４】自律型最適化部３５０は、外界情報に基づ
いて、反射層１００からの基本噴射量および過渡補正率
を使用者の希望に沿った値に補正するための補正率（以
下、この補正率うち基本噴射量を補正するものを進化補
正率といい、過渡補正率を補正するものを進化過渡補正
率という。）を出力する制御モジュールを少なくとも一
つ有し、ＧＡにより制御モジュールを最適化するように
構成されている。また、最適制御モジュールを構築した
後、自律型最適化部３５０の制御モジュールをその最適
制御モジュールに固定し、反射層１００からの基本噴射
量を補正する進化補正率による制御および反射層１００
からの過渡補正率を補正する進化過渡補正率による制御
を行う一方、学習層２００にその最適制御モジュールに
関する情報を学習させる。また、最適制御モジュールに
関する情報を学習層２００に学習させた後は、その出力
を「１」に戻し、その後は、使用者の指示に応じて作動
する。すなわち、自律型最適化部３５０の制御モジュー
ルによる制御が行われるのは、進化シミュレーション中
および学習中のみである。
いて、反射層１００からの基本噴射量および過渡補正率
を使用者の希望に沿った値に補正するための補正率（以
下、この補正率うち基本噴射量を補正するものを進化補
正率といい、過渡補正率を補正するものを進化過渡補正
率という。）を出力する制御モジュールを少なくとも一
つ有し、ＧＡにより制御モジュールを最適化するように
構成されている。また、最適制御モジュールを構築した
後、自律型最適化部３５０の制御モジュールをその最適
制御モジュールに固定し、反射層１００からの基本噴射
量を補正する進化補正率による制御および反射層１００
からの過渡補正率を補正する進化過渡補正率による制御
を行う一方、学習層２００にその最適制御モジュールに
関する情報を学習させる。また、最適制御モジュールに
関する情報を学習層２００に学習させた後は、その出力
を「１」に戻し、その後は、使用者の指示に応じて作動
する。すなわち、自律型最適化部３５０の制御モジュー
ルによる制御が行われるのは、進化シミュレーション中
および学習中のみである。
【００４５】学習層２００は、学習用と実行用とに切換
可能な２つのニューラルネットワークを有する学習部２
１０を備え、学習部２１０は、一方のニューラルネット
ワーク（実行用）で制御を実行している間、他方のニュ
ーラルネットワーク（学習用）で進化適応層３００から
最適制御モジュールに関する入力と出力との関係を学習
する。学習用ニューラルネットワークでの学習が終了す
ると、制御を実行しているニューラルネットワークと学
習後のニューラルネットワークとを切り換え、学習後の
ニューラルネットワークで学習結果から得られる制御モ
ジュールによる制御を開始し、制御を実行していたニュ
ーラルネットワークが学習用として機能し始める。な
お、学習層２００におけるニューラルネットワークは、
初期状態では「１」を出力するように設定されており、
したがって、初期状態では、反射層１００と進化適応層
３００とによる制御が行われる。
可能な２つのニューラルネットワークを有する学習部２
１０を備え、学習部２１０は、一方のニューラルネット
ワーク（実行用）で制御を実行している間、他方のニュ
ーラルネットワーク（学習用）で進化適応層３００から
最適制御モジュールに関する入力と出力との関係を学習
する。学習用ニューラルネットワークでの学習が終了す
ると、制御を実行しているニューラルネットワークと学
習後のニューラルネットワークとを切り換え、学習後の
ニューラルネットワークで学習結果から得られる制御モ
ジュールによる制御を開始し、制御を実行していたニュ
ーラルネットワークが学習用として機能し始める。な
お、学習層２００におけるニューラルネットワークは、
初期状態では「１」を出力するように設定されており、
したがって、初期状態では、反射層１００と進化適応層
３００とによる制御が行われる。
【００４６】実行用ニューラルネットワークは、特に図
示しないが、さらに、２つのニューラルネットワークを
含んで構成されている。一方のニューラルネットワーク
は、スロットル開度およびエンジン回転数を外界情報と
して各種センサ２０から入力し、その入力情報に基づい
て反射層１００からの基本噴射量を補正するための補正
率（以下、この補正率を学習補正率という。）を出力す
るようになっており、他方のニューラルネットワーク
は、スロットル開度の変化率およびエンジン回転数を外
界情報として各種センサ２０から入力し、その入力情報
に基づいて反射層１００からの過渡補正率を補正するた
めの補正率（以下、この補正率を学習過渡補正率とい
う。）を出力するようになっている。この構成は、学習
用ニューラルネットワークについても同様である。
示しないが、さらに、２つのニューラルネットワークを
含んで構成されている。一方のニューラルネットワーク
は、スロットル開度およびエンジン回転数を外界情報と
して各種センサ２０から入力し、その入力情報に基づい
て反射層１００からの基本噴射量を補正するための補正
率（以下、この補正率を学習補正率という。）を出力す
るようになっており、他方のニューラルネットワーク
は、スロットル開度の変化率およびエンジン回転数を外
界情報として各種センサ２０から入力し、その入力情報
に基づいて反射層１００からの過渡補正率を補正するた
めの補正率（以下、この補正率を学習過渡補正率とい
う。）を出力するようになっている。この構成は、学習
用ニューラルネットワークについても同様である。
【００４７】そして、制御装置３０は、学習層２００か
らの学習補正率と進化適応層３００からの進化補正率と
を加算し、反射層１００からの基本噴射量にその加算結
果を乗算し、これを第１の乗算結果とする一方、学習層
２００からの学習過渡補正率と進化適応層３００からの
進化過渡補正率とを加算し、反射層１００からの過渡補
正率にその加算結果を乗算し、これを第２の乗算結果と
し、第１の乗算結果に第２の乗算結果を乗算することに
より燃料噴射量を算出する。この燃料噴射量をエンジン
１０に出力する。
らの学習補正率と進化適応層３００からの進化補正率と
を加算し、反射層１００からの基本噴射量にその加算結
果を乗算し、これを第１の乗算結果とする一方、学習層
２００からの学習過渡補正率と進化適応層３００からの
進化過渡補正率とを加算し、反射層１００からの過渡補
正率にその加算結果を乗算し、これを第２の乗算結果と
し、第１の乗算結果に第２の乗算結果を乗算することに
より燃料噴射量を算出する。この燃料噴射量をエンジン
１０に出力する。
【００４８】次に、対話型最適化部３１０の構成を図４
を参照しながら詳細に説明する。図４は、対話型最適化
部３１０の構成を示すブロック図である。対話型最適化
部３１０は、図４に示すように、使用者との入出力を行
うインターフェース部３２０と、ＧＡによる進化シミュ
レーションを行ってエンジン１０の制御特性を最適化す
る進化適応部３３０と、ＧＡにおける個体の評価値を算
出する評価部３４０とで構成されている。
を参照しながら詳細に説明する。図４は、対話型最適化
部３１０の構成を示すブロック図である。対話型最適化
部３１０は、図４に示すように、使用者との入出力を行
うインターフェース部３２０と、ＧＡによる進化シミュ
レーションを行ってエンジン１０の制御特性を最適化す
る進化適応部３３０と、ＧＡにおける個体の評価値を算
出する評価部３４０とで構成されている。
【００４９】インターフェース部３２０は、ＧＡによる
進化シミュレーション中の個体の評価値を表示する表示
部３２２と、使用者による評価を入力する入力部３２４
とで構成されており、ＧＡによる進化シミュレーション
中では、各世代ごとに各個体の評価値（後段で詳述する
が、レスポンス度）が表示部３１２に表示され、使用者
は、乗り心地等の車両の体感をもとに各個体の評価を入
力部３１４に入力する。
進化シミュレーション中の個体の評価値を表示する表示
部３２２と、使用者による評価を入力する入力部３２４
とで構成されており、ＧＡによる進化シミュレーション
中では、各世代ごとに各個体の評価値（後段で詳述する
が、レスポンス度）が表示部３１２に表示され、使用者
は、乗り心地等の車両の体感をもとに各個体の評価を入
力部３１４に入力する。
【００５０】評価部３４０は、外界情報に基づいてレス
ポンス度を算出するレスポンス度算出部３４２で構成さ
れている。レスポンス度算出部３４２は、スロットル開
度およびエンジン回転数を外界情報として入力し、スロ
ットル開度の変化率およびエンジン回転数の変化率を算
出し、エンジン回転数の変化率をスロットル開度の変化
率で除算することによりレスポンス度を算出し、算出し
たレスポンス度を、ＧＡにおける個体の評価値として進
化適応部３３０に出力するようになっている。
ポンス度を算出するレスポンス度算出部３４２で構成さ
れている。レスポンス度算出部３４２は、スロットル開
度およびエンジン回転数を外界情報として入力し、スロ
ットル開度の変化率およびエンジン回転数の変化率を算
出し、エンジン回転数の変化率をスロットル開度の変化
率で除算することによりレスポンス度を算出し、算出し
たレスポンス度を、ＧＡにおける個体の評価値として進
化適応部３３０に出力するようになっている。
【００５１】進化適応部３３０は、制御モジュール３３
２を有している。制御モジュール３３２は、例えば、ス
ロットル開度とバルブ開度との静特性を示す２つの制御
係数ＳＰ1，ＳＰ2、およびスロットル開度とバルブ開度
との動特性を示す２つの制御係数ＤＲ（１次遅れ要
素），ＡＧ（不完全微分要素）に基づいて、スロットル
開度とバルブ開度との関係を規定し、スロットル開度を
外界情報として入力し、入力したスロットル開度に基づ
いてバルブ開度を決定して電子スロットル１２に出力す
るようになっている。
２を有している。制御モジュール３３２は、例えば、ス
ロットル開度とバルブ開度との静特性を示す２つの制御
係数ＳＰ1，ＳＰ2、およびスロットル開度とバルブ開度
との動特性を示す２つの制御係数ＤＲ（１次遅れ要
素），ＡＧ（不完全微分要素）に基づいて、スロットル
開度とバルブ開度との関係を規定し、スロットル開度を
外界情報として入力し、入力したスロットル開度に基づ
いてバルブ開度を決定して電子スロットル１２に出力す
るようになっている。
【００５２】ＧＡにおける個体の個体情報には、静特性
を示す制御係数ＳＰ1，ＳＰ2、および動特性を示す２つ
の制御係数ＤＲ，ＡＧを割り当てる。具体的には、図５
に示すように割り当てられている。図５は、個体情報の
データ構造を示す図である。ＧＡにおける個体の個体情
報は、静特性を示す制御係数ＳＰ1，ＳＰ2を上位側に、
動特性を示す２つの制御係数ＤＲ，ＡＧを下位側にそれ
ぞれ割り当てることにより構成されている。例えば、一
つの制御係数が１６ビットのデータで構成されていれ
ば、個体情報は、全体で６４ビットのデータとなる。ま
た、進化シミュレーションを開始する際に生成する初期
の個体情報は、各個体ごとに乱数により決定する。その
際、レスポンス度をある程度保証するために、乱数の発
生範囲を所定範囲に制限するのが好ましい。すなわち、
レスポンス度が明らかに悪くなるような範囲には、乱数
を発生させないようにする。
を示す制御係数ＳＰ1，ＳＰ2、および動特性を示す２つ
の制御係数ＤＲ，ＡＧを割り当てる。具体的には、図５
に示すように割り当てられている。図５は、個体情報の
データ構造を示す図である。ＧＡにおける個体の個体情
報は、静特性を示す制御係数ＳＰ1，ＳＰ2を上位側に、
動特性を示す２つの制御係数ＤＲ，ＡＧを下位側にそれ
ぞれ割り当てることにより構成されている。例えば、一
つの制御係数が１６ビットのデータで構成されていれ
ば、個体情報は、全体で６４ビットのデータとなる。ま
た、進化シミュレーションを開始する際に生成する初期
の個体情報は、各個体ごとに乱数により決定する。その
際、レスポンス度をある程度保証するために、乱数の発
生範囲を所定範囲に制限するのが好ましい。すなわち、
レスポンス度が明らかに悪くなるような範囲には、乱数
を発生させないようにする。
【００５３】次に、進化適応部３３０で実行される処理
を図６を参照しながら詳細に説明する。図６は、進化適
応部３３０で実行される処理を示すフローチャートであ
る。ＧＡは、各個体にランダムな初期値を与えて探索空
間内に配置し、世代ごとに交叉、突然変異と呼ばれる遺
伝的操作を適用し、個体の評価値に応じて個体の増殖お
よび選択を行うことにより、次世代の個体の集合を得
る。このような世代交代を繰り返すことにより、漸近的
に最適解に近づくことを目的とする。以下、遺伝的操作
である交叉、突然変異、選択について説明する。
を図６を参照しながら詳細に説明する。図６は、進化適
応部３３０で実行される処理を示すフローチャートであ
る。ＧＡは、各個体にランダムな初期値を与えて探索空
間内に配置し、世代ごとに交叉、突然変異と呼ばれる遺
伝的操作を適用し、個体の評価値に応じて個体の増殖お
よび選択を行うことにより、次世代の個体の集合を得
る。このような世代交代を繰り返すことにより、漸近的
に最適解に近づくことを目的とする。以下、遺伝的操作
である交叉、突然変異、選択について説明する。
【００５４】交叉とは、少なくとも２つの個体を親と
し、親となる個体の個体情報の一部を入れ替えることに
より、子孫となる個体を１以上生成する操作である。あ
る個体の個体情報のよい部分と別の個体の個体情報のよ
い部分を合体させることにより、より評価値の高い個体
を得ることが期待できる。例えば、２つの個体を親とし
て子孫となる２つの個体を生成する場合、一方の親とな
る個体の個体情報を「000110」、他方の親となる個体の
個体情報を「110111」とし、３番目の位置で交叉させる
ことにより、「000111」の個体情報をもつ個体と、「11
0110」の個体情報をもつ個体とを子孫となる個体として
得る。
し、親となる個体の個体情報の一部を入れ替えることに
より、子孫となる個体を１以上生成する操作である。あ
る個体の個体情報のよい部分と別の個体の個体情報のよ
い部分を合体させることにより、より評価値の高い個体
を得ることが期待できる。例えば、２つの個体を親とし
て子孫となる２つの個体を生成する場合、一方の親とな
る個体の個体情報を「000110」、他方の親となる個体の
個体情報を「110111」とし、３番目の位置で交叉させる
ことにより、「000111」の個体情報をもつ個体と、「11
0110」の個体情報をもつ個体とを子孫となる個体として
得る。
【００５５】突然変異とは、所定の確率で個体の個体情
報のうち特定部分を変更する操作であり、個体群内での
多様性を増加させる。具体的には、個体情報の特定のビ
ットを反転させる操作であり、例えば、ある個体の個体
情報を「000111」とし、その３番目の位置で突然変異を
起こすことにより、「001111」の個体情報をもつ個体を
得る。
報のうち特定部分を変更する操作であり、個体群内での
多様性を増加させる。具体的には、個体情報の特定のビ
ットを反転させる操作であり、例えば、ある個体の個体
情報を「000111」とし、その３番目の位置で突然変異を
起こすことにより、「001111」の個体情報をもつ個体を
得る。
【００５６】選択とは、個体の評価値に応じて個体群の
なかのよりよい個体を次世代に残すための操作である。
ルーレット選択と呼ばれる選択方法では、各個体は評価
値に比例した確率で選択される。例えば、ある世代にお
いて、「000000」、「111011」、「110111」、「01011
1」の個体情報をもつ個体の評価値がそれぞれ「８」、
「４」、「２」、「２」であったとする。それぞれの個
体が選択される確率は、「８／１６」、「４／１６」、
「２／１６」、「２／１６」となる。したがって、平均
的には、次世代において、「000000」の個体情報をもつ
個体は２つに増え、「111011」の個体情報をもつ個体は
一つのままで、「110111」の個体情報をもつ個体または
「010111」の個体情報をもつ個体はいずれかが残るよう
な個体群が得られる。もっとも、進化適応部３３０にお
いては、個体の選択を使用者の選択により行う。
なかのよりよい個体を次世代に残すための操作である。
ルーレット選択と呼ばれる選択方法では、各個体は評価
値に比例した確率で選択される。例えば、ある世代にお
いて、「000000」、「111011」、「110111」、「01011
1」の個体情報をもつ個体の評価値がそれぞれ「８」、
「４」、「２」、「２」であったとする。それぞれの個
体が選択される確率は、「８／１６」、「４／１６」、
「２／１６」、「２／１６」となる。したがって、平均
的には、次世代において、「000000」の個体情報をもつ
個体は２つに増え、「111011」の個体情報をもつ個体は
一つのままで、「110111」の個体情報をもつ個体または
「010111」の個体情報をもつ個体はいずれかが残るよう
な個体群が得られる。もっとも、進化適応部３３０にお
いては、個体の選択を使用者の選択により行う。
【００５７】以上のことをふまえて、進化適応部３３０
で実行される処理を説明する。なお、図６のフローチャ
ートに示す処理は、例えば、ＲＯＭにあらかじめ格納さ
れているプログラムを読み出し、読み出したプログラム
に従ってＣＰＵが実行する。まず、ステップＳ１００に
移行して、進化シミュレーションを開始する指示である
進化開始指示を入力部３２２から入力したか否かを判定
し、進化開始指示を入力したと判定したとき(Yes)は、
ステップＳ１０２に移行するが、そうでないと判定した
とき(No)は、進化開始指示を入力するまでステップＳ１
００で待機する。
で実行される処理を説明する。なお、図６のフローチャ
ートに示す処理は、例えば、ＲＯＭにあらかじめ格納さ
れているプログラムを読み出し、読み出したプログラム
に従ってＣＰＵが実行する。まず、ステップＳ１００に
移行して、進化シミュレーションを開始する指示である
進化開始指示を入力部３２２から入力したか否かを判定
し、進化開始指示を入力したと判定したとき(Yes)は、
ステップＳ１０２に移行するが、そうでないと判定した
とき(No)は、進化開始指示を入力するまでステップＳ１
００で待機する。
【００５８】ステップＳ１０２では、所定数（例えば、
９個）の個体の集合からなる個体群を仮想的に生成する
とともに各個体ごとに個体情報を構成する。ここで、各
個体情報には、静特性を示す制御係数ＳＰ1，ＳＰ2およ
び動特性を示す２つの制御係数ＤＲ，ＡＧを割り当て、
各個体の個体情報を乱数により決定する。このとき、個
体情報のすべての値が「０」となる個体を一つ生成する
ことで、進化の過程で進化前のレスポンス性能を下回ら
ないようにすることができる。なお、各個体の個体情報
は、ＲＡＭ等の記憶装置上に格納され管理される。
９個）の個体の集合からなる個体群を仮想的に生成する
とともに各個体ごとに個体情報を構成する。ここで、各
個体情報には、静特性を示す制御係数ＳＰ1，ＳＰ2およ
び動特性を示す２つの制御係数ＤＲ，ＡＧを割り当て、
各個体の個体情報を乱数により決定する。このとき、個
体情報のすべての値が「０」となる個体を一つ生成する
ことで、進化の過程で進化前のレスポンス性能を下回ら
ないようにすることができる。なお、各個体の個体情報
は、ＲＡＭ等の記憶装置上に格納され管理される。
【００５９】次いで、ステップＳ１０４に移行して、個
体群のうち先頭の個体の個体情報を読み出し、ステップ
Ｓ１０６に移行して、読み出した個体情報に基づいて制
御モジュール３３２を構築し、構築した制御モジュール
３３２により電子スロットル１２の制御を開始する。次
いで、ステップＳ１０８に移行して、レスポンス度を評
価部３４０から取得する。ここで、個体情報に基づいて
制御モジュール３３２を構築し、構築した制御モジュー
ル３３２により電子スロットル１２の制御を開始し、そ
の結果得られたレスポンス度は、その個体に対する評価
値とする。この評価値が高いほど、すなわち、ＧＡによ
る進化シミュレーションにおいて優秀な個体であると位
置付けることができる。
体群のうち先頭の個体の個体情報を読み出し、ステップ
Ｓ１０６に移行して、読み出した個体情報に基づいて制
御モジュール３３２を構築し、構築した制御モジュール
３３２により電子スロットル１２の制御を開始する。次
いで、ステップＳ１０８に移行して、レスポンス度を評
価部３４０から取得する。ここで、個体情報に基づいて
制御モジュール３３２を構築し、構築した制御モジュー
ル３３２により電子スロットル１２の制御を開始し、そ
の結果得られたレスポンス度は、その個体に対する評価
値とする。この評価値が高いほど、すなわち、ＧＡによ
る進化シミュレーションにおいて優秀な個体であると位
置付けることができる。
【００６０】次いで、ステップＳ１１０に移行して、個
体群のすべての個体についてステップＳ１０６からＳ１
０８までの処理が終了したか否かを判定し、すべての個
体について処理が終了したと判定したとき(Yes)は、ス
テップＳ１１２に移行する。ステップＳ１１２では、各
個体ごとにその評価値であるレスポンス度を表示部３２
４に表示し、ステップＳ１１４に移行して、使用者によ
る評価を入力部３２２から入力する。個体群のすべての
個体に対する評価の表示が終了すると、制御は一度評価
モードに入る。評価モードでは、使用者が表示部３２４
に表示された評価を見て試走してみたい特性の個体を選
択すると、使用者により選択された個体の個体情報に基
づいて制御モジュール３３２を構築して一時的に固定
し、その制御モジュール３３２による制御を行う。これ
により、使用者は、表示部３２４に表示された各個体の
特性を、実際に走行した乗り心地等から判定し、各個体
の評価値を乗り心地から評価する。そして、ステップＳ
１１６に移行して、使用者は、表示部３２４に表現され
た個体の評価と、実際に走行した時の乗り心地とに基づ
く各個体の評価を終了した段階で、制御を淘汰モードに
切り換え、個体群における個体の生存または淘汰を行
う。個体の生存または淘汰は、例えば、入力部３２２で
淘汰モードに切り換え、表示画面を参照しながら、個体
群のなかから使用者の好みの特性を持つ個体を幾つか選
択し、選択した個体を残し、それ以外の個体を消去する
ことにより行う。
体群のすべての個体についてステップＳ１０６からＳ１
０８までの処理が終了したか否かを判定し、すべての個
体について処理が終了したと判定したとき(Yes)は、ス
テップＳ１１２に移行する。ステップＳ１１２では、各
個体ごとにその評価値であるレスポンス度を表示部３２
４に表示し、ステップＳ１１４に移行して、使用者によ
る評価を入力部３２２から入力する。個体群のすべての
個体に対する評価の表示が終了すると、制御は一度評価
モードに入る。評価モードでは、使用者が表示部３２４
に表示された評価を見て試走してみたい特性の個体を選
択すると、使用者により選択された個体の個体情報に基
づいて制御モジュール３３２を構築して一時的に固定
し、その制御モジュール３３２による制御を行う。これ
により、使用者は、表示部３２４に表示された各個体の
特性を、実際に走行した乗り心地等から判定し、各個体
の評価値を乗り心地から評価する。そして、ステップＳ
１１６に移行して、使用者は、表示部３２４に表現され
た個体の評価と、実際に走行した時の乗り心地とに基づ
く各個体の評価を終了した段階で、制御を淘汰モードに
切り換え、個体群における個体の生存または淘汰を行
う。個体の生存または淘汰は、例えば、入力部３２２で
淘汰モードに切り換え、表示画面を参照しながら、個体
群のなかから使用者の好みの特性を持つ個体を幾つか選
択し、選択した個体を残し、それ以外の個体を消去する
ことにより行う。
【００６１】次いで、ステップＳ１１８に移行して、Ｇ
Ａにおける個体の交叉を行う交叉処理を実行する。具体
的に、ステップＳ１１８では、使用者により選択された
個体群のなかから乱数を用いて２個の親個体を選択し、
これらに交叉を施して２個の子個体を生成する。この処
理を５回行うことにより、再び、９個の子個体からなる
個体群を生成する（１０番目の子個体は破棄する）。交
叉処理には、例えば、上記の１点交叉処理のほかに、２
点交叉処理または正規分布交叉処理等を採用することが
できる。正規分布交叉処理とは、実数値表現の個体情報
について、両親個体を結ぶ軸に対して回転対称な正規分
布にしたがって子個体を生成する処理である。正規分布
の標準偏差は、両親個体を結ぶ主軸方向の成分について
は両親個体間の距離に比例させ、その他の軸の成分につ
いては両親個体を結ぶ直線と個体群のなかからサンプル
した第３の親個体との距離に比例させる。この交叉方法
は、親個体の特質が子個体に引き継がれやすいという利
点がある。
Ａにおける個体の交叉を行う交叉処理を実行する。具体
的に、ステップＳ１１８では、使用者により選択された
個体群のなかから乱数を用いて２個の親個体を選択し、
これらに交叉を施して２個の子個体を生成する。この処
理を５回行うことにより、再び、９個の子個体からなる
個体群を生成する（１０番目の子個体は破棄する）。交
叉処理には、例えば、上記の１点交叉処理のほかに、２
点交叉処理または正規分布交叉処理等を採用することが
できる。正規分布交叉処理とは、実数値表現の個体情報
について、両親個体を結ぶ軸に対して回転対称な正規分
布にしたがって子個体を生成する処理である。正規分布
の標準偏差は、両親個体を結ぶ主軸方向の成分について
は両親個体間の距離に比例させ、その他の軸の成分につ
いては両親個体を結ぶ直線と個体群のなかからサンプル
した第３の親個体との距離に比例させる。この交叉方法
は、親個体の特質が子個体に引き継がれやすいという利
点がある。
【００６２】次いで、ステップＳ１２０に移行して、Ｇ
Ａにおける個体の突然変異を行う突然変異処理を実行
し、ステップＳ１２２に移行して、入力部３２２からの
入力により使用者が満足する特性が得られたか否かを判
定し、使用者が満足する特性が得られないと判定したと
き(No)は、ステップＳ１２４に移行して、世代交代数が
所定回数以上であるか否かを判定し、所定回数以上であ
ると判定したとき(Yes)は、ステップＳ１２６に移行す
る。
Ａにおける個体の突然変異を行う突然変異処理を実行
し、ステップＳ１２２に移行して、入力部３２２からの
入力により使用者が満足する特性が得られたか否かを判
定し、使用者が満足する特性が得られないと判定したと
き(No)は、ステップＳ１２４に移行して、世代交代数が
所定回数以上であるか否かを判定し、所定回数以上であ
ると判定したとき(Yes)は、ステップＳ１２６に移行す
る。
【００６３】ステップＳ１２６では、進化シミュレーシ
ョンを開始すべき進化開始要求を自律型最適化部３５０
に出力し、ステップＳ１２８に移行して、個体群のなか
から評価値が最も高い個体を抽出し、抽出した個体の評
価値であるレスポンス度を基準として所定範囲を、レス
ポンス度の制限範囲として自律型最適化部３５０に出力
し、一連の処理を終了して元の処理に復帰させる。
ョンを開始すべき進化開始要求を自律型最適化部３５０
に出力し、ステップＳ１２８に移行して、個体群のなか
から評価値が最も高い個体を抽出し、抽出した個体の評
価値であるレスポンス度を基準として所定範囲を、レス
ポンス度の制限範囲として自律型最適化部３５０に出力
し、一連の処理を終了して元の処理に復帰させる。
【００６４】一方、ステップＳ１２４で、世代交代数が
所定回数未満であると判定したとき(Yes)は、ステップ
Ｓ１０４に移行する。一方、ステップＳ１２２で、使用
者が満足する特性が得られたと判定したとき(Yes)は、
ステップＳ１２６に移行する。一方、ステップＳ１１０
で、個体群のすべての個体についてステップＳ１０６か
らＳ１０８までの処理が終了していないと判定したとき
(No)は、ステップＳ１３０に移行して、個体群のうち次
の個体の個体情報を読み出し、ステップＳ１０６に移行
する。
所定回数未満であると判定したとき(Yes)は、ステップ
Ｓ１０４に移行する。一方、ステップＳ１２２で、使用
者が満足する特性が得られたと判定したとき(Yes)は、
ステップＳ１２６に移行する。一方、ステップＳ１１０
で、個体群のすべての個体についてステップＳ１０６か
らＳ１０８までの処理が終了していないと判定したとき
(No)は、ステップＳ１３０に移行して、個体群のうち次
の個体の個体情報を読み出し、ステップＳ１０６に移行
する。
【００６５】次に、自律型最適化部３５０の構成を図７
を参照しながら詳細に説明する。図７は、自律型最適化
部３５０の構成を示すブロック図である。自律型最適化
部３５０は、図７に示すように、ＧＡによる進化シミュ
レーションを行ってエンジン１０の制御特性を最適化す
る進化適応部３６０と、ＧＡにおける個体の評価値を算
出する評価部３７０とで構成されている。
を参照しながら詳細に説明する。図７は、自律型最適化
部３５０の構成を示すブロック図である。自律型最適化
部３５０は、図７に示すように、ＧＡによる進化シミュ
レーションを行ってエンジン１０の制御特性を最適化す
る進化適応部３６０と、ＧＡにおける個体の評価値を算
出する評価部３７０とで構成されている。
【００６６】評価部３７０は、燃料噴射量および距離パ
ルスに基づいてエンジン１０の燃費を算出する燃費算出
部３７２と、スロットル開度およびエンジン回転数に基
づいてレスポンス度を算出するレスポンス度算出部３７
４とで構成されている。燃費算出部３７２は、燃料噴射
量および距離パルスを外界情報として入力し、所定距離
走行するごとに入力される距離パルスの入力間隔で噴出
量を総和して燃費として算出し、算出した燃費を、ＧＡ
における個体の第１評価値として進化適応部３６０に出
力するようになっている。レスポンス度算出部３７４
は、スロットル開度およびエンジン回転数を外界情報と
して入力し、スロットル開度の変化率およびエンジン回
転数の変化率を算出し、エンジン回転数の変化率をスロ
ットル開度の変化率で除算することによりレスポンス度
を算出し、算出したレスポンス度を、ＧＡにおける個体
の第２評価値として進化適応部３６０に出力するように
なっている。
ルスに基づいてエンジン１０の燃費を算出する燃費算出
部３７２と、スロットル開度およびエンジン回転数に基
づいてレスポンス度を算出するレスポンス度算出部３７
４とで構成されている。燃費算出部３７２は、燃料噴射
量および距離パルスを外界情報として入力し、所定距離
走行するごとに入力される距離パルスの入力間隔で噴出
量を総和して燃費として算出し、算出した燃費を、ＧＡ
における個体の第１評価値として進化適応部３６０に出
力するようになっている。レスポンス度算出部３７４
は、スロットル開度およびエンジン回転数を外界情報と
して入力し、スロットル開度の変化率およびエンジン回
転数の変化率を算出し、エンジン回転数の変化率をスロ
ットル開度の変化率で除算することによりレスポンス度
を算出し、算出したレスポンス度を、ＧＡにおける個体
の第２評価値として進化適応部３６０に出力するように
なっている。
【００６７】進化適応部３６０は、制御モジュール３６
２を有し、制御モジュール３６２は、さらに、２つのニ
ューラルネットワークを含んで構成されている。一方の
ニューラルネットワーク３６２ａは、スロットル開度お
よびエンジン回転数を外界情報として各種センサ２０か
ら入力し、その入力情報に基づいて進化補正率を出力す
るようになっており、他方のニューラルネットワーク３
６２ｂは、スロットル開度の変化率およびエンジン回転
数を外界情報として各種センサ２０から入力し、その入
力情報に基づいて進化過渡補正率を出力するようになっ
ている。
２を有し、制御モジュール３６２は、さらに、２つのニ
ューラルネットワークを含んで構成されている。一方の
ニューラルネットワーク３６２ａは、スロットル開度お
よびエンジン回転数を外界情報として各種センサ２０か
ら入力し、その入力情報に基づいて進化補正率を出力す
るようになっており、他方のニューラルネットワーク３
６２ｂは、スロットル開度の変化率およびエンジン回転
数を外界情報として各種センサ２０から入力し、その入
力情報に基づいて進化過渡補正率を出力するようになっ
ている。
【００６８】ＧＡにおける個体の個体情報には、ニュー
ラルネットワーク３６２ａ，３６２ｂにおけるシナプス
の結合係数を割り当てる。具体的には、図８に示すよう
に割り当てられている。図８は、ニューラルネットワー
ク３６２ａ，３６２ｂの構成および個体情報のデータ構
造を示す図である。ニューラルネットワーク３６２ａ
は、スロットル開度を入力する入力層ｆi1と、エンジン
回転数を入力する入力層ｆi2と、入力層ｆi1，ｆi2から
の出力を入力する中間層ｆh1，ｆh2と、中間層ｆh1，ｆ
h2の出力を入力して進化補正率を出力する出力層ｆo1と
の５つのパーセプトロンから構成されている。そして、
入力層ｆi1と中間層ｆh1とは結合係数ｋf1のシナプスに
より、入力層ｆi2と中間層ｆh1は結合係数ｋf2のシナプ
スにより、中間層ｆh1と出力層ｆo1とは結合係数ｋf3の
シナプスにより、入力層ｆi1と中間層ｆh2とは結合係数
ｋf4のシナプスにより、入力層ｆi2と中間層ｆh2とは結
合係数ｋf5のシナプスにより、中間層ｆh2と出力層ｆo2
とは結合係数ｋf6のシナプスによりそれぞれ結合されて
いる。
ラルネットワーク３６２ａ，３６２ｂにおけるシナプス
の結合係数を割り当てる。具体的には、図８に示すよう
に割り当てられている。図８は、ニューラルネットワー
ク３６２ａ，３６２ｂの構成および個体情報のデータ構
造を示す図である。ニューラルネットワーク３６２ａ
は、スロットル開度を入力する入力層ｆi1と、エンジン
回転数を入力する入力層ｆi2と、入力層ｆi1，ｆi2から
の出力を入力する中間層ｆh1，ｆh2と、中間層ｆh1，ｆ
h2の出力を入力して進化補正率を出力する出力層ｆo1と
の５つのパーセプトロンから構成されている。そして、
入力層ｆi1と中間層ｆh1とは結合係数ｋf1のシナプスに
より、入力層ｆi2と中間層ｆh1は結合係数ｋf2のシナプ
スにより、中間層ｆh1と出力層ｆo1とは結合係数ｋf3の
シナプスにより、入力層ｆi1と中間層ｆh2とは結合係数
ｋf4のシナプスにより、入力層ｆi2と中間層ｆh2とは結
合係数ｋf5のシナプスにより、中間層ｆh2と出力層ｆo2
とは結合係数ｋf6のシナプスによりそれぞれ結合されて
いる。
【００６９】ニューラルネットワーク３６２ｂは、スロ
ットル開度の変化率を入力する入力層ａi1と、エンジン
回転数を入力する入力層ａi2と、入力層ａi1，ａi2から
の出力を入力する中間層ａh1，ａh2と、中間層ａh1，ａ
h2の出力を入力して進化過渡補正率を出力する出力層ａ
o1との５つのパーセプトロンから構成されている。そし
て、入力層ａi1と中間層ａh1とは結合係数ｋa1のシナプ
スにより、入力層ａi2と中間層ａh1は結合係数ｋa2のシ
ナプスにより、中間層ａh1と出力層ａo1とは結合係数ｋ
a3のシナプスにより、入力層ａi1と中間層ａh2とは結合
係数ｋa4のシナプスにより、入力層ａi2と中間層ａh2と
は結合係数ｋa5のシナプスにより、中間層ａh2と出力層
ａo2とは結合係数ｋa6のシナプスによりそれぞれ結合さ
れている。
ットル開度の変化率を入力する入力層ａi1と、エンジン
回転数を入力する入力層ａi2と、入力層ａi1，ａi2から
の出力を入力する中間層ａh1，ａh2と、中間層ａh1，ａ
h2の出力を入力して進化過渡補正率を出力する出力層ａ
o1との５つのパーセプトロンから構成されている。そし
て、入力層ａi1と中間層ａh1とは結合係数ｋa1のシナプ
スにより、入力層ａi2と中間層ａh1は結合係数ｋa2のシ
ナプスにより、中間層ａh1と出力層ａo1とは結合係数ｋ
a3のシナプスにより、入力層ａi1と中間層ａh2とは結合
係数ｋa4のシナプスにより、入力層ａi2と中間層ａh2と
は結合係数ｋa5のシナプスにより、中間層ａh2と出力層
ａo2とは結合係数ｋa6のシナプスによりそれぞれ結合さ
れている。
【００７０】そして、ＧＡにおける個体の個体情報は、
シナプスの結合係数ｋf1〜ｋf6を上位側に、シナプスの
結合係数ｋa1〜ｋa6を下位側にそれぞれ連続して割り当
てることにより構成されている。例えば、一つの結合係
数が８ビットのデータで構成されていれば、個体情報
は、全体で９６ビットのデータとなる。また、進化シミ
ュレーションを開始する際に生成する初期の個体情報
は、各個体ごとに乱数により決定する。その際、レスポ
ンス度をある程度保証するために、乱数の発生範囲を所
定範囲に制限するのが好ましい。すなわち、レスポンス
度が明らかに悪くなるような範囲には、乱数を発生させ
ないようにする。
シナプスの結合係数ｋf1〜ｋf6を上位側に、シナプスの
結合係数ｋa1〜ｋa6を下位側にそれぞれ連続して割り当
てることにより構成されている。例えば、一つの結合係
数が８ビットのデータで構成されていれば、個体情報
は、全体で９６ビットのデータとなる。また、進化シミ
ュレーションを開始する際に生成する初期の個体情報
は、各個体ごとに乱数により決定する。その際、レスポ
ンス度をある程度保証するために、乱数の発生範囲を所
定範囲に制限するのが好ましい。すなわち、レスポンス
度が明らかに悪くなるような範囲には、乱数を発生させ
ないようにする。
【００７１】次に、進化適応部３６０で実行される処理
を図９を参照しながら詳細に説明する。図９は、進化適
応部３６０で実行される処理を示すフローチャートであ
る。なお、図９のフローチャートに示す処理は、例え
ば、ＲＯＭにあらかじめ格納されているプログラムを読
み出し、読み出したプログラムに従ってＣＰＵが実行す
る。
を図９を参照しながら詳細に説明する。図９は、進化適
応部３６０で実行される処理を示すフローチャートであ
る。なお、図９のフローチャートに示す処理は、例え
ば、ＲＯＭにあらかじめ格納されているプログラムを読
み出し、読み出したプログラムに従ってＣＰＵが実行す
る。
【００７２】まず、ステップＳ２００に移行して、進化
開始要求を対話型最適化部３１０から入力したか否かを
判定し、進化開始要求を入力したと判定したとき(Yes)
は、ステップＳ２０２に移行するが、そうでないと判定
したとき(No)は、進化開始要求を入力するまでステップ
Ｓ２００で待機する。ステップＳ２０２では、レスポン
ス度の制限範囲を対話型最適化部３１０から入力し、ス
テップＳ２０４に移行して、所定数（例えば、９個）の
個体の集合からなる個体群を仮想的に生成するとともに
各個体ごとに個体情報を構成する。ここで、各個体情報
には、ニューラルネットワーク３６２ａ，３６２ｂにお
けるシナプスの結合係数を割り当て、各個体の個体情報
を乱数により決定する。このとき、個体情報のすべての
値が「０」となる個体を一つ生成することで、進化の過
程で進化前のレスポンス性能を下回らないようにするこ
とができる。なお、各個体の個体情報は、ＲＡＭ等の記
憶装置上に格納され管理される。
開始要求を対話型最適化部３１０から入力したか否かを
判定し、進化開始要求を入力したと判定したとき(Yes)
は、ステップＳ２０２に移行するが、そうでないと判定
したとき(No)は、進化開始要求を入力するまでステップ
Ｓ２００で待機する。ステップＳ２０２では、レスポン
ス度の制限範囲を対話型最適化部３１０から入力し、ス
テップＳ２０４に移行して、所定数（例えば、９個）の
個体の集合からなる個体群を仮想的に生成するとともに
各個体ごとに個体情報を構成する。ここで、各個体情報
には、ニューラルネットワーク３６２ａ，３６２ｂにお
けるシナプスの結合係数を割り当て、各個体の個体情報
を乱数により決定する。このとき、個体情報のすべての
値が「０」となる個体を一つ生成することで、進化の過
程で進化前のレスポンス性能を下回らないようにするこ
とができる。なお、各個体の個体情報は、ＲＡＭ等の記
憶装置上に格納され管理される。
【００７３】次いで、ステップＳ２０６に移行して、個
体群のうち先頭の個体の個体情報を読み出し、ステップ
Ｓ２０８に移行して、読み出した個体情報に基づいてニ
ューラルネットワーク３６２ａ，３６２ｂの結合状態を
決定して制御モジュール３６２を構築し、構築した制御
モジュール３６２によりエンジン１０の制御を開始す
る。このとき、自律型最適化部３５０からの出力は、ス
ロットル開度、スロットル開度の変化率およびエンジン
回転数をニューラルネットワーク３６２ａ，３６２ｂに
入力し、さらにその出力を下式（１）により線形変換す
ることにより算出する。また、スロットル開度、スロッ
トル開度の変化率およびエンジン回転数の入力情報は、
それぞれを正規化したものを用いる。下式（１）におい
て、Ｙは進化補正率または進化過渡補正率であり、ｘは
ニューラルネットワーク３６２ａ，３６２ｂの出力であ
り、Ｇは所定のゲインである。
体群のうち先頭の個体の個体情報を読み出し、ステップ
Ｓ２０８に移行して、読み出した個体情報に基づいてニ
ューラルネットワーク３６２ａ，３６２ｂの結合状態を
決定して制御モジュール３６２を構築し、構築した制御
モジュール３６２によりエンジン１０の制御を開始す
る。このとき、自律型最適化部３５０からの出力は、ス
ロットル開度、スロットル開度の変化率およびエンジン
回転数をニューラルネットワーク３６２ａ，３６２ｂに
入力し、さらにその出力を下式（１）により線形変換す
ることにより算出する。また、スロットル開度、スロッ
トル開度の変化率およびエンジン回転数の入力情報は、
それぞれを正規化したものを用いる。下式（１）におい
て、Ｙは進化補正率または進化過渡補正率であり、ｘは
ニューラルネットワーク３６２ａ，３６２ｂの出力であ
り、Ｇは所定のゲインである。
【００７４】
【数１】
【００７５】このように、ニューラルネットワーク３６
２ａ，３６２ｂの出力ｘを線形変換して用いることによ
り、自律型最適化部３５０から出力される進化補正率ま
たは進化過渡補正率の値が極端に大きくなることがな
く、全体として進化シミュレーションが少しずつ進行す
るようになり、エンジン１０の挙動が評価や進化シミュ
レーションのために極端に変動することがなくなる。
２ａ，３６２ｂの出力ｘを線形変換して用いることによ
り、自律型最適化部３５０から出力される進化補正率ま
たは進化過渡補正率の値が極端に大きくなることがな
く、全体として進化シミュレーションが少しずつ進行す
るようになり、エンジン１０の挙動が評価や進化シミュ
レーションのために極端に変動することがなくなる。
【００７６】次いで、ステップＳ２１０に移行して、燃
費およびレスポンス度を評価部３７０から取得する。こ
こで、個体情報に基づいて制御モジュール３６２を構築
し、構築した制御モジュール３６２によりエンジン１０
の制御を開始し、その結果得られた燃費およびレスポン
ス度は、その個体に対する評価値とする。この評価値が
高いほど、すなわち、第１評価値である燃費について
は、小さければ小さいほど、第２評価値であるレスポン
ス度については、高ければ高いほど、ＧＡによる進化シ
ミュレーションにおいて優秀な個体であると位置付ける
ことができる。
費およびレスポンス度を評価部３７０から取得する。こ
こで、個体情報に基づいて制御モジュール３６２を構築
し、構築した制御モジュール３６２によりエンジン１０
の制御を開始し、その結果得られた燃費およびレスポン
ス度は、その個体に対する評価値とする。この評価値が
高いほど、すなわち、第１評価値である燃費について
は、小さければ小さいほど、第２評価値であるレスポン
ス度については、高ければ高いほど、ＧＡによる進化シ
ミュレーションにおいて優秀な個体であると位置付ける
ことができる。
【００７７】次いで、ステップＳ２１２に移行して、個
体群のすべての個体についてステップＳ２０８からＳ２
１０までの処理が終了したか否かを判定し、すべての個
体について処理が終了したと判定したとき(Yes)は、ス
テップＳ２１４に移行する。ステップＳ２１４では、各
個体ごとにその第２評価値であるレスポンス度が、ステ
ップＳ２０２で入力したレスポンス度の制限範囲内に属
しているか否かを判定し、レスポンス度が制限範囲内に
属していないと判定したとき(No)は、ステップＳ２１６
に移行して、その個体を淘汰し、ステップＳ２１８に移
行する。
体群のすべての個体についてステップＳ２０８からＳ２
１０までの処理が終了したか否かを判定し、すべての個
体について処理が終了したと判定したとき(Yes)は、ス
テップＳ２１４に移行する。ステップＳ２１４では、各
個体ごとにその第２評価値であるレスポンス度が、ステ
ップＳ２０２で入力したレスポンス度の制限範囲内に属
しているか否かを判定し、レスポンス度が制限範囲内に
属していないと判定したとき(No)は、ステップＳ２１６
に移行して、その個体を淘汰し、ステップＳ２１８に移
行する。
【００７８】ステップＳ２１８では、個体群のすべての
個体についてステップＳ２０８からＳ２１０までの処理
が終了したか否かを判定し、すべての個体について処理
が終了したと判定したとき(Yes)は、ステップＳ２２０
に移行するが、そうでないと判定したとき(No)は、ステ
ップＳ２１４に移行する。ステップＳ２２０では、ステ
ップＳ２１４〜Ｓ２１８の処理により、レスポンス度が
制限範囲内に属している個体群が形成されるが、この処
理によって所定数（例えば、半数）以上の個体が淘汰さ
れないときは、さらに、個体群の総数が元の数の半数以
下となるように個体の生存または淘汰を行う選択処理を
実行する。選択処理としては、例えば、上記のルーレッ
ト選択処理のほかに、エリート優先選択処理または下位
適応度単純淘汰処理等を採用することができる。
個体についてステップＳ２０８からＳ２１０までの処理
が終了したか否かを判定し、すべての個体について処理
が終了したと判定したとき(Yes)は、ステップＳ２２０
に移行するが、そうでないと判定したとき(No)は、ステ
ップＳ２１４に移行する。ステップＳ２２０では、ステ
ップＳ２１４〜Ｓ２１８の処理により、レスポンス度が
制限範囲内に属している個体群が形成されるが、この処
理によって所定数（例えば、半数）以上の個体が淘汰さ
れないときは、さらに、個体群の総数が元の数の半数以
下となるように個体の生存または淘汰を行う選択処理を
実行する。選択処理としては、例えば、上記のルーレッ
ト選択処理のほかに、エリート優先選択処理または下位
適応度単純淘汰処理等を採用することができる。
【００７９】次いで、ステップＳ２２２に移行して、Ｇ
Ａにおける個体の交叉を行う交叉処理を実行し、ステッ
プＳ２２４に移行して、ＧＡにおける個体の突然変異を
行う突然変異処理を実行し、ステップＳ２２６に移行し
て、世代交代数が所定回数以上であるか否かを判定し、
所定回数以上であると判定したとき(Yes)は、ステップ
Ｓ２２８に移行する。
Ａにおける個体の交叉を行う交叉処理を実行し、ステッ
プＳ２２４に移行して、ＧＡにおける個体の突然変異を
行う突然変異処理を実行し、ステップＳ２２６に移行し
て、世代交代数が所定回数以上であるか否かを判定し、
所定回数以上であると判定したとき(Yes)は、ステップ
Ｓ２２８に移行する。
【００８０】ステップＳ２２８では、個体群のなかから
評価値が最も高い個体を抽出し、抽出した個体の個体情
報に基づいて最適制御モジュールを構築し、制御モジュ
ール３６２を最適制御モジュールに固定し、ステップＳ
２３０に移行して、制御モジュール３６２の入出力関係
を学習層２００に学習させ、ステップＳ２３２に移行し
て、制御モジュール３６２の出力を「１」に設定し、一
連の処理を終了して元の処理に復帰させる。
評価値が最も高い個体を抽出し、抽出した個体の個体情
報に基づいて最適制御モジュールを構築し、制御モジュ
ール３６２を最適制御モジュールに固定し、ステップＳ
２３０に移行して、制御モジュール３６２の入出力関係
を学習層２００に学習させ、ステップＳ２３２に移行し
て、制御モジュール３６２の出力を「１」に設定し、一
連の処理を終了して元の処理に復帰させる。
【００８１】一方、ステップＳ２２６で、世代交代数が
所定回数未満であると判定したとき(Yes)は、ステップ
Ｓ２０６に移行する。一方、ステップＳ２１２で、個体
群のすべての個体についてステップＳ２０８からＳ２１
０までの処理が終了していないと判定したとき(No)は、
ステップＳ２３４に移行して、個体群のうち次の個体の
個体情報を読み出し、ステップＳ２０８に移行する。
所定回数未満であると判定したとき(Yes)は、ステップ
Ｓ２０６に移行する。一方、ステップＳ２１２で、個体
群のすべての個体についてステップＳ２０８からＳ２１
０までの処理が終了していないと判定したとき(No)は、
ステップＳ２３４に移行して、個体群のうち次の個体の
個体情報を読み出し、ステップＳ２０８に移行する。
【００８２】次に、上記実施の形態の動作を図面を参照
しながら説明する。エンジン１０および電子スロットル
１２の制御特性を使用者向けに最適化するには、使用者
は、まず、進化開始指示を入力部３２２に入力する。対
話型最適化部３１０では、使用者から進化開始指示を入
力すると、ステップＳ１００，Ｓ１０２を経て、９個の
個体の集合からなる個体群が生成されるとともに各個体
ごとに個体情報が構成される。ここで、個体情報には、
静特性を示す制御係数ＳＰ1，ＳＰ2および動特性を示す
２つの制御係数ＤＲ，ＡＧが割り当てられる。
しながら説明する。エンジン１０および電子スロットル
１２の制御特性を使用者向けに最適化するには、使用者
は、まず、進化開始指示を入力部３２２に入力する。対
話型最適化部３１０では、使用者から進化開始指示を入
力すると、ステップＳ１００，Ｓ１０２を経て、９個の
個体の集合からなる個体群が生成されるとともに各個体
ごとに個体情報が構成される。ここで、個体情報には、
静特性を示す制御係数ＳＰ1，ＳＰ2および動特性を示す
２つの制御係数ＤＲ，ＡＧが割り当てられる。
【００８３】個体群が生成されると、第１世代目の進化
シミュレーションが開始される。第１世代目の進化シミ
ュレーションでは、まず、ステップＳ１０４を経て、個
体群のうち先頭の個体の個体情報が読み出され、読み出
された個体情報に基づいて制御モジュール３３２が構築
され、構築された制御モジュール３３２により電子スロ
ットル１２の制御が開始され、しばらくの間その制御モ
ジュール３３２による制御が行われる。その間、ステッ
プＳ１０８を経て、レスポンス度が評価部３４０から取
得される。
シミュレーションが開始される。第１世代目の進化シミ
ュレーションでは、まず、ステップＳ１０４を経て、個
体群のうち先頭の個体の個体情報が読み出され、読み出
された個体情報に基づいて制御モジュール３３２が構築
され、構築された制御モジュール３３２により電子スロ
ットル１２の制御が開始され、しばらくの間その制御モ
ジュール３３２による制御が行われる。その間、ステッ
プＳ１０８を経て、レスポンス度が評価部３４０から取
得される。
【００８４】これと同じ要領で、ステップＳ１０６から
Ｓ１０８までの処理が個体群のすべての個体について終
了すると、ステップＳ１１２を経て、各個体ごとにその
評価値であるレスポンス度が表示部３２４に表示され
る。ここで、使用者は、表示部３２４に表示された各個
体の評価を参照しながら、個体群のなかから自己の好み
の特性を持つ個体を幾つか選択する。使用者により個体
の選択が行われると、ステップＳ１１６を経て、個体群
のうち選択された個体が残され、それ以外の個体が消去
されることにより個体の生存または淘汰が行われる。
Ｓ１０８までの処理が個体群のすべての個体について終
了すると、ステップＳ１１２を経て、各個体ごとにその
評価値であるレスポンス度が表示部３２４に表示され
る。ここで、使用者は、表示部３２４に表示された各個
体の評価を参照しながら、個体群のなかから自己の好み
の特性を持つ個体を幾つか選択する。使用者により個体
の選択が行われると、ステップＳ１１６を経て、個体群
のうち選択された個体が残され、それ以外の個体が消去
されることにより個体の生存または淘汰が行われる。
【００８５】次いで、ステップＳ１１８，Ｓ１２０を経
て、交叉処理および突然変異処理が行われる。ここまで
の処理を経て、第１世代目の進化シミュレーションが終
了する。その後は、これと同じ要領で、使用者が満足す
る特性が得られるかまたは世代交代数が所定回数以上と
なるまで、進化シミュレーションが繰り返し行われる。
その結果、図１０に示すように、レスポンス特性が使用
者向けに最適化される。図１０の例では、制限範囲の中
心付近に位置する点がそれである。図１０は、エンジン
１０および電子スロットル１２の制御特性を最適化する
順序を示す図である。
て、交叉処理および突然変異処理が行われる。ここまで
の処理を経て、第１世代目の進化シミュレーションが終
了する。その後は、これと同じ要領で、使用者が満足す
る特性が得られるかまたは世代交代数が所定回数以上と
なるまで、進化シミュレーションが繰り返し行われる。
その結果、図１０に示すように、レスポンス特性が使用
者向けに最適化される。図１０の例では、制限範囲の中
心付近に位置する点がそれである。図１０は、エンジン
１０および電子スロットル１２の制御特性を最適化する
順序を示す図である。
【００８６】次いで、進化シミュレーションが完了する
と、ステップＳ１２６，Ｓ１２８を経て、進化開始要求
が自律型最適化部３５０に出力され、個体群のなかから
評価値が最も高い個体が抽出され、抽出された個体の評
価値であるレスポンス度を基準として所定範囲が、レス
ポンス度の制限範囲として自律型最適化部３５０に出力
される。
と、ステップＳ１２６，Ｓ１２８を経て、進化開始要求
が自律型最適化部３５０に出力され、個体群のなかから
評価値が最も高い個体が抽出され、抽出された個体の評
価値であるレスポンス度を基準として所定範囲が、レス
ポンス度の制限範囲として自律型最適化部３５０に出力
される。
【００８７】自律型最適化部３５０では、進化開始要求
を入力すると、ステップＳ２００〜Ｓ２０４を経て、レ
スポンス度の制限範囲を入力し、９個の個体の集合から
なる個体群が生成されるとともに各個体ごとに個体情報
が構成される。ここで、個体情報には、ニューラルネッ
トワーク３６２ａ，３６２ｂにおけるシナプスの結合係
数が割り当てられる。
を入力すると、ステップＳ２００〜Ｓ２０４を経て、レ
スポンス度の制限範囲を入力し、９個の個体の集合から
なる個体群が生成されるとともに各個体ごとに個体情報
が構成される。ここで、個体情報には、ニューラルネッ
トワーク３６２ａ，３６２ｂにおけるシナプスの結合係
数が割り当てられる。
【００８８】個体群が生成されると、第１世代目の進化
シミュレーションが開始される。第１世代目の進化シミ
ュレーションでは、まず、ステップＳ２０６，Ｓ２０８
を経て、個体群のうち先頭の個体の個体情報が読み出さ
れ、読み出された個体情報に基づいて制御モジュール３
６２が構築され、構築された制御モジュール３６２によ
りエンジン１０の制御が開始され、しばらくの間その制
御モジュール３６２による制御が行われる。その間、ス
テップＳ２１０を経て、燃費およびレスポンス度が評価
部３７０から取得される。
シミュレーションが開始される。第１世代目の進化シミ
ュレーションでは、まず、ステップＳ２０６，Ｓ２０８
を経て、個体群のうち先頭の個体の個体情報が読み出さ
れ、読み出された個体情報に基づいて制御モジュール３
６２が構築され、構築された制御モジュール３６２によ
りエンジン１０の制御が開始され、しばらくの間その制
御モジュール３６２による制御が行われる。その間、ス
テップＳ２１０を経て、燃費およびレスポンス度が評価
部３７０から取得される。
【００８９】これと同じ要領で、ステップＳ２０８から
Ｓ２１０までの処理が個体群のすべての個体について終
了すると、ステップＳ２１４を経て、各個体ごとにその
第２評価値であるレスポンス度が、ステップＳ２０２で
入力したレスポンス度の制限範囲内に属しているか否か
が判定される。その結果、レスポンス度の制限範囲内に
属していない個体については、ステップＳ２１６を経て
淘汰される。これにより、レスポンス度が制限範囲内に
属している個体のみが次世代の個体を生成する親個体の
候補として生存することとなる。
Ｓ２１０までの処理が個体群のすべての個体について終
了すると、ステップＳ２１４を経て、各個体ごとにその
第２評価値であるレスポンス度が、ステップＳ２０２で
入力したレスポンス度の制限範囲内に属しているか否か
が判定される。その結果、レスポンス度の制限範囲内に
属していない個体については、ステップＳ２１６を経て
淘汰される。これにより、レスポンス度が制限範囲内に
属している個体のみが次世代の個体を生成する親個体の
候補として生存することとなる。
【００９０】次いで、ステップＳ２２０〜Ｓ２２４を経
て、選択処理、交叉処理および突然変異処理が行われ
る。ここまでの処理を経て、第１世代目の進化シミュレ
ーションが終了する。その後は、これと同じ要領で、世
代交代数が所定回数以上となるまで、進化シミュレーシ
ョンが繰り返し行われる。その結果、図１０に示すよう
に、レスポンス度が制限範囲内に属するように燃費特性
が自律的に最適化される。図１０の例では、制限範囲内
であって燃費特性とレスポンス特性の最大曲線（波線）
上に位置する点がそれである。
て、選択処理、交叉処理および突然変異処理が行われ
る。ここまでの処理を経て、第１世代目の進化シミュレ
ーションが終了する。その後は、これと同じ要領で、世
代交代数が所定回数以上となるまで、進化シミュレーシ
ョンが繰り返し行われる。その結果、図１０に示すよう
に、レスポンス度が制限範囲内に属するように燃費特性
が自律的に最適化される。図１０の例では、制限範囲内
であって燃費特性とレスポンス特性の最大曲線（波線）
上に位置する点がそれである。
【００９１】次いで、進化シミュレーションが完了する
と、ステップＳ２２８を経て、個体群のなかから評価値
が最も高い個体が抽出され、抽出された個体の個体情報
に基づいて最適制御モジュールが構築され、制御モジュ
ール３６２が最適制御モジュールに固定される。次い
で、ステップＳ２３０を経て、制御モジュール３６２の
入出力関係が学習層２００に学習させられる。この学習
では、まず、最適制御モジュールにより得られる実際の
エンジン回転数等の入力情報に対する進化補正率および
進化過渡補正率による制御を行う。自律型最適化部３５
０が進化補正率および進化過渡補正率による制御を実行
し始めると、学習層２００の学習用ニューラルネットワ
ークは、制御モジュール３６２の入出関係を、学習層２
００の実行用として機能しているニューラルネットワー
クの入出関係と合わせて学習する。この間、自律型最適
化部３５０の出力は、それ以前の評価関数を最大とした
個体により行われ、制御則が時間的に変化することはな
い。前記した学習では、自律型最適化部３５０と学習層
２００の実行用ニューラルネットワークとの入出力を、
あるステップ幅で平均化し、これを入出力データとして
教師データ集合の更新に用いる。例えば、１秒間の平均
エンジン回転数が５０００［ｒｐｍ］、平均スロットル
開度が２０、平均吸気温度が２８［℃］、平均大気圧が
１０１３［ｈＰａ］であった場合、これらと、その時の
自律型最適化部３５０および学習層２００における実行
用ニューラルネットワークの出力を加算したものを入出
力データとして用いる（図１１参照）。この入出力デー
タを、以前の教師データに加えて新しい教師データ集合
を得る。このとき、教師データ集合における新しいデー
タとのユークリッド距離が一定値以内の古い教師データ
は消去する。この様子を図１２に示す。また、教師デー
タ集合の初期値は、すべての入力データに対して出力を
「１」にしておく。学習層２００では、更新された教師
データ集合に基づいて、学習用ニューラルネットワーク
におけるシナプスの結合係数の学習を行う。結合係数の
学習は、学習中の学習用ニューラルネットワークの出力
と反射層１００からの基本噴射量および過渡補正率とか
ら得られる仮想制御出力と、実際の制御出力との間の誤
差がしきい値以下になるまで行われ、この学習が終わる
と、学習用のニューラルネットワークは実行用になり、
もとの制御用のニューラルネットワークが学習用とな
る。この後、学習層２００は、新しく得られた実行用の
ニューラルネットワークにより学習補正率および学習過
渡補正率を決定して実際に出力し、同時に、ステップＳ
２３２を経て、制御モジュール３６２の出力は「１」に
なり、学習層２００と反射層１００とによる制御が行わ
れる。また、学習層２００の実行用のニューラルネット
ワークの初期値は、出力が常に「１」になるように設定
しておく。こうすることで、初期状態においては、反射
層１００と自律型最適化部３５０のみで制御を行うよう
にできる。
と、ステップＳ２２８を経て、個体群のなかから評価値
が最も高い個体が抽出され、抽出された個体の個体情報
に基づいて最適制御モジュールが構築され、制御モジュ
ール３６２が最適制御モジュールに固定される。次い
で、ステップＳ２３０を経て、制御モジュール３６２の
入出力関係が学習層２００に学習させられる。この学習
では、まず、最適制御モジュールにより得られる実際の
エンジン回転数等の入力情報に対する進化補正率および
進化過渡補正率による制御を行う。自律型最適化部３５
０が進化補正率および進化過渡補正率による制御を実行
し始めると、学習層２００の学習用ニューラルネットワ
ークは、制御モジュール３６２の入出関係を、学習層２
００の実行用として機能しているニューラルネットワー
クの入出関係と合わせて学習する。この間、自律型最適
化部３５０の出力は、それ以前の評価関数を最大とした
個体により行われ、制御則が時間的に変化することはな
い。前記した学習では、自律型最適化部３５０と学習層
２００の実行用ニューラルネットワークとの入出力を、
あるステップ幅で平均化し、これを入出力データとして
教師データ集合の更新に用いる。例えば、１秒間の平均
エンジン回転数が５０００［ｒｐｍ］、平均スロットル
開度が２０、平均吸気温度が２８［℃］、平均大気圧が
１０１３［ｈＰａ］であった場合、これらと、その時の
自律型最適化部３５０および学習層２００における実行
用ニューラルネットワークの出力を加算したものを入出
力データとして用いる（図１１参照）。この入出力デー
タを、以前の教師データに加えて新しい教師データ集合
を得る。このとき、教師データ集合における新しいデー
タとのユークリッド距離が一定値以内の古い教師データ
は消去する。この様子を図１２に示す。また、教師デー
タ集合の初期値は、すべての入力データに対して出力を
「１」にしておく。学習層２００では、更新された教師
データ集合に基づいて、学習用ニューラルネットワーク
におけるシナプスの結合係数の学習を行う。結合係数の
学習は、学習中の学習用ニューラルネットワークの出力
と反射層１００からの基本噴射量および過渡補正率とか
ら得られる仮想制御出力と、実際の制御出力との間の誤
差がしきい値以下になるまで行われ、この学習が終わる
と、学習用のニューラルネットワークは実行用になり、
もとの制御用のニューラルネットワークが学習用とな
る。この後、学習層２００は、新しく得られた実行用の
ニューラルネットワークにより学習補正率および学習過
渡補正率を決定して実際に出力し、同時に、ステップＳ
２３２を経て、制御モジュール３６２の出力は「１」に
なり、学習層２００と反射層１００とによる制御が行わ
れる。また、学習層２００の実行用のニューラルネット
ワークの初期値は、出力が常に「１」になるように設定
しておく。こうすることで、初期状態においては、反射
層１００と自律型最適化部３５０のみで制御を行うよう
にできる。
【００９２】このようにして、本実施の形態では、レス
ポンス特性を制御する対話型最適化部３１０と、燃費特
性を制御する自律型最適化部３５０とを備え、対話型最
適化部３１０については、対話型最適化部３１０の制御
特性に影響を及ぼす制御係数を入力としてレスポンス度
を出力するレスポンス度算出部３４２を用いて、レスポ
ンス度算出部３４２のレスポンス度を対話型評価により
繰り返し評価しながら、レスポンス度算出部３４２の最
適解をＧＡにより探索するようになっており、自律型最
適化部３５０については、自律型最適化部３５０の制御
特性に影響を及ぼす制御係数を入力として燃費を出力す
る燃費算出部３７２を用いて、対話型最適化部３１０の
最適化で最適解として探索した解から求まるレスポンス
度を基準として所定範囲内にレスポンス度が属するよう
に、燃費算出部３７２の燃費を自律型評価により繰り返
し評価しながら、燃費算出部３７２の最適解をＧＡによ
り探索するようになっている。
ポンス特性を制御する対話型最適化部３１０と、燃費特
性を制御する自律型最適化部３５０とを備え、対話型最
適化部３１０については、対話型最適化部３１０の制御
特性に影響を及ぼす制御係数を入力としてレスポンス度
を出力するレスポンス度算出部３４２を用いて、レスポ
ンス度算出部３４２のレスポンス度を対話型評価により
繰り返し評価しながら、レスポンス度算出部３４２の最
適解をＧＡにより探索するようになっており、自律型最
適化部３５０については、自律型最適化部３５０の制御
特性に影響を及ぼす制御係数を入力として燃費を出力す
る燃費算出部３７２を用いて、対話型最適化部３１０の
最適化で最適解として探索した解から求まるレスポンス
度を基準として所定範囲内にレスポンス度が属するよう
に、燃費算出部３７２の燃費を自律型評価により繰り返
し評価しながら、燃費算出部３７２の最適解をＧＡによ
り探索するようになっている。
【００９３】これにより、従来に比して、使用者の希望
に比較的沿ったレスポンス度となるような制御係数を探
索することができ、しかも最適化に要する時間を比較的
短縮することができる。特に、対話型最適化部３１０に
ついて最適化が完了した後は、レスポンス度をさほど損
なうことなく、自律型最適化部３５０の最適化を比較的
高速に行うことができる。
に比較的沿ったレスポンス度となるような制御係数を探
索することができ、しかも最適化に要する時間を比較的
短縮することができる。特に、対話型最適化部３１０に
ついて最適化が完了した後は、レスポンス度をさほど損
なうことなく、自律型最適化部３５０の最適化を比較的
高速に行うことができる。
【００９４】さらに、本実施の形態では、対話型最適化
部３１０の評価の対象がレスポンス度であり、自律型最
適化部３５０の評価の対象が燃費である。これにより、
エンジン１０の制御特性のうちレスポンス特性を使用者
向けに、燃費特性を所定の評価基準に従ってそれぞれ最
適化することができる。さらに、本実施の形態では、エ
ンジン１０の燃料噴射量の補正率または過渡補正率の補
正率をニューラルネットワーク３６２ａ，３６２ｂによ
り生成するようになっており、個体情報には、ニューラ
ルネットワーク３６２ａ，３６２ｂにおけるシナプスの
結合係数を割り当てるようになっている。
部３１０の評価の対象がレスポンス度であり、自律型最
適化部３５０の評価の対象が燃費である。これにより、
エンジン１０の制御特性のうちレスポンス特性を使用者
向けに、燃費特性を所定の評価基準に従ってそれぞれ最
適化することができる。さらに、本実施の形態では、エ
ンジン１０の燃料噴射量の補正率または過渡補正率の補
正率をニューラルネットワーク３６２ａ，３６２ｂによ
り生成するようになっており、個体情報には、ニューラ
ルネットワーク３６２ａ，３６２ｂにおけるシナプスの
結合係数を割り当てるようになっている。
【００９５】これにより、高い評価値を得ることが期待
できる、ニューラルネットワーク３６２ａ，３６２ｂに
おけるシナプスの結合係数を決定することができる。上
記実施の形態において、ＧＡは、請求項１、３ないし
５、７、８、１０若しくは１２記載の最適化アルゴリズ
ム、または請求項８記載の進化型最適化アルゴリズムに
対応し、ニューラルネットワーク３６２ａ，３６２ｂに
おけるシナプスの結合係数は、請求項３、５、８または
１０記載の制御係数に対応している。また、ＲＡＭは、
請求項２または４記載の記憶手段に対応し、評価部３４
０，３７０は、請求項２、４または８記載の評価値算出
手段に対応し、入力部３２２は、請求項２または４記載
の評価入力手段に対応し、エンジン１０および電子スロ
ットル１２は、請求項３ないし５、７、８または１０記
載の制御対象に対応している。
できる、ニューラルネットワーク３６２ａ，３６２ｂに
おけるシナプスの結合係数を決定することができる。上
記実施の形態において、ＧＡは、請求項１、３ないし
５、７、８、１０若しくは１２記載の最適化アルゴリズ
ム、または請求項８記載の進化型最適化アルゴリズムに
対応し、ニューラルネットワーク３６２ａ，３６２ｂに
おけるシナプスの結合係数は、請求項３、５、８または
１０記載の制御係数に対応している。また、ＲＡＭは、
請求項２または４記載の記憶手段に対応し、評価部３４
０，３７０は、請求項２、４または８記載の評価値算出
手段に対応し、入力部３２２は、請求項２または４記載
の評価入力手段に対応し、エンジン１０および電子スロ
ットル１２は、請求項３ないし５、７、８または１０記
載の制御対象に対応している。
【００９６】また、上記実施の形態において、対話型最
適化部３１０は、請求項５記載の第１制御系に対応し、
自律型最適化部３５０は、請求項５記載の第２制御系に
対応し、レスポンス度算出部３４２は、請求項５記載の
第１評価関数に対応し、燃費算出部３７２は、請求項５
または７記載の第２評価関数に対応している。また、ス
テップＳ１１８，Ｓ１２０，Ｓ２２２，Ｓ２２４は、請
求項８記載の個体情報操作手段に対応し、ステップＳ１
１６，Ｓ２１４〜Ｓ２２０は、請求項８記載の個体選択
手段に対応している。
適化部３１０は、請求項５記載の第１制御系に対応し、
自律型最適化部３５０は、請求項５記載の第２制御系に
対応し、レスポンス度算出部３４２は、請求項５記載の
第１評価関数に対応し、燃費算出部３７２は、請求項５
または７記載の第２評価関数に対応している。また、ス
テップＳ１１８，Ｓ１２０，Ｓ２２２，Ｓ２２４は、請
求項８記載の個体情報操作手段に対応し、ステップＳ１
１６，Ｓ２１４〜Ｓ２２０は、請求項８記載の個体選択
手段に対応している。
【００９７】なお、上記実施の形態においては、対話型
評価を繰り返し行いながらレスポンス特性を最適化した
後に、レスポンス度の制限範囲を設定し、自律型評価を
繰り返し行いながら、レスポンス度が制限範囲内に属す
るように燃費特性を最適化するように構成したが、これ
に限らず、自律型評価を繰り返し行いながら燃費特性を
最適化した後に、燃費特性に制限範囲を設定し、対話型
評価を繰り返し行いながら、燃費が制限範囲内に属する
ようにレスポンス特性を最適化するように構成してもよ
い。もちろん、このように順番に行うに限らず、少しず
つ交互に行うようにしてもよいし、並列に行うようにし
てもよい。
評価を繰り返し行いながらレスポンス特性を最適化した
後に、レスポンス度の制限範囲を設定し、自律型評価を
繰り返し行いながら、レスポンス度が制限範囲内に属す
るように燃費特性を最適化するように構成したが、これ
に限らず、自律型評価を繰り返し行いながら燃費特性を
最適化した後に、燃費特性に制限範囲を設定し、対話型
評価を繰り返し行いながら、燃費が制限範囲内に属する
ようにレスポンス特性を最適化するように構成してもよ
い。もちろん、このように順番に行うに限らず、少しず
つ交互に行うようにしてもよいし、並列に行うようにし
てもよい。
【００９８】また、上記実施の形態においては、制御装
置３０の制御対象として車両用エンジン１０を適用して
いるが、制御装置３０の制御対象は本実施の形態に限定
されることなく任意のものでよく、例えば、車体のサス
ペンションやシートのダンパー特性の制御または、電気
モータやエンジンを補助動力とする自転車或いは車イス
における補助動力のアシスト特性、またはパーソナルロ
ボットの動作特性（きびきびした動作やのんびりした動
作）の制御に適用してもよい。
置３０の制御対象として車両用エンジン１０を適用して
いるが、制御装置３０の制御対象は本実施の形態に限定
されることなく任意のものでよく、例えば、車体のサス
ペンションやシートのダンパー特性の制御または、電気
モータやエンジンを補助動力とする自転車或いは車イス
における補助動力のアシスト特性、またはパーソナルロ
ボットの動作特性（きびきびした動作やのんびりした動
作）の制御に適用してもよい。
【００９９】また、本実施の形態においては、制御出力
として燃料噴射量を取り扱っているが、制御対象として
エンジン１０を適用する場合、制御出力としては、その
他に、例えば、噴射時間、点火時期、吸気バルブタイミ
ング、電子スロットル開度、バルブリフト量、排気バル
ブタイミング、または吸排気制御用バルブタイミング等
が考えられる。ここで、吸気制御用バルブとは、タンブ
ルおよびスワールの制御を行うために吸気管に設けられ
るバルブであり、また、排気制御バルブとは、排気脈動
を制御するために排気管に設けられるバルブである。
として燃料噴射量を取り扱っているが、制御対象として
エンジン１０を適用する場合、制御出力としては、その
他に、例えば、噴射時間、点火時期、吸気バルブタイミ
ング、電子スロットル開度、バルブリフト量、排気バル
ブタイミング、または吸排気制御用バルブタイミング等
が考えられる。ここで、吸気制御用バルブとは、タンブ
ルおよびスワールの制御を行うために吸気管に設けられ
るバルブであり、また、排気制御バルブとは、排気脈動
を制御するために排気管に設けられるバルブである。
【０１００】また、本実施の形態においては、学習層２
００を階層型ニューラルネットワークで構成している
が、学習層２００の制御系の構成は本実施例に限定され
ることなく、例えば、ＣＭＡＣ（Cerebellar Model Ari
thmetic Computer）を用いてもよい。ＣＭＡＣを用いる
利点としては、階層型ニューラルネットワークに比べ
て、追加学習の能力が優れていること、学習が高速であ
る等が挙げられる。
００を階層型ニューラルネットワークで構成している
が、学習層２００の制御系の構成は本実施例に限定され
ることなく、例えば、ＣＭＡＣ（Cerebellar Model Ari
thmetic Computer）を用いてもよい。ＣＭＡＣを用いる
利点としては、階層型ニューラルネットワークに比べ
て、追加学習の能力が優れていること、学習が高速であ
る等が挙げられる。
【０１０１】また、上記実施の形態においては、エンジ
ン１０の燃料噴射量の補正率または過渡補正率の補正率
をニューラルネットワーク３６２ａ，３６２ｂにより生
成するようになっており、個体情報には、ニューラルネ
ットワーク３６２ａ，３６２ｂにおけるシナプスの結合
係数を割り当てるように構成したが、これに限らず、個
体情報には、エンジン１０の燃料噴射量の補正率または
過渡補正率の補正率を直接割り当てるように構成しても
よい。
ン１０の燃料噴射量の補正率または過渡補正率の補正率
をニューラルネットワーク３６２ａ，３６２ｂにより生
成するようになっており、個体情報には、ニューラルネ
ットワーク３６２ａ，３６２ｂにおけるシナプスの結合
係数を割り当てるように構成したが、これに限らず、個
体情報には、エンジン１０の燃料噴射量の補正率または
過渡補正率の補正率を直接割り当てるように構成しても
よい。
【０１０２】これにより、高い評価値を得ることが期待
できる、エンジン１０の燃料噴射量の補正率または過渡
補正率の補正率を決定することができる。また、上記実
施の形態においては、エンジン１０の燃料噴射量の補正
率または過渡補正率の補正率をニューラルネットワーク
３６２ａ，３６２ｂにより生成するように構成したが、
これに限らず、エンジン１０の燃料噴射量、過渡補正
量、燃料噴射量の補正量または過渡補正量の補正量をニ
ューラルネットワーク３６２ａ，３６２ｂにより生成す
るように構成してもよい。このことは、ニューラルネッ
トワーク３６２ａ，３６２ｂにより生成せずに直接算出
する構成についても同じである。
できる、エンジン１０の燃料噴射量の補正率または過渡
補正率の補正率を決定することができる。また、上記実
施の形態においては、エンジン１０の燃料噴射量の補正
率または過渡補正率の補正率をニューラルネットワーク
３６２ａ，３６２ｂにより生成するように構成したが、
これに限らず、エンジン１０の燃料噴射量、過渡補正
量、燃料噴射量の補正量または過渡補正量の補正量をニ
ューラルネットワーク３６２ａ，３６２ｂにより生成す
るように構成してもよい。このことは、ニューラルネッ
トワーク３６２ａ，３６２ｂにより生成せずに直接算出
する構成についても同じである。
【０１０３】また、上記実施の形態においては、エンジ
ン１０の燃費特性およびレスポンス特性を最適化するの
にＧＡを用いたが、これに限らず、ＧＰやＥＳ等の進化
的アルゴリズムを用いることもできる。また、上記実施
の形態において、図６および図９のフローチャートに示
す処理を実行するにあたっては、ＲＯＭにあらかじめ格
納されているプログラムを実行する場合について説明し
たが、これに限らず、これらの手順を示したプログラム
が記録された記録媒体から、そのプログラムをＲＡＭに
読み込んで実行するようにしてもよい。
ン１０の燃費特性およびレスポンス特性を最適化するの
にＧＡを用いたが、これに限らず、ＧＰやＥＳ等の進化
的アルゴリズムを用いることもできる。また、上記実施
の形態において、図６および図９のフローチャートに示
す処理を実行するにあたっては、ＲＯＭにあらかじめ格
納されているプログラムを実行する場合について説明し
たが、これに限らず、これらの手順を示したプログラム
が記録された記録媒体から、そのプログラムをＲＡＭに
読み込んで実行するようにしてもよい。
【０１０４】ここで、記録媒体とは、ＲＡＭ、ＲＯＭ等
の半導体記録媒体、ＦＤ、ＨＤ等の磁気記録型記録媒
体、ＣＤ、ＣＤＶ、ＬＤ、ＤＶＤ等の光学的読取方式記
録媒体、ＭＯ等の磁気記録型／光学的読取方式記録媒体
であって、電子的、磁気的、光学的等の読み取り方法の
いかんにかかわらず、コンピュータで読み取り可能な記
録媒体であれば、あらゆる記録媒体を含むものである。
の半導体記録媒体、ＦＤ、ＨＤ等の磁気記録型記録媒
体、ＣＤ、ＣＤＶ、ＬＤ、ＤＶＤ等の光学的読取方式記
録媒体、ＭＯ等の磁気記録型／光学的読取方式記録媒体
であって、電子的、磁気的、光学的等の読み取り方法の
いかんにかかわらず、コンピュータで読み取り可能な記
録媒体であれば、あらゆる記録媒体を含むものである。
【０１０５】
【発明の効果】以上説明したように、本発明に係る請求
項１または２記載の最適解探索装置によれば、従来に比
して、使用者の希望に比較的沿った解を探索することが
でき、しかも最適化に要する時間を比較的短縮すること
ができるという効果が得られる。
項１または２記載の最適解探索装置によれば、従来に比
して、使用者の希望に比較的沿った解を探索することが
でき、しかも最適化に要する時間を比較的短縮すること
ができるという効果が得られる。
【０１０６】一方、本発明に係る請求項３ないし１１記
載の最適化アルゴリズムによる制御対象の制御装置によ
れば、従来に比して、使用者の希望に比較的沿った解を
探索することができ、しかも最適化に要する時間を比較
的短縮することができるという効果が得られる。さら
に、本発明に係る請求項５記載の最適化アルゴリズムに
よる制御対象の制御装置によれば、第１制御系について
最適化が完了した後は、第１評価関数の最適な評価値と
して得られた評価値をさほど損なうことなく、第２制御
系の最適化を比較的高速に行うことができるという効果
も得られる。
載の最適化アルゴリズムによる制御対象の制御装置によ
れば、従来に比して、使用者の希望に比較的沿った解を
探索することができ、しかも最適化に要する時間を比較
的短縮することができるという効果が得られる。さら
に、本発明に係る請求項５記載の最適化アルゴリズムに
よる制御対象の制御装置によれば、第１制御系について
最適化が完了した後は、第１評価関数の最適な評価値と
して得られた評価値をさほど損なうことなく、第２制御
系の最適化を比較的高速に行うことができるという効果
も得られる。
【０１０７】さらに、本発明に係る請求項６記載の最適
化アルゴリズムによる制御対象の制御装置によれば、第
１制御系の最適化を比較的高速に行うことができるとと
もに、第１制御系について最適化が完了した後は、第１
評価関数の最適な評価値として得られた評価値をさほど
損なうことなく、第２制御系を最適化することができる
という効果も得られる。
化アルゴリズムによる制御対象の制御装置によれば、第
１制御系の最適化を比較的高速に行うことができるとと
もに、第１制御系について最適化が完了した後は、第１
評価関数の最適な評価値として得られた評価値をさほど
損なうことなく、第２制御系を最適化することができる
という効果も得られる。
【０１０８】さらに、本発明に係る請求項７記載の最適
化アルゴリズムによる制御対象の制御装置によれば、エ
ンジンの制御特性のうちレスポンス特性を使用者向け
に、燃費特性を所定の評価基準に従ってそれぞれ最適化
することができるという効果も得られる。さらに、本発
明に係る請求項９記載の最適化アルゴリズムによる制御
対象の制御装置によれば、高い評価値を得ることが期待
できる、燃料噴射量、過渡補正量、燃料噴射量の補正値
または過渡補正量の補正値を決定することができるとい
う効果も得られる。
化アルゴリズムによる制御対象の制御装置によれば、エ
ンジンの制御特性のうちレスポンス特性を使用者向け
に、燃費特性を所定の評価基準に従ってそれぞれ最適化
することができるという効果も得られる。さらに、本発
明に係る請求項９記載の最適化アルゴリズムによる制御
対象の制御装置によれば、高い評価値を得ることが期待
できる、燃料噴射量、過渡補正量、燃料噴射量の補正値
または過渡補正量の補正値を決定することができるとい
う効果も得られる。
【０１０９】さらに、本発明に係る請求項１０記載の最
適化アルゴリズムによる制御対象の制御装置によれば、
高い評価値を得ることが期待できる、ニューラルネット
ワークにおけるシナプスの結合係数を決定することがで
きるという効果も得られる。さらに、本発明に係る請求
項１１記載の最適化アルゴリズムによる制御対象の制御
装置によれば、電気モータの制御特性のうち回転変化特
性を使用者向けに、電力消費特性を所定の評価基準に従
ってそれぞれ最適化することができるという効果も得ら
れる。
適化アルゴリズムによる制御対象の制御装置によれば、
高い評価値を得ることが期待できる、ニューラルネット
ワークにおけるシナプスの結合係数を決定することがで
きるという効果も得られる。さらに、本発明に係る請求
項１１記載の最適化アルゴリズムによる制御対象の制御
装置によれば、電気モータの制御特性のうち回転変化特
性を使用者向けに、電力消費特性を所定の評価基準に従
ってそれぞれ最適化することができるという効果も得ら
れる。
【０１１０】一方、本発明に係る請求項１２記載の最適
解探索プログラムによれば、請求項１記載の最適解探索
装置と同等の効果が得られる。
解探索プログラムによれば、請求項１記載の最適解探索
装置と同等の効果が得られる。
【図１】本発明の基本概念を示す図である。
【図２】本発明の基本構成を示すブロック図である。
【図３】本発明を適用するエンジン制御システムの構成
を示すブロック図である。
を示すブロック図である。
【図４】対話型最適化部３１０の構成を示すブロック図
である。
である。
【図５】個体情報のデータ構造を示す図である。
【図６】進化適応部３３０で実行される処理を示すフロ
ーチャートである。
ーチャートである。
【図７】自律型最適化部３５０の構成を示すブロック図
である。
である。
【図８】ニューラルネットワーク３６２ａ，３６２ｂの
構成および個体情報のデータ構造を示す図である。
構成および個体情報のデータ構造を示す図である。
【図９】進化適応部３６０で実行される処理を示すフロ
ーチャートである。
ーチャートである。
【図１０】エンジン１０および電子スロットル１２の制
御特性を最適化する順序を示す図である。
御特性を最適化する順序を示す図である。
【図１１】教師データ集合が新しい教師データを獲得す
る状態を概念的に示す図である。
る状態を概念的に示す図である。
【図１２】教師データ集合の更新を概念的に示す図であ
る。
る。
１０ エンジン １２ 電子スロットル ２０ 各種センサ ３０ 制御装置 １００ 反射層 １１０ 基礎制御部 ２００ 学習層 ２１０ 学習部 ３００ 進化適応層 ３１０ 対話型最適化部 ３２０ インターフェース部 ３２２ 入力部 ３２４ 表示部 ３３０，３６０ 進化適応部 ３３２，３６２ 制御モジュール ３４０ 評価部 ３５０ 自律型最適化部 ３６２ａ，３６２ｂ ニューラルネットワーク ３７０ 評価部 ３７２ 燃費算出部 ３７４ レスポンス度算出部
Claims (12)
- 【請求項１】 評価関数の出力を繰り返し評価しながら
前記評価関数の最適解を最適化アルゴリズムにより探索
する装置であって、 前記評価関数の出力に対する評価を使用者との対話に基
づいて行う対話型評価と、前記評価関数の出力に対する
評価を所定の評価基準に基づいて行う自律型評価との組
み合わせにより、前記最適化アルゴリズムによる探索を
行うようになっていることを特徴とする最適解探索装
置。 - 【請求項２】 請求項１において、 前記評価関数の出力を記憶するための記憶手段と、前記
評価関数の出力を評価値として算出して前記記憶手段に
記憶する評価値算出手段と、前記使用者による評価を入
力する評価入力手段とを備え、 前記対話型評価は、前記評価入力手段の入力内容に基づ
いて行い、前記自律型評価は、前記記憶手段の評価値に
基づいて行うようになっていることを特徴とする最適解
探索装置。 - 【請求項３】 制御対象の特性を制御する制御系の制御
特性に影響を及ぼす制御係数を入力として前記制御特性
を出力する評価関数を用いて、前記評価関数の出力を繰
り返し評価しながら前記評価関数の最適解を最適化アル
ゴリズムにより探索することにより、前記制御系の制御
特性を最適化する装置であって、 前記評価関数の出力に対する評価を使用者との対話に基
づいて行う対話型評価と、前記評価関数の出力に対する
評価を所定の評価基準に基づいて行う自律型評価との組
み合わせにより、前記最適化アルゴリズムによる探索を
行うようになっていることを特徴とする最適化アルゴリ
ズムによる制御対象の制御装置。 - 【請求項４】 請求項３において、 前記評価関数の出力を記憶するための記憶手段と、前記
評価関数の出力を評価値として算出して前記記憶手段に
記憶する評価値算出手段と、前記使用者による評価を入
力する評価入力手段とを備え、 前記対話型評価は、前記評価入力手段の入力内容に基づ
いて行い、前記自律型評価は、前記記憶手段の評価値に
基づいて行うようになっていることを特徴とする最適化
アルゴリズムによる制御対象の制御装置。 - 【請求項５】 請求項３及び４のいずれかにおいて、 前記制御対象の第１の特性を制御する第１制御系と、前
記制御対象の第２の特性を制御する第２制御系とを備
え、 前記第１制御系については、前記第１制御系の制御特性
に影響を及ぼす制御係数を入力として前記制御特性を出
力する第１評価関数を用いて、前記第１評価関数の出力
を前記対話型評価により繰り返し評価しながら、前記第
１評価関数の最適解を前記最適化アルゴリズムにより探
索するようになっており、 前記第２制御系については、前記第２制御系の制御特性
に影響を及ぼす制御係数を入力として前記制御特性を出
力する第２評価関数及び前記第１評価関数を用いて、前
記第１制御系の最適化で最適解として探索した解から求
まる前記第１評価関数の出力を基準として所定範囲内に
前記第１評価関数の出力が属するように、前記第２評価
関数の出力を前記自律型評価により繰り返し評価しなが
ら、前記第２評価関数の最適解を前記最適化アルゴリズ
ムにより探索するようになっていることを特徴とする最
適化アルゴリズムによる制御対象の制御装置。 - 【請求項６】 請求項３及び４のいずれかにおいて、 前記制御対象の第１の特性を制御する第１制御系と、前
記制御対象の第２の特性を制御する第２制御系とを備
え、 前記第１制御系については、前記第１制御系の制御特性
に影響を及ぼす制御係数を入力として前記制御特性を出
力する第１評価関数を用いて、前記第１評価関数の出力
を前記自律型評価により繰り返し評価しながら、前記第
１評価関数の最適解を前記最適化アルゴリズムにより探
索するようになっており、 前記第２制御系については、前記第２制御系の制御特性
に影響を及ぼす制御係数を入力として前記制御特性を出
力する第２評価関数及び前記第１評価関数を用いて、前
記第１制御系の最適化で最適解として探索した解から求
まる前記第１評価関数の出力を基準として所定範囲内に
前記第１評価関数の出力が属するように、前記第２評価
関数の出力を前記対話型評価により繰り返し評価しなが
ら、前記第２評価関数の最適解を前記最適化アルゴリズ
ムにより探索するようになっていることを特徴とする最
適化アルゴリズムによる制御対象の制御装置。 - 【請求項７】 請求項５及び６のいずれかにおいて、 前記制御対象は、エンジンであり、 前記第１評価関数及び前記第２評価関数の出力のうち前
記対話型評価の対象となるものは、前記エンジンの回転
数変化率及びスロットル開度変化率により定まるレスポ
ンス度であり、前記第１評価関数及び前記第２評価関数
の出力のうち前記自律型評価の対象となるものは、前記
エンジンの燃費であることを特徴とする最適化アルゴリ
ズムによる制御対象の制御装置。 - 【請求項８】 請求項５乃至７のいずれかにおいて、 前記最適化アルゴリズムは、複数の個体の集合からなる
個体群を仮想的に生成するとともに、前記各個体ごとに
その個体の遺伝情報に見立てて個体情報を構成し、当該
個体情報には前記制御係数を割り当て、さらに、遺伝子
操作を模倣した情報操作を前記個体情報に対して行う個
体情報操作手段と、前記個体の評価値を算出する評価値
算出手段と、前記評価値算出手段で算出した評価値に基
づいて前記個体の生存又は淘汰を行う個体選択手段とを
備え、同一世代において、前記個体情報操作手段による
遺伝的操作及び前記個体選択手段による個体選択操作を
それぞれ少なくとも１回行って世代を進行させる進化型
最適化アルゴリズムであることを特徴とする最適化アル
ゴリズムによる制御対象の制御装置。 - 【請求項９】 請求項８において、 前記制御対象は、エンジンであり、 前記個体情報には、前記制御係数として、前記エンジン
の燃料噴射量、前記エンジンの過渡状態において前記燃
料噴射量を補正する過渡補正量、前記燃料噴射量の補正
値又は前記過渡補正量の補正値を割り当てるようになっ
ていることを特徴とする最適化アルゴリズムによる制御
対象の制御装置。 - 【請求項１０】 請求項８において、 前記制御対象は、エンジンであり、 前記エンジンの燃料噴射量、前記エンジンの過渡状態に
おいて前記燃料噴射量を補正する過渡補正量、前記燃料
噴射量の補正値又は前記過渡補正量の補正値をニューラ
ルネットワークにより生成するようになっており、 前記個体情報には、前記制御係数として、前記ニューラ
ルネットワークにおけるシナプスの結合係数を割り当て
るようになっていることを特徴とする最適化アルゴリズ
ムによる制御対象の制御装置。 - 【請求項１１】 請求項５及び６のいずれかにおいて、 前記制御対象は、電気モータであり、 前記第１評価関数及び前記第２評価関数の出力のうち前
記対話型評価の対象となるものは、前記電気モータの回
転変化率であり、前記第１評価関数及び前記第２評価関
数の出力のうち前記自律型評価の対象となるものは、前
記電気モータの電力消費であることを特徴とする最適化
アルゴリズムによる制御対象の制御装置。 - 【請求項１２】 評価関数の出力を繰り返し評価しなが
ら前記評価関数の最適解を最適化アルゴリズムにより探
索するコンピュータ実行可能なプログラムであって、 前記評価関数の出力に対する評価を使用者との対話に基
づいて行う対話型評価と、前記評価関数の出力に対する
評価を所定の評価基準に基づいて行う自律型評価との組
み合わせにより、前記最適化アルゴリズムによる探索を
行う処理をコンピュータに実行させるためのプログラム
であることを特徴とする最適解探索プログラム。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001049342A JP2002251597A (ja) | 2001-02-23 | 2001-02-23 | 最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラム |
| PCT/JP2002/000932 WO2002069257A1 (fr) | 2001-02-23 | 2002-02-05 | Dispositif de recherche de solution optimale, dispositif pour commander un objet commande par algorithme d'optimisation, et programme de recherche de solution optimale |
| EP02710510A EP1372107A4 (en) | 2001-02-23 | 2002-02-05 | SEARCH FOR OPTIMAL SOLUTIONS, DEVICE FOR CONTROLLING A CONTROLLED OBJECT BY OPTIMIZING ALGORITHM AND SEARCH PROGRAM FOR OPTIMUM SOLUTIONS |
| US10/467,872 US7062333B2 (en) | 2001-02-23 | 2002-02-05 | Optimal solution search device, device for controlling controlled object by optimizing algorithm, and optimal solution search program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001049342A JP2002251597A (ja) | 2001-02-23 | 2001-02-23 | 最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2002251597A true JP2002251597A (ja) | 2002-09-06 |
Family
ID=18910457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001049342A Pending JP2002251597A (ja) | 2001-02-23 | 2001-02-23 | 最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US7062333B2 (ja) |
| EP (1) | EP1372107A4 (ja) |
| JP (1) | JP2002251597A (ja) |
| WO (1) | WO2002069257A1 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007231829A (ja) * | 2006-03-01 | 2007-09-13 | Denso Corp | 内燃機関の制御装置 |
| JP2010250442A (ja) * | 2009-04-13 | 2010-11-04 | Toyota Motor Corp | 走行軌跡演算装置、および、走行軌跡演算方法 |
| WO2011033661A1 (ja) * | 2009-09-18 | 2011-03-24 | 本田技研工業株式会社 | 内燃機関の制御装置 |
| WO2011033662A1 (ja) * | 2009-09-18 | 2011-03-24 | 本田技研工業株式会社 | 内燃機関の制御装置 |
| US8483949B2 (en) | 2009-04-13 | 2013-07-09 | Toyota Jidosha Kabushiki Kaisha | Running pattern calculating apparatus and running pattern calculating method |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002251597A (ja) * | 2001-02-23 | 2002-09-06 | Yamaha Motor Co Ltd | 最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラム |
| US7035834B2 (en) * | 2002-05-15 | 2006-04-25 | Caterpillar Inc. | Engine control system using a cascaded neural network |
| DE10354322B4 (de) * | 2003-11-20 | 2022-06-09 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zur Ermittlung der Fahrsituation |
| JP2005271824A (ja) * | 2004-03-25 | 2005-10-06 | Mitsubishi Fuso Truck & Bus Corp | 車両の挙動制御装置 |
| CA2616376A1 (en) * | 2005-07-25 | 2007-02-01 | Duke University | Methods, systems, and computer program products for optimization of probes for spectroscopic measurement in turbid media |
| US7291934B2 (en) * | 2005-08-30 | 2007-11-06 | Caterpillar Inc. | Machine with an electrical system |
| EP2001352A4 (en) * | 2006-03-17 | 2010-04-07 | Univ Duke | MODEL OF FLUORESCENCE IN A DISORDER MEDIUM BASED ON THE MONTE CARLO METHOD AND SYSTEMS FOR USING THE SAME TO DETERMINE THE INTRINSIC FLUORESCENCE OF A DISORDER MEDIUM |
| US7751039B2 (en) * | 2006-03-30 | 2010-07-06 | Duke University | Optical assay system for intraoperative assessment of tumor margins |
| WO2008103486A1 (en) * | 2007-02-23 | 2008-08-28 | Duke University | Scaling method for fast monte carlo simulation of diffuse reflectance spectra |
| KR101399199B1 (ko) * | 2007-07-16 | 2014-05-27 | 삼성전자주식회사 | 소프트웨어 로봇의 유전자 코드 구성 방법 |
| WO2009043050A2 (en) * | 2007-09-27 | 2009-04-02 | Duke University | Optical assay system with a multi-probe imaging array |
| WO2009043045A1 (en) * | 2007-09-28 | 2009-04-02 | Duke University | Systems and methods for spectral analysis of a tissue mass using an instrument, an optical probe, and a monte carlo or a diffusion algorithm |
| US20110105865A1 (en) * | 2008-04-24 | 2011-05-05 | Duke University | Diffuse reflectance spectroscopy device for quantifying tissue absorption and scattering |
| US20100049561A1 (en) * | 2008-08-22 | 2010-02-25 | Alstom Technology Ltd. | Fluidized bed combustion optimization tool and method thereof |
| JP6857332B2 (ja) * | 2018-03-13 | 2021-04-14 | オムロン株式会社 | 演算装置、演算方法、及びそのプログラム |
| JP6702380B2 (ja) * | 2018-09-14 | 2020-06-03 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
| JP6593560B1 (ja) * | 2019-02-15 | 2019-10-23 | トヨタ自動車株式会社 | 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置 |
| US10947919B1 (en) | 2019-08-26 | 2021-03-16 | Caterpillar Inc. | Fuel injection control using a neural network |
| US11603111B2 (en) * | 2019-10-18 | 2023-03-14 | Toyota Jidosha Kabushiki Kaisha | Vehicle controller, vehicle control system, and learning device for vehicle |
| JP7205503B2 (ja) | 2020-01-22 | 2023-01-17 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
| JP7222366B2 (ja) * | 2020-01-27 | 2023-02-15 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
| JP7359011B2 (ja) | 2020-02-05 | 2023-10-11 | トヨタ自動車株式会社 | 内燃機関の制御装置 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5418858A (en) * | 1994-07-11 | 1995-05-23 | Cooper Tire & Rubber Company | Method and apparatus for intelligent active and semi-active vibration control |
| US5877954A (en) * | 1996-05-03 | 1999-03-02 | Aspen Technology, Inc. | Hybrid linear-neural network process control |
| US5933345A (en) * | 1996-05-06 | 1999-08-03 | Pavilion Technologies, Inc. | Method and apparatus for dynamic and steady state modeling over a desired path between two end points |
| US6381504B1 (en) * | 1996-05-06 | 2002-04-30 | Pavilion Technologies, Inc. | Method for optimizing a plant with multiple inputs |
| 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 |
| US6032139A (en) * | 1996-09-27 | 2000-02-29 | Yamaha Hatsudoki Kabushiki Kaisha | Electronic controller using genetic evolution techniques suitable for controlling a motor |
| US5963458A (en) * | 1997-07-29 | 1999-10-05 | Siemens Building Technologies, Inc. | Digital controller for a cooling and heating plant having near-optimal global set point control strategy |
| JP2000020103A (ja) * | 1998-07-02 | 2000-01-21 | Yamaha Motor Co Ltd | 遺伝的アルゴリズムの評価方法 |
| US6549815B1 (en) * | 1999-03-02 | 2003-04-15 | Yamaha Hatsudoki Kabushiki Kaisha | Method and apparatus for optimizing overall characteristics of device, using heuristic method |
| JP2000276206A (ja) | 1999-03-24 | 2000-10-06 | Yamaha Motor Co Ltd | 総合特性最適化方法及び装置 |
| JP2002251597A (ja) * | 2001-02-23 | 2002-09-06 | Yamaha Motor Co Ltd | 最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラム |
-
2001
- 2001-02-23 JP JP2001049342A patent/JP2002251597A/ja active Pending
-
2002
- 2002-02-05 EP EP02710510A patent/EP1372107A4/en not_active Withdrawn
- 2002-02-05 WO PCT/JP2002/000932 patent/WO2002069257A1/ja not_active Application Discontinuation
- 2002-02-05 US US10/467,872 patent/US7062333B2/en not_active Expired - Fee Related
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007231829A (ja) * | 2006-03-01 | 2007-09-13 | Denso Corp | 内燃機関の制御装置 |
| JP4561652B2 (ja) * | 2006-03-01 | 2010-10-13 | 株式会社デンソー | 内燃機関の制御装置 |
| JP2010250442A (ja) * | 2009-04-13 | 2010-11-04 | Toyota Motor Corp | 走行軌跡演算装置、および、走行軌跡演算方法 |
| US8483949B2 (en) | 2009-04-13 | 2013-07-09 | Toyota Jidosha Kabushiki Kaisha | Running pattern calculating apparatus and running pattern calculating method |
| WO2011033661A1 (ja) * | 2009-09-18 | 2011-03-24 | 本田技研工業株式会社 | 内燃機関の制御装置 |
| WO2011033662A1 (ja) * | 2009-09-18 | 2011-03-24 | 本田技研工業株式会社 | 内燃機関の制御装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| US7062333B2 (en) | 2006-06-13 |
| EP1372107A1 (en) | 2003-12-17 |
| US20040078095A1 (en) | 2004-04-22 |
| EP1372107A4 (en) | 2006-03-08 |
| WO2002069257A1 (fr) | 2002-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2002251597A (ja) | 最適解探索装置、最適化アルゴリズムによる制御対象の制御装置及び最適解探索プログラム | |
| JP3825845B2 (ja) | 進化的制御方式 | |
| KR101899101B1 (ko) | 인공 신경망 기반 예측 모델 생성 장치 및 방법 | |
| Stanley et al. | Efficient reinforcement learning through evolving neural network topologies | |
| Leng et al. | Design for self-organizing fuzzy neural networks based on genetic algorithms | |
| Park et al. | Fuzzy polynomial neural networks: hybrid architectures of fuzzy modeling | |
| CN112035746A (zh) | 一种基于时空序列图卷积网络的会话推荐方法 | |
| US6721647B1 (en) | Method for evaluation of a genetic algorithm | |
| JP2009099050A (ja) | パラメトリック多目的最適化装置、パラメトリック多目的最適化方法およびパラメトリック多目的最適化プログラム | |
| WO2022166115A1 (en) | Recommendation system with adaptive thresholds for neighborhood selection | |
| CN114511021A (zh) | 基于改进乌鸦搜索算法的极限学习机分类算法 | |
| JPH11327606A (ja) | 総合制御方式 | |
| CN113326884B (zh) | 大规模异构图节点表示的高效学习方法及装置 | |
| Chen et al. | Generative adversarial reward learning for generalized behavior tendency inference | |
| JP6795116B1 (ja) | 車両、及びサーバ | |
| Chidambaran et al. | Multi-criteria evolution of neural network topologies: Balancing experience and performance in autonomous systems | |
| 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 | |
| JP2002251598A (ja) | 最適解探索装置、制御対象の制御装置及び最適解探索プログラム | |
| JP2002251599A (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 | |
| JP2000339005A (ja) | 制御対象の最適化制御方法及び制御装置 | |
| CN115470406A (zh) | 一种基于双通道信息融合的图神经网络会话推荐方法 | |
| JP2004013328A (ja) | 評価値算出方法、評価値算出装置、制御対象の制御装置及び評価値算出プログラム | |
| JPH10154003A (ja) | 進化的制御方式 | |
| CN112528556A (zh) | 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 | |
| Salomie et al. | Hybrid immune-inspired method for selecting the optimal or a near-optimal service composition |