JP2005527034A - 大規模離散及び連続最適化問題解法の動的方法 - Google Patents
大規模離散及び連続最適化問題解法の動的方法 Download PDFInfo
- Publication number
- JP2005527034A JP2005527034A JP2004507985A JP2004507985A JP2005527034A JP 2005527034 A JP2005527034 A JP 2005527034A JP 2004507985 A JP2004507985 A JP 2004507985A JP 2004507985 A JP2004507985 A JP 2004507985A JP 2005527034 A JP2005527034 A JP 2005527034A
- Authority
- JP
- Japan
- Prior art keywords
- local
- point
- search
- optimal solution
- local optimal
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
閉形式又はブラックボックスの目的関数を有する一般最適化問題の大域最適解を得るための動的方法であって、まず、初期点からスタートする1つの局所最適解を決定性手法で見つけるステップと、続いて、各初期点からスタートする全ての局所最適解が見つかるまで、先に見つけられた局所最適解からスタートするもう1つの局所最適解を見つけるステップと、そして次に、上記の点から大域最適解を見つけるステップと、を含んでいる。
Description
本発明は,数学的な解析,モデリング,非線形プログラミング及び最適化技術の分野に関する。特に,本発明は,連続最適化問題及び離散最適化問題の局所最適解及び大域最適解をシステマテッィクに求める動的方法に関する。
決定,デザイン,運転,計画,スケジューリングのような様々な定量的問題は,連続もしくは離散最適化問題として理解,モデル化できる科学,工学,経済分野の実システム内にあふれている。標準的に,システムの全体性能(もしくは計測)は,目的関数とよばれる多変数関数により記述できる。この一般的な記述によれば,すべての提示された実行可能な制約を満たし,かつ目的関数値を最小化(もしくは最大化)する解空間内において,通常実ベクトルで表現される最適化問題の最良解を探す。このベクトルが存在すれば,大域最適解とよばれる。ほとんどの実アプリケーションに対し,基礎となる目的関数は,通常非線形であり,多くの変数に依存し,大域最適解を見つけるために解空間を探索する作業を非常に難しいものとする。主要課題は,高次元解空間に加え,解空間には多くの局所最適解があり,大域最適解はそれらの高々1つであり,しかも,大域最適解と局所最適解は同じ局所的な性質を有することである。
一般に,最適化問題の解空間は有限(ふつうは非常に大きい)もしくは無限数の実行可能解を有する。この実行可能解において,ただ1つの大域最適解,更に複数の局所最適解がある。(局所最適解は解空間の局所領域内で最適であり,大域解空間内ではそうではない。)標準的に,局所最適解の数は知られておらず数は非常に大きい。更に,局所最適解と大域最適解における目的関数の値はかなり違うであろう。従って,大域最適解探索の効果的な手法を開発する強い動機付けとなる。
次に離散最適化問題について考察する。離散最適化問題解法の作業は非常に難しい。これらは一般にNP困難(これらを解くための多項式困難の求解アルゴリズムは知られていない)である。加え,多くの離散最適化問題は効率的なアルゴリズムが知られていないNP完全問題のクラスに属す。NP完全問題の正確な定義はこれまでのテキスト中にある。概略的に言えば,NP完全問題は数値計算上困難となる。任意の数値アルゴリズムは,最悪ケースにおいて大域最適解を正確に求めるため指数関数的な計算時間を要求する。
離散最適化問題解法の1つのポピュラーなアプローチは,反復改善局所探索アルゴリズムのクラスを使うことである[1]。これらは以下のように特徴付けられる。初期実行可能解からスタートし,その近傍内の改善解を探索する。改善解が存在すれば,初期解としての新しい解からスタートする探索過程を繰り返す。そうでなければ,局所探索過程を終了する。局所探索アルゴリズムは普通,局所最適解に捕捉され,そこから脱出できない。事実,離散最適化問題を解くための大多数の既存の最適化技術は通常,大域最適解ではなく,局所最適解を提供する。
反復改善局所探索アルゴリズムの欠点は,局所最適解から脱出するための探索過程を許すいくつかのメカニズムを導入することにより,改善解を見つけるためデザインされた多くのより洗練された局所探索アルゴリズム開発の動機付けとなってきた。基礎となる'脱出'メカニズムは,局所最適解からの脱出を可能とするためコスト悪化となる近傍を許容する任意の探索戦略を使う。これらの洗練された局所探索アルゴリズムはシミュレーテッド・アニーリング,遺伝的アルゴリズム,タブ・サーチ,ニューラル・ネットワークである。
しかしながら,多くの研究において,これらの洗練された局所探索アルゴリズムは,とりわけ強力な計算能力が要求され,普通,大域最適解を見つけることができないことが知られている。加えて,本発明において,いくつかの効果的な方法が,大域最適解探索過程における次の2つの重要かつチャレンジな問題提示のため開発される。
(i)どのように効果的に局所最適解から移動(脱出)し,別の局所最適解に移動するか,そして,
(ii)どのように既知である局所最適解への再探索を防ぐか。
(i)どのように効果的に局所最適解から移動(脱出)し,別の局所最適解に移動するか,そして,
(ii)どのように既知である局所最適解への再探索を防ぐか。
過去において,重要な努力がこれら2つの問題を述べるために払われてきた。しかし,大きな成功はなかった。問題(i)は解くことは難しく,既存の方法はすべてこの困難に直面する。探索中の計算効率に関連する,問題(ii)も解くことが難しく,同じく既存の多くの方法がこの困難に直面する。問題(ii)は,大域最適解を探索する多くの既存の方法の性能を低下させる共通問題である。同じ局所最適解の複数探索,この操作は,全く大域最適解の位置に関する新しい情報を得ることができず計算時間の無駄である。計算時間の観点から,高効率を維持するため同じ局所最適解の再探索を防ぐことは重要である。
一般最適化問題の大域最適解を見つける作業は,多くの工学と科学分野にとって重要である。本発明は,決定論的に初期点からスタートした1つの局所最適解探索ステップ,全ての局所最適解探索まで既知の局所最適解からスタートした別の局所最適解探索ステップ,全ての局所最適解から大域最適解探索ステップを含む一般最適化問題の大域最適解を求める動的方法を示す。
全てでなければ複数局所最適解の探索とその中から最良解を選択する一般最適化問題解法の効果的なアプローチを提案する。
本発明において,一般最適化問題の全局所最適解を決定論的に見つける新しいシステマティックな方法論を開発する。いくつかのタイプの最適化問題を解くため以下の動的方法論が本発明において開発される。
・ 目的関数が閉形式表現もしくはブラックボックス表現(すなわち,目的関数は解空間内の全ての点に対し計算可能であるが,閉形式表現でない)である無制約連続最適化問題を解くための動的方法論。
・ 目的関数が閉形式表現もしくはブラックボックス表現の無制約離散最適化問題を解くための動的方法論
・ 目的関数が閉形式表現の有制約離散最適化問題を解くための動的方法論
・ ブラックボックス目的関数を有する有制約離散最適化問題を解くための動的方法論
問題(i)について述べるため,本発明において,DDP探索法との組み合わせにおいて,局所最適解からスタートし,その解から脱出し効果的かつ決定論的に別の局所最適解探索のシステマテッィクな手順の性能を有すDDPベース数値法を開発する。問題(ii)について述べるため,本発明において,既知の局所最適解への再探索防止のためアンチ再探索法を開発する。アンチ再探索法の理論的基礎は,本発明において開発された動的分解点に基づく。
本発明において,一般最適化問題の全局所最適解を決定論的に見つける新しいシステマティックな方法論を開発する。いくつかのタイプの最適化問題を解くため以下の動的方法論が本発明において開発される。
・ 目的関数が閉形式表現もしくはブラックボックス表現(すなわち,目的関数は解空間内の全ての点に対し計算可能であるが,閉形式表現でない)である無制約連続最適化問題を解くための動的方法論。
・ 目的関数が閉形式表現もしくはブラックボックス表現の無制約離散最適化問題を解くための動的方法論
・ 目的関数が閉形式表現の有制約離散最適化問題を解くための動的方法論
・ ブラックボックス目的関数を有する有制約離散最適化問題を解くための動的方法論
問題(i)について述べるため,本発明において,DDP探索法との組み合わせにおいて,局所最適解からスタートし,その解から脱出し効果的かつ決定論的に別の局所最適解探索のシステマテッィクな手順の性能を有すDDPベース数値法を開発する。問題(ii)について述べるため,本発明において,既知の局所最適解への再探索防止のためアンチ再探索法を開発する。アンチ再探索法の理論的基礎は,本発明において開発された動的分解点に基づく。
本発明において,これら問題(i)(ii)を克服するため開発された効果的な方法は,一般離散最適化問題の全局所最適解探索のための,2つの動的方法論により構成される。これら2つの動的方法論の1つの特徴は,これら動的方法論が局所最適解探索において,計算効率を達成するため,任意の既存の局所探索アルゴリズムと組み合わせることができ,全局所最適解探索の大域性能を維持することができることである。
開発された動的方法は,任意の現在の最適化法と容易に組み合わせることができる。これはユーザーにとって,本発明は大きなメリットである,なぜなら,それらは局所最適解探索において,非常に効率的にカスタマイズされた最適化法を破棄する必要がないからである。本方法は,効果的に局所最適解を見つけるためにカスタマイズされた方法を使用し,カスタマイズされた方法で1つの局所最適解から別の最適解へ脱出することを行う。
本発明中で開発される動的方法はコンピュータパッケージにプログラミングされ,局所最適解の完全集合を見つけるため効果的な既存のコンピュータパッケージと組み合わせることができる。本発明は,グラフィカルユーザーインターフェースとデータベースを含む,既存のコンピュータパッケージの環境を修正せずに,既存のコンピュータパーケージとインターフェースするプログラミングを行うことができる。特に,本発明は,結果を提供するコンピュータパッケージ内のユーザー向けに新しい学習カーブを課さない。既存のコンピュータパッケージ再利用の知的財産の性質は,本発明を非常に魅力的なものとする。
一般最適化問題
本発明において,これまで同様,非線形連続最適化問題と非線形離散最適化問題に分けられる一般非線形最適化問題を考える。これらは更に以下の4つのクラスに分けられる。
・目的関数が閉形式表現もしくはブラックボックス表現の無制約連続最適化問題のクラス
・目的関数が閉形式表現もしくはブラックボックス表現の有制約連続最適化問題のクラス
・目的関数が閉形式表現もしくはブラックボックス表現の無制約離散最適化問題のクラス
・目的関数が閉形式表現もしくはブラックボックス表現の有制約離散最適化問題のクラス
非線形最適化問題の全クラスの全局所最適解と大域最適解探索の動的方法を開発した。
本発明において,これまで同様,非線形連続最適化問題と非線形離散最適化問題に分けられる一般非線形最適化問題を考える。これらは更に以下の4つのクラスに分けられる。
・目的関数が閉形式表現もしくはブラックボックス表現の無制約連続最適化問題のクラス
・目的関数が閉形式表現もしくはブラックボックス表現の有制約連続最適化問題のクラス
・目的関数が閉形式表現もしくはブラックボックス表現の無制約離散最適化問題のクラス
・目的関数が閉形式表現もしくはブラックボックス表現の有制約離散最適化問題のクラス
非線形最適化問題の全クラスの全局所最適解と大域最適解探索の動的方法を開発した。
次に非線形最適問題の各クラスについて述べる。
無制約連続最適化問題
一般無制約連続最適化問題の形式は:
無制約連続最適化問題
一般無制約連続最適化問題の形式は:
は閉形式表現もしくはブラックボックス表現である。関数
は下に有界のため,それの大域最少(最適)解が存在し,局所最少(最適)解の数は有限である。ブラックボックス目的関数の表現はできない。代わりに,状態ベクトル
から対応する目的関数値
を返す外部サブルーチンとして参照される計算のみ可能である。
有制約連続最適化問題
一般有制約連続最適化問題の形式は:
である。ここで,目的関数
は閉形式表現もしくはブラックボックス表現である。制約方程式
で表現される不等式を満たす状態方程式の集合は実行可能領域と呼ばれる。関数
は実行可能領域全体において下に有界のため,それの大域最少(最適)解が存在し,局所最少(最適)解の数は有限である。
無制約離散最適化問題
一般無制約離散最適化問題の形式は:
は閉形式表現もしくはブラックボックス表現である。制約方程式
で表現される不等式を満たす状態方程式の集合は実行可能領域と呼ばれる。関数
は実行可能領域全体において下に有界のため,それの大域最少(最適)解が存在し,局所最少(最適)解の数は有限である。
無制約離散最適化問題
一般無制約離散最適化問題の形式は:
である。ここで,目的関数
は閉形式表現もしくはブラックボックス表現である。関数
は実行可能領域全体において下に有界のため,それの大域最少(最適)解が存在し,局所最少(最適)解の数は有限である。
有制約離散最適化問題
一般有制約離散最適化問題の形式は:
は閉形式表現もしくはブラックボックス表現である。関数
は実行可能領域全体において下に有界のため,それの大域最少(最適)解が存在し,局所最少(最適)解の数は有限である。
有制約離散最適化問題
一般有制約離散最適化問題の形式は:
である。ここで,目的関数
は閉形式表現もしくはブラックボックス表現である。関数
は実行可能領域全体において下に有界のため,それの大域最少(最適)解が存在し,局所最少(最適)解の数は有限である。制約集合
は全ての実行可能解から構成されている。集合
は解析表現を伴った制約方程式の集合,もしくは状態ベクトル
を取る外部サブルーチンを参照し,制約の満足性を返す計算可能なブラックボックスモデルに特徴付けられる。状態空間
は有限もしくは可算無限集合である。
明らかに,このクラスの離散最適化問題は次の問題を含む。
は閉形式表現もしくはブラックボックス表現である。関数
は実行可能領域全体において下に有界のため,それの大域最少(最適)解が存在し,局所最少(最適)解の数は有限である。制約集合
は全ての実行可能解から構成されている。集合
は解析表現を伴った制約方程式の集合,もしくは状態ベクトル
を取る外部サブルーチンを参照し,制約の満足性を返す計算可能なブラックボックスモデルに特徴付けられる。状態空間
は有限もしくは可算無限集合である。
明らかに,このクラスの離散最適化問題は次の問題を含む。
ここで,目的関数
は閉形式表現もしくはブラックボックス表現である。関数
は実行可能領域全体において下に有界のため,それの大域最少(最適)解が存在し,局所最少(最適)解の数は有限である。制約関数ベクトル
は閉形式表現である。状態空間
は有限もしくは可算無限集合である。
以下のセクションで示される,(4-1)(4-3)(4-5)で記述される最適化問題を解くための動的法を本発明で開発した。
は閉形式表現もしくはブラックボックス表現である。関数
は実行可能領域全体において下に有界のため,それの大域最少(最適)解が存在し,局所最少(最適)解の数は有限である。制約関数ベクトル
は閉形式表現である。状態空間
は有限もしくは可算無限集合である。
以下のセクションで示される,(4-1)(4-3)(4-5)で記述される最適化問題を解くための動的法を本発明で開発した。
5.無制約連続最適化問題解法の動的方法
本セクションでは無制約最適化問題(4-1)を解くための動的方法を示す。
無制約連続最適化問題(4-1)解法のため,全局所最適解探索をガイドするための以下の関連した非線形動的システムの任意の軌道を利用した動的方法を開発する。
本セクションでは無制約最適化問題(4-1)を解くための動的方法を示す。
無制約連続最適化問題(4-1)解法のため,全局所最適解探索をガイドするための以下の関連した非線形動的システムの任意の軌道を利用した動的方法を開発する。
最適化問題(4-1)の全局所最適解を特定するため実行される任意の軌道をもつ非線形動的システムの以下の十分条件を提案する。
(LC1)非線形動的システム(5-1)の全ての軌道は収束し,平衡点の1つに収束し,
(LC2)システム(5-1)の全安定平衡点は最適化問題(4-1)の局所最適解であり,逆もまた同様。
(LC3)最適化問題(4-1)の目的関数は非線形動的システム(5-1)の全軌道に沿って減少する。
(LC1)非線形動的システム(5-1)の全ての軌道は収束し,平衡点の1つに収束し,
(LC2)システム(5-1)の全安定平衡点は最適化問題(4-1)の局所最適解であり,逆もまた同様。
(LC3)最適化問題(4-1)の目的関数は非線形動的システム(5-1)の全軌道に沿って減少する。
次に,解析的閉形式目的関数もしくはブラックボックス目的関数を有する任意の無制約連続最適化問題(4-1)が与えられ,(5-1)の形式において,(LC1)〜(LC3)を満足する非線形動的システムを構築することができる,ことを示す。
非線形動的システムを見つけるためのガイドラインを提供するため,以下の2つの定理を始めに開発する。
以下の2つの条件を持たせば,関数
は(5-1)のエネルギー関数である。(i)(5-1)の任意のシステム軌道に沿った
の微分は非正,すなわち,
である。(ii)
が(5-1)の平衡点でないならば,
に沿った集合
は
において測度0である。
定理5-1:動的システム(5-1)がエネルギー関数を持てば,条件(LC1)を満たす。
定理5-2:無制約連続最適化問題(4-1)の目的関数が非線形動的システム(5-1)のエネルギー関数であれば,条件(LC2)と(LC3)を満たす。
以下の2つの条件を持たせば,関数
は(5-1)のエネルギー関数である。(i)(5-1)の任意のシステム軌道に沿った
の微分は非正,すなわち,
である。(ii)
が(5-1)の平衡点でないならば,
に沿った集合
は
において測度0である。
定理5-1:動的システム(5-1)がエネルギー関数を持てば,条件(LC1)を満たす。
定理5-2:無制約連続最適化問題(4-1)の目的関数が非線形動的システム(5-1)のエネルギー関数であれば,条件(LC2)と(LC3)を満たす。
ここで,
は目的関数
の勾配ベクトルである。一般的に述べると,解析的目的関数を持つ問題(4-1)の全局所最適解を計算するために実行される任意の動的軌道を有する,条件(LC1)〜(LC3)を満たす方程式(4-5)で記述される他の非線形動的システムがある。これらの非線形ダイナミカルシステムを以下の一般形とする。
は目的関数
の勾配ベクトルである。一般的に述べると,解析的目的関数を持つ問題(4-1)の全局所最適解を計算するために実行される任意の動的軌道を有する,条件(LC1)〜(LC3)を満たす方程式(4-5)で記述される他の非線形動的システムがある。これらの非線形ダイナミカルシステムを以下の一般形とする。
ブラックボックス目的関数
を有する最適化問題(4-1)に対し,条件(LC1)〜(LC3)を満足する非線形動的システムを構築する作業は難しい。この困難を解決するためのいくつかの方法を開発することができる。それらの1つは,以下に述べるが,ブラックボックス関数の分割差をベースとする。
を有する最適化問題(4-1)に対し,条件(LC1)〜(LC3)を満足する非線形動的システムを構築する作業は難しい。この困難を解決するためのいくつかの方法を開発することができる。それらの1つは,以下に述べるが,ブラックボックス関数の分割差をベースとする。
ここで,
の
番目の成分に関する
の微分は1方向の偏差により近似される。
は
番目のカーテジアンベイシスベクトル,
は十分小さなスカラーである。別の非線形動的システムは以下のブラックボックス目的関数の中心偏差をベースに構築される。
の
番目の成分に関する
の微分は1方向の偏差により近似される。
は
番目のカーテジアンベイシスベクトル,
は十分小さなスカラーである。別の非線形動的システムは以下のブラックボックス目的関数の中心偏差をベースに構築される。
ここで,
の
番目成分に関する
の導関数は,上の中心偏差により近似される。
は
番目のカーテジアンベイシスベクトル,
は十分小さなスカラーである。
ブラックボックス目的関数を有する無制約連続最適化問題(4-1)を解くための条件(LC1)〜(LC3)を満たす,上述の(5-4)もしくは(5-5)の記述に加え,他の非線形動的システムも存在するであろう。これらの非線形動的システムを以下の一般形とする。
の
番目成分に関する
の導関数は,上の中心偏差により近似される。
は
番目のカーテジアンベイシスベクトル,
は十分小さなスカラーである。
ブラックボックス目的関数を有する無制約連続最適化問題(4-1)を解くための条件(LC1)〜(LC3)を満たす,上述の(5-4)もしくは(5-5)の記述に加え,他の非線形動的システムも存在するであろう。これらの非線形動的システムを以下の一般形とする。
明快な説明のため,解析的閉形式目的関数に関連した非線形動的システム(5-3)とブラックボックス目的関数に関連した非線形動的システム(5-6)の両者を以下の一般形にする。
非線形動的システム(5-7)に関するいくつかの基本的な定義と事実は[2][4]に示される。
で
からスタートした(5-7)の解は軌道と呼ばれ,
により表現される。
であれば,状態ベクトル
はシステム(5-7)の平衡点と呼ばれる。
における
のヤコビ行列のいずれの固有値もゼロの実部を持たない時,(5-7)の平衡点
は双曲型と言う。双曲型平衡点ヤコビアンの
個の固有値が正の実部を持てば,タイプ
の平衡点と呼ぶ。双曲型平衡点に対し,対応するヤコビアンの全固有値の実部が負であれば,(漸近的に)安定平衡点,対応するヤコビアンの固有値の実部が正であれば不安定平衡点であることが示される。タイプ双曲型平衡点
に対し,それの安定および不安定多様体
は以下に定義される。
で
からスタートした(5-7)の解は軌道と呼ばれ,
により表現される。
であれば,状態ベクトル
はシステム(5-7)の平衡点と呼ばれる。
における
のヤコビ行列のいずれの固有値もゼロの実部を持たない時,(5-7)の平衡点
は双曲型と言う。双曲型平衡点ヤコビアンの
個の固有値が正の実部を持てば,タイプ
の平衡点と呼ぶ。双曲型平衡点に対し,対応するヤコビアンの全固有値の実部が負であれば,(漸近的に)安定平衡点,対応するヤコビアンの固有値の実部が正であれば不安定平衡点であることが示される。タイプ双曲型平衡点
に対し,それの安定および不安定多様体
は以下に定義される。
ここで,
と
の次元はそれぞれ
と
である。
内からスタートした(5-7)の全ての軌道が全ての
において
内に残れば,
の集合
は(5-7)の不変集合と呼ばれる。システムの全軌道が平衡点の1つに収束すれば,動的システムは完全安定と呼ばれる。
安定平衡点
のスタビリティーリージョン(吸引域)は,軌道が全て収束する全ての点の集合であり以下に定義される。
と
の次元はそれぞれ
と
である。
内からスタートした(5-7)の全ての軌道が全ての
において
内に残れば,
の集合
は(5-7)の不変集合と呼ばれる。システムの全軌道が平衡点の1つに収束すれば,動的システムは完全安定と呼ばれる。
安定平衡点
のスタビリティーリージョン(吸引域)は,軌道が全て収束する全ての点の集合であり以下に定義される。
上述の2つの定理と以下の定理[3]は,条件(LC1)から(LC3)を満足する関連した非線形動的システム(5-7)を利用することにより,無制約連続最適化問題(4-1)を解くため,本発明において開発された動的方法の理論的原理を示す。
定理5-3: 条件(LC1)を満足する(5-7)により述べられる非線形動的システムを考える。
を
の準スタビリティーリージョン,
を動的分解点とする。
上の平衡点の安定多様体と不安定多様体が横断性条件を満たせば,次のような(5-1)の別のただ1つの安定平衡点
が存在する。
定理5-3: 条件(LC1)を満足する(5-7)により述べられる非線形動的システムを考える。
を
の準スタビリティーリージョン,
を動的分解点とする。
上の平衡点の安定多様体と不安定多様体が横断性条件を満たせば,次のような(5-1)の別のただ1つの安定平衡点
が存在する。
(1)
は
に関する動的分解点である,かつ
(2)
かつ
である。
ここで,動的分解点は非線形動的システム(5-7)の準スタビリティーバウンダリー上のタイプ1平衡点であり,
は動的分解点
の不安定多様体である。
は
に関する動的分解点である,かつ
(2)
かつ
である。
ここで,動的分解点は非線形動的システム(5-7)の準スタビリティーバウンダリー上のタイプ1平衡点であり,
は動的分解点
の不安定多様体である。
5.1 ハイブリッド局所探索法
局所最適解を確実に見つけるために,軌道ベース法と任意の効果的な局所探索法の結合による,ハイブリッド局所探索法を開発する。ハイブリッド局所探索法は本発明で開発された動的方法と組み合わされるであろう。
局所最適解を確実に見つけるために,軌道ベース法と任意の効果的な局所探索法の結合による,ハイブリッド局所探索法を開発する。ハイブリッド局所探索法は本発明で開発された動的方法と組み合わされるであろう。
初期点からスタートする無制約連続最適化問題(4-1)のための,確実に局所最適解を得るためのハイブリッド局所探索法を以下に示す。
仮定:初期点
が与えられる。
目的:無制約連続最適化問題(4-1)の局所最適解を確実に計算する。
ステップ1. 初期点
からスタートし,効果的な局所探索アルゴリズムを無制約連続最適化問題(4-1)に適用する。
ステップ2. 局所探索法アルゴリズムが局所最適解に収束すれば,ストップする。そうでなければ,次のステップに進む。
ステップ3. 初期点
からスタートし最終点を得るため数ステップ,関連する非線形動的システム(5-7)を積分する。初期点として最終点をセットし,ステップ1へ進む。
仮定:初期点
が与えられる。
目的:無制約連続最適化問題(4-1)の局所最適解を確実に計算する。
ステップ1. 初期点
からスタートし,効果的な局所探索アルゴリズムを無制約連続最適化問題(4-1)に適用する。
ステップ2. 局所探索法アルゴリズムが局所最適解に収束すれば,ストップする。そうでなければ,次のステップに進む。
ステップ3. 初期点
からスタートし最終点を得るため数ステップ,関連する非線形動的システム(5-7)を積分する。初期点として最終点をセットし,ステップ1へ進む。
5.2 出口点(EP)の計算方法
無制約連続最適化問題(4-1)の局所最適解
(すなわち,関連した非線形動的システム(5-7)の安定平衡点(s.e.p.)),そしてs.e.p.からスタートする予め定義された探索軌道が与えられる時,最適化問題(4-1)に関連した非線形動的システム(5-7)の出口点計算の方法を開発する。これを以下に示す。
仮定: 局所最適解
,予め定義された探索経路と関連した非線形動的システム(5-7)を与える。
目的: 予め定義された探索経路と動的システム(5-7)のs.e.p.に関する出口点(EP)を見つける。
既知の局所最適解
からスタートし,予め定義された探索経路に沿った最適化問題(4-1)の目的関数のはじめの局所最大値である,述べられた出口点を計算するため,予め定義された探索経路にそって動く。
出口点計算のための別の方法:
からスタートとした探索経路に沿って移動し,時間ステップ毎に探索経路と非線形動的システム(5-7)のベクトル場の偏差の内積を計算する。内積の符号が正から負へ変わった時,インターバル
と呼ぶが,時刻
における探索経路の点,もしくは時刻
における探索経路の点が出口点を近似することに使うことが出来る。
無制約連続最適化問題(4-1)の局所最適解
(すなわち,関連した非線形動的システム(5-7)の安定平衡点(s.e.p.)),そしてs.e.p.からスタートする予め定義された探索軌道が与えられる時,最適化問題(4-1)に関連した非線形動的システム(5-7)の出口点計算の方法を開発する。これを以下に示す。
仮定: 局所最適解
,予め定義された探索経路と関連した非線形動的システム(5-7)を与える。
目的: 予め定義された探索経路と動的システム(5-7)のs.e.p.に関する出口点(EP)を見つける。
既知の局所最適解
からスタートし,予め定義された探索経路に沿った最適化問題(4-1)の目的関数のはじめの局所最大値である,述べられた出口点を計算するため,予め定義された探索経路にそって動く。
出口点計算のための別の方法:
からスタートとした探索経路に沿って移動し,時間ステップ毎に探索経路と非線形動的システム(5-7)のベクトル場の偏差の内積を計算する。内積の符号が正から負へ変わった時,インターバル
と呼ぶが,時刻
における探索経路の点,もしくは時刻
における探索経路の点が出口点を近似することに使うことが出来る。
5.3 動的分解点(DDP)の計算方法
無制約連続最適化問題(4-1)の局所最適解
(すなわち,関連した非線形動的システム(5-7)の安定平衡点(s.e.p.))そして,s.e.p.からスタートする予め定義された探索軌道が与えられる時,(5-7)のs.e.p.でもある局所最適解
と予め定義された探索経路に関する関連する非線形動的システム(5-7)のDDPを計算するための方法,ここで動的分解点(DDP)計算のための方法とよぶ,を開発することを以下に示す。
仮定: 最適化問題(4-1)の局所最適解
,予め定義された探索経路,そして関連した非線形動的システム(5-7)を与える。
目的: 予め定義された探索経路と局所最適解に関連する動的分解点(DDP)を見つける。
無制約連続最適化問題(4-1)の局所最適解
(すなわち,関連した非線形動的システム(5-7)の安定平衡点(s.e.p.))そして,s.e.p.からスタートする予め定義された探索軌道が与えられる時,(5-7)のs.e.p.でもある局所最適解
と予め定義された探索経路に関する関連する非線形動的システム(5-7)のDDPを計算するための方法,ここで動的分解点(DDP)計算のための方法とよぶ,を開発することを以下に示す。
仮定: 最適化問題(4-1)の局所最適解
,予め定義された探索経路,そして関連した非線形動的システム(5-7)を与える。
目的: 予め定義された探索経路と局所最適解に関連する動的分解点(DDP)を見つける。
ステップ1. 既知の最適解
からスタートし,システム(5-7)の
の準スタビリティーリージョンの出口点を計算するため,予め定義された探索経路
に沿って動く。出口点を
とする。
ステップ2.
からスタートし,以下のステップにより最少距離点(MDP)を計算する。
(i)関連した非線形動的システム(5-7)を数ステップ積分する。最終点を現在の出口点とする。
(ii)現在の出口点と局所最適解
をつなぐ線を引き,先に述べた現出口点と
から始まるすでに引かれた線上の目的関数のはじめの局所最大点である修正出口点を入れ替え,この修正出口点を出口点
に割り当てる。
(iii)ステップ(i)と(ii)を,ステップ(ii)で得られた先に述べられた現出口点ベクトル場(5-7)のノルムが閾値より小さくなる,すなわち
まで繰り返す。そして,述べられた点は最少距離点(MDP)
である。
ステップ3.初期推定値としての述べられたMDP
を用い,システム(5-7)の述べられたベクトル場
の非線形代数方程式の集合を解く。解は
と述べられた探索経路
に関するDDP
である。
からスタートし,システム(5-7)の
の準スタビリティーリージョンの出口点を計算するため,予め定義された探索経路
に沿って動く。出口点を
とする。
ステップ2.
からスタートし,以下のステップにより最少距離点(MDP)を計算する。
(i)関連した非線形動的システム(5-7)を数ステップ積分する。最終点を現在の出口点とする。
(ii)現在の出口点と局所最適解
をつなぐ線を引き,先に述べた現出口点と
から始まるすでに引かれた線上の目的関数のはじめの局所最大点である修正出口点を入れ替え,この修正出口点を出口点
に割り当てる。
(iii)ステップ(i)と(ii)を,ステップ(ii)で得られた先に述べられた現出口点ベクトル場(5-7)のノルムが閾値より小さくなる,すなわち
まで繰り返す。そして,述べられた点は最少距離点(MDP)
である。
ステップ3.初期推定値としての述べられたMDP
を用い,システム(5-7)の述べられたベクトル場
の非線形代数方程式の集合を解く。解は
と述べられた探索経路
に関するDDP
である。
5.4 別の局所最適解を見つけるためのEPベース法
最適化問題(4-1)のための,本発明は既知の局所最適解からスタートする局所最適解探索の出口点ベース(EPベース)法を開発する。
仮定:連続最適化問題(4-1)の局所最適解
を与える。
目的:連続最適化問題(4-1)の新しい局所最適解を見つける。
ステップ1. 既知の局所最適解
からスタートし,EP
を計算するため出口点(EP)計算の方法を非線形動的システム(5-7)に適用する。
ステップ2.
をセットする。ここで,εは小さな数である。
ステップ3.
から出発し,効果的な(ハイブリッド)局所探索法が過渡探索を上回るインターフェース点
に到達するまで,対応したシステム軌道を得るための非線形ダイナミカルシステム(5-7)を積分することにより過渡探索を導く。
ステップ4. インターフェース点
からスタートし,ステップ3で選択された(ハイブリッド)局所探索法を隣接した局所最適解を見つけるため適用する。
最適化問題(4-1)のための,本発明は既知の局所最適解からスタートする局所最適解探索の出口点ベース(EPベース)法を開発する。
仮定:連続最適化問題(4-1)の局所最適解
を与える。
目的:連続最適化問題(4-1)の新しい局所最適解を見つける。
ステップ1. 既知の局所最適解
からスタートし,EP
を計算するため出口点(EP)計算の方法を非線形動的システム(5-7)に適用する。
ステップ2.
をセットする。ここで,εは小さな数である。
ステップ3.
から出発し,効果的な(ハイブリッド)局所探索法が過渡探索を上回るインターフェース点
に到達するまで,対応したシステム軌道を得るための非線形ダイナミカルシステム(5-7)を積分することにより過渡探索を導く。
ステップ4. インターフェース点
からスタートし,ステップ3で選択された(ハイブリッド)局所探索法を隣接した局所最適解を見つけるため適用する。
5.5 別の局所最適解探索のDDPベース法
最適化問題(4-1)に対し,本発明は既知の局所解からスタートし,局所最適解を見つけるためのDDPベース法を開発する。
仮定:連続最適化問題(4-1)の局所最適解
を与える。
目的:連続最適化問題(4-1)の新しい局所最適解を見つける。
ステップ1. 既知の局所最適解
からスタートし,分解点を計算するための方法をDDP
を計算するためシステム(5-7)に適用する。
ステップ2.
をセットする。ここで,εは小さな数である。
ステップ3.
から出発し,効果的な(ハイブリッド)局所探索法が過渡探索を上回るインターフェース点
に到達するまで,対応したシステム軌道を得るための動的システム(5-7)を積分することにより過渡探索を導く。
ステップ4. インターフェース点
からスタートし,ステップ3で選択された(ハイブリッド)局所探索法を隣接した局所最適解を見つけるため適用する。
最適化問題(4-1)に対し,本発明は既知の局所解からスタートし,局所最適解を見つけるためのDDPベース法を開発する。
仮定:連続最適化問題(4-1)の局所最適解
を与える。
目的:連続最適化問題(4-1)の新しい局所最適解を見つける。
ステップ1. 既知の局所最適解
からスタートし,分解点を計算するための方法をDDP
を計算するためシステム(5-7)に適用する。
ステップ2.
をセットする。ここで,εは小さな数である。
ステップ3.
から出発し,効果的な(ハイブリッド)局所探索法が過渡探索を上回るインターフェース点
に到達するまで,対応したシステム軌道を得るための動的システム(5-7)を積分することにより過渡探索を導く。
ステップ4. インターフェース点
からスタートし,ステップ3で選択された(ハイブリッド)局所探索法を隣接した局所最適解を見つけるため適用する。
5.6 全ティア1局所最適解探索の動的方法
方法を示す前に,はじめに最適化問題(4-1)の連続解空間中(すなわち,関連した非線形動的システム(5-7)の状態空間)の既知の局所最適解に関するティア1局所最適解(すなわち,安定平衡点)とティアN局所最適解(すなわち,安定平衡点)の定義を以下に示す。
ティア1局所最適解: 関連した非線形動的システム(5-7)の
のスタビリティーリージョンの閉包と
のスタビリティーリージョンの閉包が互いに交差すれば,最適化問題(4-1)の局所最適解
は既知の局所最適解
のティア1局所最適と言われる。
ティアN局所最適解:
が次の2つの条件を満たせば,最適化問題(4-1)の局所最適解
は既知の局所最適解
のティアN(N>1)局所最適解と言われる。
(i)
は
のティア(N−2)もしくはティア(N−1) 局所最適解ではない。
(ii)
は
の1つのティア(N−1) 局所最適解のティア1局所最適解である
のティア0局所最適解は
自身であることは明らかである。
最適化問題(4-2),(4-3),(4-4)のティア1とティアN局所最適解は同様に定義される。
最適化問題(4-1)に対し,本発明は全てのティア1最適解を見つけるための方法の2つのグループを開発する。始めのグループはEPベース法で,2つめのグループはDDPベースである。
方法を示す前に,はじめに最適化問題(4-1)の連続解空間中(すなわち,関連した非線形動的システム(5-7)の状態空間)の既知の局所最適解に関するティア1局所最適解(すなわち,安定平衡点)とティアN局所最適解(すなわち,安定平衡点)の定義を以下に示す。
ティア1局所最適解: 関連した非線形動的システム(5-7)の
のスタビリティーリージョンの閉包と
のスタビリティーリージョンの閉包が互いに交差すれば,最適化問題(4-1)の局所最適解
は既知の局所最適解
のティア1局所最適と言われる。
ティアN局所最適解:
が次の2つの条件を満たせば,最適化問題(4-1)の局所最適解
は既知の局所最適解
のティアN(N>1)局所最適解と言われる。
(i)
は
のティア(N−2)もしくはティア(N−1) 局所最適解ではない。
(ii)
は
の1つのティア(N−1) 局所最適解のティア1局所最適解である
のティア0局所最適解は
自身であることは明らかである。
最適化問題(4-2),(4-3),(4-4)のティア1とティアN局所最適解は同様に定義される。
最適化問題(4-1)に対し,本発明は全てのティア1最適解を見つけるための方法の2つのグループを開発する。始めのグループはEPベース法で,2つめのグループはDDPベースである。
EPベース法
仮定:連続最適化問題(4-1)の局所最適解
を与える。
目的:連続最適化問題(4-1)の
の全ティア1局所最適解を見つける。
ステップ1. ティア1局所最適解の集合
を初期化し、
での探索経路
の集合を定義する。
とセットする。
ステップ2.
からスタートする全ての探索経路
に対し,対応する局所最適解を計算する。
(i) 別の局所最適解を見つけるため,EPベース法をシステム(5-7)に適用する。局所最適解が見つければ,
とし次のステップへ進む。そうでなければ,ステップ(iii)へ進む。
(ii)
が既に見つけられていないか,すなわち
であるか確認する。見つけられていなければ,
をセットする。
・ i=i+1とセットする。
・ i>mとなるまでステップ(i)から(iii)を繰り返す。
ステップ3.
のティア1局所最適解の集合
を出力する。
仮定:連続最適化問題(4-1)の局所最適解
を与える。
目的:連続最適化問題(4-1)の
の全ティア1局所最適解を見つける。
ステップ1. ティア1局所最適解の集合
を初期化し、
での探索経路
の集合を定義する。
とセットする。
ステップ2.
からスタートする全ての探索経路
に対し,対応する局所最適解を計算する。
(i) 別の局所最適解を見つけるため,EPベース法をシステム(5-7)に適用する。局所最適解が見つければ,
とし次のステップへ進む。そうでなければ,ステップ(iii)へ進む。
(ii)
が既に見つけられていないか,すなわち
であるか確認する。見つけられていなければ,
をセットする。
・ i=i+1とセットする。
・ i>mとなるまでステップ(i)から(iii)を繰り返す。
ステップ3.
のティア1局所最適解の集合
を出力する。
DDPベース法
仮定:連続最適化問題(4-1)の局所最適解
を与える。
目的:連続最適化問題(4-1)の
の全ティア1局所最適解を見つける。
ステップ1. 動的分解点の集合
とティア1局所最適解の集合
を初期化する。
ステップ2.
, i=1,2,…,mj
での探索経路
の集合を定義する。。i=1とセットする。
ステップ3.
からスタートする全ての探索経路
に対し,次のステップを用いて対応する局所最適解を計算する。
(i) 対応したDDPを見つけるため,動的分解点(DDP)を計算するための方法をシステム(5-7)に適用する。DDPが見つければ,次のステップへ進む。そうでなければ,ステップ(vi)へ進む。
(ii) 見つけられたDDPを
とし,集合
に属するか,すなわち,
であるかチェックする。もしそうであればステップ(vi)へ,そうでなければ
とセットし,次のステップへ進む。
(iii)
をセットする。ここで,εは小さな数である。
(iv)
から出発し,効果的なハイブリッド局所探索法が過渡探索を上回るインターフェース点
に到達するまで,対応したシステム軌道を得るための動的システム(5-7)を積分することにより過渡探索を導く。
・ インターフェース点
からスタートし,ステップ(iv)で選択されたハイブリッド局所探索法を,
に関連した局所最適解
を見つけるため適用する。そして
をセットする。
(vi) i=i+1をセットする。
(v) i>mjとなるまでステップ(i)から(vi)を繰り返す。
ステップ4.
のティア1局所最適解の集合
を出力する。
仮定:連続最適化問題(4-1)の局所最適解
を与える。
目的:連続最適化問題(4-1)の
の全ティア1局所最適解を見つける。
ステップ1. 動的分解点の集合
とティア1局所最適解の集合
を初期化する。
ステップ2.
, i=1,2,…,mj
での探索経路
の集合を定義する。。i=1とセットする。
ステップ3.
からスタートする全ての探索経路
に対し,次のステップを用いて対応する局所最適解を計算する。
(i) 対応したDDPを見つけるため,動的分解点(DDP)を計算するための方法をシステム(5-7)に適用する。DDPが見つければ,次のステップへ進む。そうでなければ,ステップ(vi)へ進む。
(ii) 見つけられたDDPを
とし,集合
に属するか,すなわち,
であるかチェックする。もしそうであればステップ(vi)へ,そうでなければ
とセットし,次のステップへ進む。
(iii)
をセットする。ここで,εは小さな数である。
(iv)
から出発し,効果的なハイブリッド局所探索法が過渡探索を上回るインターフェース点
に到達するまで,対応したシステム軌道を得るための動的システム(5-7)を積分することにより過渡探索を導く。
・ インターフェース点
からスタートし,ステップ(iv)で選択されたハイブリッド局所探索法を,
に関連した局所最適解
を見つけるため適用する。そして
をセットする。
(vi) i=i+1をセットする。
(v) i>mjとなるまでステップ(i)から(vi)を繰り返す。
ステップ4.
のティア1局所最適解の集合
を出力する。
5.7 全局所最適解探索の方法
最適化問題(4-1)に対し,本発明は全ての局所最適解を見つける2つの動的方法を開発する。はじめの方法はEPベース法で,一方,2つめの方法はDDPベース法である。
最適化問題(4-1)に対し,本発明は全ての局所最適解を見つける2つの動的方法を開発する。はじめの方法はEPベース法で,一方,2つめの方法はDDPベース法である。
EPベース法
仮定:連続最適化問題(4-1)の初期点
を与える。
目的:(i)連続最適化問題(4-1)の全ての局所最適解を見つける。
(ii)連続最適化問題(4-1)の大域最適解を見つける。
ステップ1.
からスタートし,局所最適解
を見つけるため効果的な(ハイブリッド)探索法を適用する。
ステップ2. j=0をセットする。局所最適解の集合
とティアj局所最適解の集合
を初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
中の各局所最適解
に対し,全ティア1局所最適解を見つける。
(i)
での探索経路
の集合を定義し、i=1にセットする。
(ii)
からスタートする全探索経路
に対する別の局所最適解を見つけるためEPベース法を適用する。もし局所最適解が見つかれば,それを
とし,次のステップへ進む。そうでなければ,ステップ(iv)へ進む。
(iii)
が既に見つかったか,すなわち
であるかチェックする。もしそれが新しい局所最適解であれば,
と
をセットする。
(iv) i=i+1とセットする。
(v) i>mjとなるまで,ステップ(ii)から(iv)まで繰り返す。
ステップ5. 全ての新しく計算された局所最適解の集合
が空であれば,ステップ6へ続く。そうでなければ,j=j+1とセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,
の集合から集合
の対応した目的関数値の比較と最も小さな値を持つものを選択することにより最良の最適解を特定する。そしてそれを大域最適解として出力する。
仮定:連続最適化問題(4-1)の初期点
を与える。
目的:(i)連続最適化問題(4-1)の全ての局所最適解を見つける。
(ii)連続最適化問題(4-1)の大域最適解を見つける。
ステップ1.
からスタートし,局所最適解
を見つけるため効果的な(ハイブリッド)探索法を適用する。
ステップ2. j=0をセットする。局所最適解の集合
とティアj局所最適解の集合
を初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
中の各局所最適解
に対し,全ティア1局所最適解を見つける。
(i)
での探索経路
の集合を定義し、i=1にセットする。
(ii)
からスタートする全探索経路
に対する別の局所最適解を見つけるためEPベース法を適用する。もし局所最適解が見つかれば,それを
とし,次のステップへ進む。そうでなければ,ステップ(iv)へ進む。
(iii)
が既に見つかったか,すなわち
であるかチェックする。もしそれが新しい局所最適解であれば,
と
をセットする。
(iv) i=i+1とセットする。
(v) i>mjとなるまで,ステップ(ii)から(iv)まで繰り返す。
ステップ5. 全ての新しく計算された局所最適解の集合
が空であれば,ステップ6へ続く。そうでなければ,j=j+1とセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,
の集合から集合
の対応した目的関数値の比較と最も小さな値を持つものを選択することにより最良の最適解を特定する。そしてそれを大域最適解として出力する。
DDPベース法
仮定:初期点
を与える。
目的:(i)連続最適化問題(4-1)の全ての局所最適解を見つける。
(ii)連続最適化問題(4-1)の大域最適解を見つける。
ステップ1.
からスタートし,局所最適解
を見つけるための効果的なハイブリッド探索法を適用する。
ステップ2. j=0をセットする。局所最適解の集合
,ティアj局所最適解の集合
,そして,見つけた動的分解点の集合
を初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
中の局所最適解
に対し,全ティア1局所最適解を見つける。
(i)
での探索経路
の集合を定義し、i=1にセットする。
(ii)
からスタートする全探索経路
に対する、対応する動的分解点(DDP)を見つけるため,非線形システム(5-7)へ効果的な方法を適用する。DDPが見つかれば次のステップへ進み,そうでなければ,ステップ(viii)へ進む。
(iii) 見つけられたDDPを
とし,それが集合
に属するか、すなわち
であるかをチェックする。もし属せば,ステップ(viii)へ進み,そうでなければ,
をセットし、次のステップへ進む。
(iv)
をセットする。ここでεは小さな数である。
(v)
からスタートし,効果的なハイブリッド局所探索法が過渡探索を上回るインターフェース点
に上記過渡探索が到達するまで,非線形動的システム(5-7)を積分することにより上記過渡探索を導き、対応したシステム軌道を得る。
(vi) インターフェース点
からスタートし,ステップ(v)で選択された効果的なハイブリッド局所探索法を、
で示される対応した局所最適解を見つけるため適用する。
(vii)
がすでに見つけられているか,すなわち
であるかチェックする。もしそれが新しい局所最適解であれば,
仮定:初期点
を与える。
目的:(i)連続最適化問題(4-1)の全ての局所最適解を見つける。
(ii)連続最適化問題(4-1)の大域最適解を見つける。
ステップ1.
からスタートし,局所最適解
を見つけるための効果的なハイブリッド探索法を適用する。
ステップ2. j=0をセットする。局所最適解の集合
,ティアj局所最適解の集合
,そして,見つけた動的分解点の集合
を初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
中の局所最適解
に対し,全ティア1局所最適解を見つける。
(i)
での探索経路
の集合を定義し、i=1にセットする。
(ii)
からスタートする全探索経路
に対する、対応する動的分解点(DDP)を見つけるため,非線形システム(5-7)へ効果的な方法を適用する。DDPが見つかれば次のステップへ進み,そうでなければ,ステップ(viii)へ進む。
(iii) 見つけられたDDPを
とし,それが集合
に属するか、すなわち
であるかをチェックする。もし属せば,ステップ(viii)へ進み,そうでなければ,
をセットし、次のステップへ進む。
(iv)
をセットする。ここでεは小さな数である。
(v)
からスタートし,効果的なハイブリッド局所探索法が過渡探索を上回るインターフェース点
に上記過渡探索が到達するまで,非線形動的システム(5-7)を積分することにより上記過渡探索を導き、対応したシステム軌道を得る。
(vi) インターフェース点
からスタートし,ステップ(v)で選択された効果的なハイブリッド局所探索法を、
で示される対応した局所最適解を見つけるため適用する。
(vii)
がすでに見つけられているか,すなわち
であるかチェックする。もしそれが新しい局所最適解であれば,
をセットする。
(viii) i=i+1をセットする。
(ix) i>mj kとなるまでステップ(ii)から(viii)を繰り返す。
ステップ5. 全ての新しく計算された局所最適解の集合
が空であれば,ステップ6へ続く。そうでなければ,j=j+1とセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,
の集合から、集合
の対応した目的関数値の比較と最も小さな値を持つものを選択することにより最良の最適解を特定する。そしてそれを大域最適解として出力する。
(viii) i=i+1をセットする。
(ix) i>mj kとなるまでステップ(ii)から(viii)を繰り返す。
ステップ5. 全ての新しく計算された局所最適解の集合
が空であれば,ステップ6へ続く。そうでなければ,j=j+1とセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,
の集合から、集合
の対応した目的関数値の比較と最も小さな値を持つものを選択することにより最良の最適解を特定する。そしてそれを大域最適解として出力する。
6.無制約離散最適化問題解法の動的方法
本節では,無制約離散最適化問題(4-3)を解くための動的方法を示す。
与えられた例(4-3)の大域最適解を見つける作業は非常に難しい。しかし,近傍に改善解がないという意味で,最善な局所最適解探索は通常可能である。この目的のため,特定できる近傍が必要である。近傍関数
は,各解
に対し、ある意味において
近傍の解の集合
に対し定義する写像である。集合
は解
の近傍と呼ばれる。全ての
に対し
であれば,
は近傍
に関する局所最適解(もしくは文章中で
と理解される時はいつでも,単に局所最適解)という。
本節では,無制約離散最適化問題(4-3)を解くための動的方法を示す。
与えられた例(4-3)の大域最適解を見つける作業は非常に難しい。しかし,近傍に改善解がないという意味で,最善な局所最適解探索は通常可能である。この目的のため,特定できる近傍が必要である。近傍関数
は,各解
に対し、ある意味において
近傍の解の集合
に対し定義する写像である。集合
は解
の近傍と呼ばれる。全ての
に対し
であれば,
は近傍
に関する局所最適解(もしくは文章中で
と理解される時はいつでも,単に局所最適解)という。
(4-3)の形をした多くの離散最適化問題はNP困難である。一般にNP困難問題は多項式境界計算時間内に最適に解くことができないと言われている。(4-3)の形をした離散最適化問題を解くため3つのアプローチが可能である。はじめの1つは多大な計算努力を要し,最適解を保証する列挙法である。別の方法は最適解に近い最適解探索のための多項式時間を有する近似アルゴリズムを使う。残りのアプローチは解の質もしくは計算時間の保証がない,ヒューリスティック技術,局所探索もしくは局所修正とよばれる,反復修正技術のいくつかのタイプを用いる。
局所探索は通常,多くの離散最適化問題を解くための選択のアプローチである。問題のサイズもしくは問題構造洞察の欠如のような因子は,通常,実離散最適化問題への列挙法の適用を禁止する。一方,多項式時間近似アルゴリズムは,性能の限界にかかわらず,不満足な解を与えるだろう。しかしながら,局所探索はロバストなアプローチを,合理的な時間内に,合理的なもしくは高品質であろう解を得るために,実問題に与える。局所探索アルゴリズムの基本的なバージョンは,任意の初期解からスタートし,コスト関数の(最小化のケースにおいて)より低い値の解のための近傍を探索する反復修正である。このような解が見つかれば,現在の解を交換し,探索を続ける。そうでなければ,現在の解は局所最適解であり,局所探索を終了する。
次に離散最適化問題(4-3)のための反復修正とよばれる局所探索アルゴリズムの基本的なバージョンを示す。
反復局所修正(局所探索)アルゴリズム
離散最適化問題(4-3)に対し,局所探索アルゴリズムは現在の解から進み,次のステップにより
の周りの適当な近傍
において,より上位の解を探すことにより
を修正しようとする。
ステップ1. 初期化:初期点
を選び,反復カウンタをk=1とする。
ステップ2. 修正:局所修正集合
を考慮する。ここで,
離散最適化問題(4-3)に対し,局所探索アルゴリズムは現在の解から進み,次のステップにより
の周りの適当な近傍
において,より上位の解を探すことにより
を修正しようとする。
ステップ1. 初期化:初期点
を選び,反復カウンタをk=1とする。
ステップ2. 修正:局所修正集合
を考慮する。ここで,
は
まわりの近傍である。集合が空であれば終了し,
が近傍
の局所最小値であり,そうでなければ,
として集合の1つを選び,k=k+1と増加させ,このステップを繰り返す。
局所探索アルゴリズムに関連した2つの問題がある。
(i)近傍
の定義。
(ii)集合
から
を選択するメカニズム。
まわりの近傍である。集合が空であれば終了し,
が近傍
の局所最小値であり,そうでなければ,
として集合の1つを選び,k=k+1と増加させ,このステップを繰り返す。
局所探索アルゴリズムに関連した2つの問題がある。
(i)近傍
の定義。
(ii)集合
から
を選択するメカニズム。
高品質の局所最適解を得るための効果的な近傍関数を見つける作業は,局所探索アルゴリズムの大きなチャンレンジである。効果的な近傍関数を見つける一般的な方法は現在ない。同じ問題に対してさえ,いくつかの有効な近傍関数があり,近傍の異なった定義は同じ局所探索アルゴリズムから異なった結果を導く。良い近傍関数のデザインはしばしば,研究問題の離散構造の優位となり,標準的に問題に依存する。問題(i)に言及すると,明らかに,適当な離散近傍は,現在解のいくつかの離散変種を含むに十分大きく,実用計算内に調査されるに十分小さい。表記上の簡単化のため,全ての変数は0-1制約と仮定する。
・ 単位近傍:与えられた解
に対し,
の単位近傍は一度に
の補完成分を形成により与えられる。すなわち,
・ 単位近傍:与えられた解
に対し,
の単位近傍は一度に
の補完成分を形成により与えられる。すなわち,
・ ペア関連相互交換近傍:ペア関連相互交換近傍は2つの2進成分を一度に交換する,しかし補完においてである。
多様性のため,近傍関数は探索過程において切り替えることができる。
本発明において,以下,近傍の3つの定義も使う。
即近傍:
と
の差が
のように表される場合のみ,点
は即近傍内にあると言われる。ここで,ただし
のみが1で,他はゼロである。従って,点
とその即近傍
の差は1である。
一方向拡張近傍(OWEN):
と
の差,すなわち
もしくは
が
のように表される場合のみ,点
は一方向拡張近傍内にあると言われる。ここで,
は0もしくは1である。
フル近傍:
と
の差,すなわち
もしくは
が
のように表される場合のみ,点
はフル近傍内にあると言われる。ここで,
は0,1もしくは−1である。
本発明において,以下,近傍の3つの定義も使う。
即近傍:
と
の差が
のように表される場合のみ,点
は即近傍内にあると言われる。ここで,ただし
のみが1で,他はゼロである。従って,点
とその即近傍
の差は1である。
一方向拡張近傍(OWEN):
と
の差,すなわち
もしくは
が
のように表される場合のみ,点
は一方向拡張近傍内にあると言われる。ここで,
は0もしくは1である。
フル近傍:
と
の差,すなわち
もしくは
が
のように表される場合のみ,点
はフル近傍内にあると言われる。ここで,
は0,1もしくは−1である。
点が即近傍に関する最小目的関数を持てば,その点は離散空間S内の即近傍に関する局所最適解である。点が一方向拡張近傍に関する最小目的関数を持てば,その点は離散空間S内の一方向拡張近傍に関する局所最適解である。点がフル近傍に関する最小目的関数を持てば,その点は離散空間S内のフル近傍に関する局所最適解である。次の事実は上の定義の結果である。
事実1: 点
が一方向拡張近傍に関する局所最適解であれば,その点は即近傍の局所最適解である。
事実2: 点
がフル近傍に関する局所最適解であれば,その点は即近傍の局所最適解と一方向拡張近傍の局所最適解である。
事実3: 無制離散最適化問題(4-3)に対し,
の大域最適解はフル近傍に関する局所最適解である。
離散最適化問題(4-3)に対し,習慣により近傍は即近傍と呼ばれる。局所最適解は即近傍に関する局所最適解と呼ばれる。
局所探索アルゴリズムに関連する問題(ii)解決のため,
を定義するための(すなわち,局所探索のステップ2の選択ルール)2つの一般的な反復修正局所探索アルゴリズムがある。
が一方向拡張近傍に関する局所最適解であれば,その点は即近傍の局所最適解である。
事実2: 点
がフル近傍に関する局所最適解であれば,その点は即近傍の局所最適解と一方向拡張近傍の局所最適解である。
事実3: 無制離散最適化問題(4-3)に対し,
の大域最適解はフル近傍に関する局所最適解である。
離散最適化問題(4-3)に対し,習慣により近傍は即近傍と呼ばれる。局所最適解は即近傍に関する局所最適解と呼ばれる。
局所探索アルゴリズムに関連する問題(ii)解決のため,
を定義するための(すなわち,局所探索のステップ2の選択ルール)2つの一般的な反復修正局所探索アルゴリズムがある。
最良近傍探索法
最良近傍探索法は
としての目的関数内に最急降下方向に近傍内に点を常に選択する。この方法は局所最適解を得る決定論的方法である。
より良い近傍探索法
としての最急降下方向を伴う近傍内の点を選択する変わりに,より良い近傍探索法は
としての目的関数内の降下方向を移動する近傍内の始めの点をとる。明らかにより良い近傍探索法は速い。しかしながら,近傍内の順列点の依存は検討される。この局所探索法はただ1つの結果に行きつかないであろう。特に,
が局所最適解から遠い時。この局所探索法は確率的性質であることは明らかである。
最良近傍探索法は
としての目的関数内に最急降下方向に近傍内に点を常に選択する。この方法は局所最適解を得る決定論的方法である。
より良い近傍探索法
としての最急降下方向を伴う近傍内の点を選択する変わりに,より良い近傍探索法は
としての目的関数内の降下方向を移動する近傍内の始めの点をとる。明らかにより良い近傍探索法は速い。しかしながら,近傍内の順列点の依存は検討される。この局所探索法はただ1つの結果に行きつかないであろう。特に,
が局所最適解から遠い時。この局所探索法は確率的性質であることは明らかである。
ここ30年以上,多くの局所探索アルゴリズムは開発され,離散最適化問題の多くに適用されてきた。これらのアルゴリズムの多くは特定的であり,あるタイプの離散最適化問題に適合される。さらに,それら方法の多くは局所最適解の探索のみに有効であり,大域最適解探索には有効でない。これらの探索プロセスの間,これらのアルゴリズムは通常,局所最適解にトラップされ,別の局所最適解への移動はできない。この欠点を改善し,しかし,近傍探索のパラダイム(方法論)を維持するため,いくつかの修正が提案されてきたが大きな成功例はない。局所探索の単純な拡張は異なったスタート解を用い,局所探索アルゴリズムを多数回実行し,最終解として最良な解をキープする。このマルチ・スタートアプローチに関する大きな成果は報告されていない。
反復修正局所探索アルゴリズムの欠点は,局所最適解から脱出するため探索プロセスを許すいくつかのメカニズムを導入することにより,より良い解を見つけるため設計された多くのより洗練された局所探索アルゴリズムの開発を動機つけた。基礎となる'脱出'メカニズムは局所最適解からの脱出を可能とするため,コスト悪化近傍を許容する適当な探索戦略を使う。シミュレーテッド・アニ−リング,遺伝的アルゴリズム,タブ・サーチ,ニューラル・ネットワークなどのいくつかの洗練された局所探索アルゴリズムがある。
しかしながら,これらの洗練された局所探索アルゴリズムは,他の問題において,徹底的な計算努力を要求し,大域的な最適解をみつけることができないことが,多くの研究の中に見つけられた。
本発明において,一般離散最適化問題の全ての局所最適解を見つけるための,決定論的な新しいシステマティックな方法を開発する。加え,無制約離散最適化問題(4-3)を解くための2つの動的方法が,本発明において,開発される。
・閉形式目的関数を有する無制約離散最適化問題解法の動的方法
・ブラックボックス目的関数を有する無制約離散最適化問題解法の動的方法
本発明において,2つの異なったアプローチを,すなわち,離散ベース動的アプローチと連続ベース動的アプローチを,ベースとしたいくつかの動的方法を開発する。加え,いくつかの効果的な方法が,大域的な最適解のための探索における次の2つの重要かつチャレンジな問題を記述するため,本発明にて,開発される。
(i)どのように効果的に,局所最適解から移動(脱出)し,他の局所最適解へ移動するか
(ii)どのようにすでに探索した局所最適解への再探索を防ぐか
・閉形式目的関数を有する無制約離散最適化問題解法の動的方法
・ブラックボックス目的関数を有する無制約離散最適化問題解法の動的方法
本発明において,2つの異なったアプローチを,すなわち,離散ベース動的アプローチと連続ベース動的アプローチを,ベースとしたいくつかの動的方法を開発する。加え,いくつかの効果的な方法が,大域的な最適解のための探索における次の2つの重要かつチャレンジな問題を記述するため,本発明にて,開発される。
(i)どのように効果的に,局所最適解から移動(脱出)し,他の局所最適解へ移動するか
(ii)どのようにすでに探索した局所最適解への再探索を防ぐか
6.1 離散ベース動的アプローチ
本節では,無制約離散最適化問題(4-3)を解くための離散ベース動的アプローチを開発する。
無制約離散最適化問題(4-3)を解くため,自律離散方程式の集合により記述される次の関連した非線形離散動的システムを考慮する。
本節では,無制約離散最適化問題(4-3)を解くための離散ベース動的アプローチを開発する。
無制約離散最適化問題(4-3)を解くため,自律離散方程式の集合により記述される次の関連した非線形離散動的システムを考慮する。
ここで,
は離散状態空間である。方程式(6-5)は写像もしくは反復として知られている。このような写像は
が
の項で陽的形式で与えられるため陽的であると呼ばれる。
からスタートする(6-5)の解はシステム軌道と呼ばれる。
であれば,点
は離散動的システム(6-5)の平衡点とよばれる。もしシステム軌道が平衡点に十分近い初期点
の選択により,平衡点の任意の近傍内に残れば平衡点は安定である。
は離散状態空間である。方程式(6-5)は写像もしくは反復として知られている。このような写像は
が
の項で陽的形式で与えられるため陽的であると呼ばれる。
からスタートする(6-5)の解はシステム軌道と呼ばれる。
であれば,点
は離散動的システム(6-5)の平衡点とよばれる。もしシステム軌道が平衡点に十分近い初期点
の選択により,平衡点の任意の近傍内に残れば平衡点は安定である。
全局所最適解の位置を特定するために実行される任意の軌道が非線形離散動的システム次の十分条件を提案する。
(LD1)- 非線形動的システム(6-5)の全ての軌道が収束し,平衡点の1つに収束する。そして,
(LD2)- 離散最適化問題の目的関数は離散動的システムの全ての軌道に沿って減少する。
(LD3)- 離散最適化問題(4-3)の全ての局所最適解は(6-5)の安定平衡点であり,その逆も成立する。
離散最適化問題(4-3)の全ての局所最適解は関連した離散動的システム(6-5)の任意の動的軌道を経由してシステマティックに計算される。これらの局所最適解から大域最適解は容易に得られる。
(LD1)- 非線形動的システム(6-5)の全ての軌道が収束し,平衡点の1つに収束する。そして,
(LD2)- 離散最適化問題の目的関数は離散動的システムの全ての軌道に沿って減少する。
(LD3)- 離散最適化問題(4-3)の全ての局所最適解は(6-5)の安定平衡点であり,その逆も成立する。
離散最適化問題(4-3)の全ての局所最適解は関連した離散動的システム(6-5)の任意の動的軌道を経由してシステマティックに計算される。これらの局所最適解から大域最適解は容易に得られる。
6.1.1 ハイブリッド局所探索法
初期点からスタートする(4-3)で記述される離散最適化問題の局所最適解を計算するための離散ベースハイブリッド局所探索法を以下に示す。
仮定:初期値
を与える。
目的:確実に局所最適解を計算する。
ステップ1. 初期点
から開始する効果的な反復修正局所探索アルゴリズムを離散最適化問題(4-3)に適用する。
ステップ2. 局所探索アルゴリズムが局所最適解へ収束すれば,停止。そうでなければ,次のステップへ進む。
ステップ3. 最終点を得るため探索過程を数ステップ継続し
から開始する最良近傍探索法を使用する。最終点を初期値としステップ1へ進む。
初期点からスタートする(4-3)で記述される離散最適化問題の局所最適解を計算するための離散ベースハイブリッド局所探索法を以下に示す。
仮定:初期値
を与える。
目的:確実に局所最適解を計算する。
ステップ1. 初期点
から開始する効果的な反復修正局所探索アルゴリズムを離散最適化問題(4-3)に適用する。
ステップ2. 局所探索アルゴリズムが局所最適解へ収束すれば,停止。そうでなければ,次のステップへ進む。
ステップ3. 最終点を得るため探索過程を数ステップ継続し
から開始する最良近傍探索法を使用する。最終点を初期値としステップ1へ進む。
6.1.2 出口点計算方法
局所最適解
から開始する探索経路の出口点を計算する方法を示す。
を経由する探索経路
は
を伴う変数tでパラメータ付けられたカーブであり,全ての時間tに対する探索空間(すなわち,解空間)内にある。
局所最適解
から開始する探索経路の出口点を計算する方法を示す。
を経由する探索経路
は
を伴う変数tでパラメータ付けられたカーブであり,全ての時間tに対する探索空間(すなわち,解空間)内にある。
既知の局所最適解から開始する最適化問題(4-3)に関連する離散動的システムの出口点を計算する方法,出口点計算のための離散ベース法と名づけられるが,を以下に示す。
仮定: 局所最適解
,予め定義された探索経路,関連した離散動的システム(6-5)を仮定する。
目的: 予め定義された探索経路に関する出口点(EP)とシステム(6-5)の安定平衡点
を見つける。
既知の局所最適解
から開始し,予め定義された探索経路に沿って最適化問題(4-3)の目的関数の始めの局所最大値である述べられた出口点を検出するため,予め定義された探索経路に沿って動く。
仮定: 局所最適解
,予め定義された探索経路,関連した離散動的システム(6-5)を仮定する。
目的: 予め定義された探索経路に関する出口点(EP)とシステム(6-5)の安定平衡点
を見つける。
既知の局所最適解
から開始し,予め定義された探索経路に沿って最適化問題(4-3)の目的関数の始めの局所最大値である述べられた出口点を検出するため,予め定義された探索経路に沿って動く。
6.1.3 DDP計算のための離散ベース法
最適化問題(4-3)の局所最適解
が与えられ,システム(6-5)の安定平衡点
と次の予め定義された探索経路に関連した動的分解点(DDP)計算のための離散ベース動的方法を開発する。
仮定:離散最適化問題(4-3)の局所最適解
と予め定義された探索経路を与える。
目的:離散ダイナミカルシステム(6-5)の動的分解点(DDP)を見つける。
ステップ1. 既知の局所最適解
から開始し,出口点を計算するため,予め定義された探索経路に沿って動く。出口点は
とする。
ステップ2.
から開始し,最良近傍探索法反復を1(前方)新しい点
に適用する。
ステップ3. 直線修正手順とDDP計算を実施する。
(i)
と
の直線を形成する。
(ii) ベクトル
と
の表現が可能であれば,(ii)(a)を実施。そうでなければ,他を実施。
(a) 2つのベクトル
と
の間の角度
を計算する。
が0度もしくは180度に近ければ,
はDDPであり,過程を停止する。そうでなければ,次のステップへ進む。
(ステップ(a)の別の方法)現在の
をアップデートされた探索経路上に乗せるため探索経路をアップデートする。3点
がアップデートされた探索経路上にあるかチェックする。そうであれば,
はDDPであり過程を停止する。そうでなければ,次のステップへ進む。
(iii)
を
から開始する直線に沿った目的関数の始めの局所最大値である点
に修正する。
が
に非常に近ければ,
はDDPであり過程を停止する。そうでなければ,次のステップへ進む。
ステップ4.
を出口点,すなわち,
最適化問題(4-3)の局所最適解
が与えられ,システム(6-5)の安定平衡点
と次の予め定義された探索経路に関連した動的分解点(DDP)計算のための離散ベース動的方法を開発する。
仮定:離散最適化問題(4-3)の局所最適解
と予め定義された探索経路を与える。
目的:離散ダイナミカルシステム(6-5)の動的分解点(DDP)を見つける。
ステップ1. 既知の局所最適解
から開始し,出口点を計算するため,予め定義された探索経路に沿って動く。出口点は
とする。
ステップ2.
から開始し,最良近傍探索法反復を1(前方)新しい点
に適用する。
ステップ3. 直線修正手順とDDP計算を実施する。
(i)
と
の直線を形成する。
(ii) ベクトル
と
の表現が可能であれば,(ii)(a)を実施。そうでなければ,他を実施。
(a) 2つのベクトル
と
の間の角度
を計算する。
が0度もしくは180度に近ければ,
はDDPであり,過程を停止する。そうでなければ,次のステップへ進む。
(ステップ(a)の別の方法)現在の
をアップデートされた探索経路上に乗せるため探索経路をアップデートする。3点
がアップデートされた探索経路上にあるかチェックする。そうであれば,
はDDPであり過程を停止する。そうでなければ,次のステップへ進む。
(iii)
を
から開始する直線に沿った目的関数の始めの局所最大値である点
に修正する。
が
に非常に近ければ,
はDDPであり過程を停止する。そうでなければ,次のステップへ進む。
ステップ4.
を出口点,すなわち,
とし,ステップ2へ進む。
6.1.4 他の局所最適解探索のためのEPベース法
最適化問題(4-3)の局所最適解
が与えられ,既知の局所最適解から開始する新しい局所最適解を見つけるための以下の離散ベース出口点ベース法を開発する。
仮定:最適化問題(4-3)の局所最適解
と予め定義された探索経路を与える。
目的:最適化問題(4-3)の新しい局所最適解を見つける。
ステップ1.
から開始し予め定義された探索経路に沿って動き,出口点(EP)計算のための離散ベース法を非線形動的システム(6-5)に適用する。EP,
をみつければ,次のステップへ進む。そうでなければ,過程を停止する。
ステップ2. 既知の出口点
から開始し,予め定義された探索経路に沿って,
から一段階,新しい点
へ移動する。(もしくは,表現が可能であれば,
を使用する。ここで,εは小さな数である。)
ステップ3.
から開始する最良近傍探索法を,効果的な離散ベース(ハイブリッド)局所探索法が最良近傍探索法より性能が優れているインターフェース点
を得るため適用する。
ステップ4. インターフェース点
から開始し,効果的なハイブリッド局所探索法,ステップ3で選択された,を近傍の局所最適解を見つけるため適用する。
最適化問題(4-3)の局所最適解
が与えられ,既知の局所最適解から開始する新しい局所最適解を見つけるための以下の離散ベース出口点ベース法を開発する。
仮定:最適化問題(4-3)の局所最適解
と予め定義された探索経路を与える。
目的:最適化問題(4-3)の新しい局所最適解を見つける。
ステップ1.
から開始し予め定義された探索経路に沿って動き,出口点(EP)計算のための離散ベース法を非線形動的システム(6-5)に適用する。EP,
をみつければ,次のステップへ進む。そうでなければ,過程を停止する。
ステップ2. 既知の出口点
から開始し,予め定義された探索経路に沿って,
から一段階,新しい点
へ移動する。(もしくは,表現が可能であれば,
を使用する。ここで,εは小さな数である。)
ステップ3.
から開始する最良近傍探索法を,効果的な離散ベース(ハイブリッド)局所探索法が最良近傍探索法より性能が優れているインターフェース点
を得るため適用する。
ステップ4. インターフェース点
から開始し,効果的なハイブリッド局所探索法,ステップ3で選択された,を近傍の局所最適解を見つけるため適用する。
6.1.5 別の局所最適解探索のためのDDPベース法
最適化問題(4-3)のため,本発明は既知の解から開始する局所最適解探索のためのDDPベース法開発する。このDDPベース法は,決定論的であり,以下に示す。
仮定:離散最適化問題(4-3)の局所最適解
と予め定義された探索経路を与える。
目的:予め定義された探索経路に関する最適化問題(4-3)の新しい局所最適解を見つける。
ステップ1.
から開始し予め定義された探索経路に沿って動き,動的分解点(DDP)計算のための方法を適用する。DDPが見つからない場合は過程を停止する。そうでなければ,次のステップへ進む。
ステップ2. 既知のDDPから開始し,最後の出口点
の修正に使用されたアップデートされた探索経路に沿って
から一段階,数反復回数,点
へ動く。(もしくは表現が可能であれば,
を使う,ここでεは小さな数)
ステップ3. 最良近傍探索法を
から開始する関連した離散非線形動的システム(6-5)へ,効果的なハイブリッド局所探索法が最良近傍探索法より性能が優れているインターフェース点
を得るため適用する。
ステップ4. インターフェース点
から開始し,効果的なハイブリッド局所探索法,ステップ3で選択された,を近傍の局所最適解を見つけるため適用する。
最適化問題(4-3)のため,本発明は既知の解から開始する局所最適解探索のためのDDPベース法開発する。このDDPベース法は,決定論的であり,以下に示す。
仮定:離散最適化問題(4-3)の局所最適解
と予め定義された探索経路を与える。
目的:予め定義された探索経路に関する最適化問題(4-3)の新しい局所最適解を見つける。
ステップ1.
から開始し予め定義された探索経路に沿って動き,動的分解点(DDP)計算のための方法を適用する。DDPが見つからない場合は過程を停止する。そうでなければ,次のステップへ進む。
ステップ2. 既知のDDPから開始し,最後の出口点
の修正に使用されたアップデートされた探索経路に沿って
から一段階,数反復回数,点
へ動く。(もしくは表現が可能であれば,
を使う,ここでεは小さな数)
ステップ3. 最良近傍探索法を
から開始する関連した離散非線形動的システム(6-5)へ,効果的なハイブリッド局所探索法が最良近傍探索法より性能が優れているインターフェース点
を得るため適用する。
ステップ4. インターフェース点
から開始し,効果的なハイブリッド局所探索法,ステップ3で選択された,を近傍の局所最適解を見つけるため適用する。
6.1.6 全ティア1局所最適解を見つける動的離散ベース法
最適化問題(4-3)に対し,既知の局所最適解から開始する,全ティア1局所最適解を見つける次の動的方法を開発する。
仮定:最適化問題(4-3)の局所最適解
を与える。
目的:
の全ティア1局所最適解を見つける。
ステップ1. ティア1局所最適解の集合
を初期化し,
の探索経路の集合
を定義する。i=1にセットする。
ステップ2.
から開始し,それぞれの探索経路
に沿って動き,離散ベースEPベース法(もしくはDDPベース法)を最適化問題(4-3)の局所最適解(すなわち,離散最適化問題(6-5)の安定平衡点)を見つけるため適用する。局所最適解が見つかれば,
とし次のステップへ進む。そうでなければ,ステップ4へ進む。
ステップ3.
が既に見つかっているか,すなわち
,であるかチェックする。見つかっていなければ,
をセットする。
ステップ4. i=i+1とセットする。
ステップ5. i>mとなるまでステップ2からステップ4を繰り返す。
ステップ6.
のティア1局所最適解の集合
を出力する。
最適化問題(4-3)に対し,既知の局所最適解から開始する,全ティア1局所最適解を見つける次の動的方法を開発する。
仮定:最適化問題(4-3)の局所最適解
を与える。
目的:
の全ティア1局所最適解を見つける。
ステップ1. ティア1局所最適解の集合
を初期化し,
の探索経路の集合
を定義する。i=1にセットする。
ステップ2.
から開始し,それぞれの探索経路
に沿って動き,離散ベースEPベース法(もしくはDDPベース法)を最適化問題(4-3)の局所最適解(すなわち,離散最適化問題(6-5)の安定平衡点)を見つけるため適用する。局所最適解が見つかれば,
とし次のステップへ進む。そうでなければ,ステップ4へ進む。
ステップ3.
が既に見つかっているか,すなわち
,であるかチェックする。見つかっていなければ,
をセットする。
ステップ4. i=i+1とセットする。
ステップ5. i>mとなるまでステップ2からステップ4を繰り返す。
ステップ6.
のティア1局所最適解の集合
を出力する。
6.1.7 全局所最適解を見つける動的離散ベース法
与えられた初期点から開始する,離散最適化問題(4-3)の全ての局所最適解を見つける動的離散ベース法を以下に開発する。
仮定:初期点
を与える。
目的:(i)離散最適化問題(4-3)の全局所最適解を見つける。
(ii)離散最適化問題(4-3)の大域最適解を見つける。
ステップ1.
から開始し,効果的な(ハイブリッド)探索法を局所最適解
を見つけるために適用する。
ステップ2. j=0をセットする。局所最適解の集合
,ティアjの局所最適解の集合
を初期化する。
ステップ3. ティア(j+1)の局所最適解の集合
を初期化する。
ステップ4.
内の各局所最適解
に対し,それのティア1局所最適解を見つける。
(i)
の探索経路
の集合を定義する。i=1をセットする。
(ii)
から開始し,それぞれの探索経路
に沿って動き,EPベース法(もしくはDDPベース法)を最適化問題(4-3)の局所最適解(すなわち,離散最適化問題(6-5)の安定平衡点)を見つけるため適用する。局所最適解が見つかれば,
とし次のステップへ進む。そうでなければ,ステップ(iv)へ進む。
(iii)
が既に見つかったか,すなわち
であるか確認する。見つかっていなければ,
をセットする。
(iv) i=i+1をセットする。
(v) i>mjとなるまでステップ(ii)からステップ(iv)を繰り返す。
ステップ5. 全ての新しく計算された局所最適解の集合
が空であれば,ステップ6を継続する。そうでなければ,j=j+1をセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
内の対応する目的関数値の比較により集合
から大域最適解を特定し,最小値を有するものを選択する。これを探索した大域最適解として出力する。
与えられた初期点から開始する,離散最適化問題(4-3)の全ての局所最適解を見つける動的離散ベース法を以下に開発する。
仮定:初期点
を与える。
目的:(i)離散最適化問題(4-3)の全局所最適解を見つける。
(ii)離散最適化問題(4-3)の大域最適解を見つける。
ステップ1.
から開始し,効果的な(ハイブリッド)探索法を局所最適解
を見つけるために適用する。
ステップ2. j=0をセットする。局所最適解の集合
,ティアjの局所最適解の集合
を初期化する。
ステップ3. ティア(j+1)の局所最適解の集合
を初期化する。
ステップ4.
内の各局所最適解
に対し,それのティア1局所最適解を見つける。
(i)
の探索経路
の集合を定義する。i=1をセットする。
(ii)
から開始し,それぞれの探索経路
に沿って動き,EPベース法(もしくはDDPベース法)を最適化問題(4-3)の局所最適解(すなわち,離散最適化問題(6-5)の安定平衡点)を見つけるため適用する。局所最適解が見つかれば,
とし次のステップへ進む。そうでなければ,ステップ(iv)へ進む。
(iii)
が既に見つかったか,すなわち
であるか確認する。見つかっていなければ,
をセットする。
(iv) i=i+1をセットする。
(v) i>mjとなるまでステップ(ii)からステップ(iv)を繰り返す。
ステップ5. 全ての新しく計算された局所最適解の集合
が空であれば,ステップ6を継続する。そうでなければ,j=j+1をセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
内の対応する目的関数値の比較により集合
から大域最適解を特定し,最小値を有するものを選択する。これを探索した大域最適解として出力する。
6.2.連続ベース動的アプローチ
本発明の具体化において,解析的かつ閉形式の目的関数を有する無制約離散最適化問題(4-3)を解くための連続ベース動的アプローチを使用した動的方法を開発する。動的方法の基本的なアイディアは等価な最適化問題を,はじめに連続状態空間内で解き,必要であれば次に離散状態空間内で解くことである。ブラックボックス形式の最適化問題(4-3)に対する連続ベースアプローチの適用可能性は条件付であり,以下の節で提示される。
本発明の具体化において,解析的かつ閉形式の目的関数を有する無制約離散最適化問題(4-3)を解くための連続ベース動的アプローチを使用した動的方法を開発する。動的方法の基本的なアイディアは等価な最適化問題を,はじめに連続状態空間内で解き,必要であれば次に離散状態空間内で解くことである。ブラックボックス形式の最適化問題(4-3)に対する連続ベースアプローチの適用可能性は条件付であり,以下の節で提示される。
等価アプローチ
無制約離散最適化問題(4-3)をユークリッド空間内で定義された次の等価連続最適化問題への変換を見つけることを提案する。
無制約離散最適化問題(4-3)をユークリッド空間内で定義された次の等価連続最適化問題への変換を見つけることを提案する。
ここで
はユークリッド空間
で定義された連続関数,nはオリジナル状態空間Sの自由度の数である。変換は次のガイドラインを満たすことを提案する。
(G1)オリジナル最適化問題(4-3)と等価最適化問題(6-6)は同じ大域最適解を有する。(すなわち,
が
の大域最適解の場合のみ,
は
の大域最適解である。)
(G2)オリジナル最適化問題(4-3)と等価最適化問題(6-6)は,可能な限り多くの同じ局所最適解を有する。
はユークリッド空間
で定義された連続関数,nはオリジナル状態空間Sの自由度の数である。変換は次のガイドラインを満たすことを提案する。
(G1)オリジナル最適化問題(4-3)と等価最適化問題(6-6)は同じ大域最適解を有する。(すなわち,
が
の大域最適解の場合のみ,
は
の大域最適解である。)
(G2)オリジナル最適化問題(4-3)と等価最適化問題(6-6)は,可能な限り多くの同じ局所最適解を有する。
等価アプローチにおいて,等価非線形最適化問題(6-6)の大域最適解を経由して(4-3)の大域最適解を見つける。従って,(6-6)の最適化問題の大域最適解と全ての局所最適解を見つけるための開発技術は離散最適化問題(4-3)を解くことに適用可能である。
はじめに上述の2つのガイドラインを満たす変換を構築する技術を以下で開発する。
はじめに上述の2つのガイドラインを満たす変換を構築する技術を以下で開発する。
は以下のように構築される。
ここで係数
,そしてLはオリジナル目的関数
のリプシュッツ定数である。
変換技術は離散最適化問題(4-3)を連続最適化問題(6-7)への変換手段である。変換は
が微分可能であれば状態空間全体において微分できるメリットがある。計算手順は容易であり,変換の理論的解析が可能である。
は連続関数,かつ
,そしてLはオリジナル目的関数
のリプシュッツ定数である。
変換技術は離散最適化問題(4-3)を連続最適化問題(6-7)への変換手段である。変換は
が微分可能であれば状態空間全体において微分できるメリットがある。計算手順は容易であり,変換の理論的解析が可能である。
は連続関数,かつ
はオリジナル問題(4-3)と同じ大域最適解を有することが示される。しかしながら,変換はオリジナル問題には属さない新しい局所最適解を導入する可能性がある。このデメリットは変換問題(6-7)の局所最適解を計算し,大域最適解の探索において相当余分な計算負荷の原因となる。加えて,この変換は解析可能で閉形式目的関数を有する離散最適化問題(4-3)のクラスのみに適用可能である。
本発明の具体化において,上で提案したガイドライン(G1)と(G2)が成立する別の新しい変換を開発する。
本発明の具体化において,上で提案したガイドライン(G1)と(G2)が成立する別の新しい変換を開発する。
区分線形変換
オリジナル問題(4-3)が与えられ,本発明は次の変換を開発する。
オリジナル問題(4-3)が与えられ,本発明は次の変換を開発する。
ここで,dist(x,y)はxとyの距離である。多くのケースでは,ユークリッド距離が使用される。
であり,
であり,
は
と同じもしくはこれ以上の最少整数を表し,
であり,
であり,
は
と同じもしくはこれ以下の最少整数を表す。
この変換は以下に述べるいくつかの望ましい性質を有する。
性質1:
は,ほとんどどこでも連続である。
補題: 点
とその一方向拡張近傍点
を与える。
と2点
,
により記述される単位開ボックスにより形成される結合領域を定義する。
と
のいずれかは結合領域内において変換された目的関数
の最大点もしくは最少点である。
性質2:
の局所最適解はオリジナル問題(4-3)の一方向拡張近傍(OWEN)に関する局所最適解と同一である。
性質3:
はオリジナル最適化問題(4-3)と同一の大域最適解を有す。
であり,
であり,
は
と同じもしくはこれ以上の最少整数を表し,
であり,
であり,
は
と同じもしくはこれ以下の最少整数を表す。
この変換は以下に述べるいくつかの望ましい性質を有する。
性質1:
は,ほとんどどこでも連続である。
補題: 点
とその一方向拡張近傍点
を与える。
と2点
,
により記述される単位開ボックスにより形成される結合領域を定義する。
と
のいずれかは結合領域内において変換された目的関数
の最大点もしくは最少点である。
性質2:
の局所最適解はオリジナル問題(4-3)の一方向拡張近傍(OWEN)に関する局所最適解と同一である。
性質3:
はオリジナル最適化問題(4-3)と同一の大域最適解を有す。
上で導出された3つの性質は,開発された変換がガイドライン(G1)と(G2)を満たすことを主張している。性質2は変換された問題はオリジナル問題より多くの局所最適解を有さないことを述べている。事実,変換問題の局所最適解は即近傍の変わりに一方向拡張近傍に関連したオリジナル問題の局所最適解である。変換された問題は一般にオリジナル問題(4-3)より少ない局所最適解を有する。これは,浅い局所最適解(大域最適解以外の局所最適解の意味)をスキップすることにより,大域最適解の探索で要求される計算時間を低減することができる望ましい性質である。この変換はDDPベース法で離散問題を効果的解くために適用することに影響を与える。性質3は変換問題とオリジナル問題が同じ大域最適解を有することを述べている。この変換は解析的で陽形式目的関数を有する最適化問題(4-3)に適用する。また,この変換は,状態空間内において任意の2点間の距離が十分に定義される,ブラックボックス目的関数を有する最適化問題(4-3)に適用する。
拡張アプローチ
目下,変換による連続ベース動的アプローチに焦点をあてた。最適化問題(4-3)の離散解空間の直接拡張を同じ形式を持つ目的関数の連続解空間に実施することにより別の連続ベースアプローチが開発される。拡張された連続最適化問題とよばれる結果としての問題は,以下となる。
目下,変換による連続ベース動的アプローチに焦点をあてた。最適化問題(4-3)の離散解空間の直接拡張を同じ形式を持つ目的関数の連続解空間に実施することにより別の連続ベースアプローチが開発される。拡張された連続最適化問題とよばれる結果としての問題は,以下となる。
ここで,目的関数
は閉形式表現を有する。nはオリジナル解空間Sの自由度の数である。オリジナル問題(4-3)の最適解と拡張された最適化問題(6-9)の最適解は異なるが,お互いそれほど違いはないことは明らかである。
は閉形式表現を有する。nはオリジナル解空間Sの自由度の数である。オリジナル問題(4-3)の最適解と拡張された最適化問題(6-9)の最適解は異なるが,お互いそれほど違いはないことは明らかである。
第1ステージでは,拡張最適化問題(6-9)のような,近似最適化問題の解法と,第2ステージでは,初期条件として第1ステージにて得られた結果を用いてオリジナル最適化問題(4-3)の解法を通し,オリジナル最適化問題(4-3)を解くことができる。この2つのステージのアプローチから得られる解はオリジナル最適化問題(4-3)の局所最適解である。
目的関数の変換の導入とともに,等価アプローチは離散最適化問題(4-3)をオリジナル問題(4-3)と同じ解空間を有する(6-6)の形式に変換する。同じ目的関数を有する拡張解空間(すなわち,連続解空間)の導入とともに,拡張アプローチは離散最適化問題(4-3)を(6-9)の形式に変換する。加え,説明の明快のため,拡張連続最適化問題(6-9)はもちろん,等価連続最適化問題(6-6)を次の一般形にする。
ここで,目的関数
は閉形式表現を有する。nはオリジナル解空間Sの自由度の数である。解空間は連続となる。
無制約連続最適化問題に属す変換された最適化問題(6-10)は(4-1)で記述される。5節の条件(LC1)-(LC3)を満たす最適化問題(6-10)に関連した非線形動的システムは構築され,次の一般形となる。
は閉形式表現を有する。nはオリジナル解空間Sの自由度の数である。解空間は連続となる。
無制約連続最適化問題に属す変換された最適化問題(6-10)は(4-1)で記述される。5節の条件(LC1)-(LC3)を満たす最適化問題(6-10)に関連した非線形動的システムは構築され,次の一般形となる。
一般形式(6-10)で表現される,等価最適化問題(6-6)もしくは拡張最適化問題(6-9)を解くための連続アプローチにより離散最適化問題(4-3)の体系的に全ての局所最適解を計算する動的方法を開発する。
6.2.1 ハイブリッド局所探索法
初期点から開始し連続解空間内の無制約離散最適化問題(4-3)のための局所最適解を得るハイブリッド局所探索法を次に示す。
仮定:初期点
を与える。
目的:確実に無制約離散問題(4-3)の局所最適解を見つける。
ステップ1. 初期点
から開始し,効果的な局所探索アルゴリズムを無制約離散問題(4-3)に適用する。
ステップ2. 局所探索アルゴリズムが局所最適解へ収束すれば,ステップ4へ進む。そうでなければ,初期点
として最終点をセットし,次のステップへ進む。
ステップ3. 上記の初期点
から開始し,非線形動的システム(6-11)を数回,最終点を得るため,積分する。初期点として最終点をセットし,ステップ1へ進む。
ステップ4. (拡張アプローチのため)計算された連続局所最適解はm,つまり2,最近傍距離
まで,端数を切り捨てる。2つの選択肢が可能である。局所最適解としての最小値を有するポイントを選択し,過程を停止する。もしくは,ステップ5への初期点としてそれらを使う。
ステップ5. (拡張アプローチのため)より良い近傍局所探索を,m局所最適解
を得るため,それぞれ各初期点へ適用する。オリジナル問題(4-3)の局所最適解としての最小値を有するポイントを出力する
初期点から開始し連続解空間内の無制約離散最適化問題(4-3)のための局所最適解を得るハイブリッド局所探索法を次に示す。
仮定:初期点
を与える。
目的:確実に無制約離散問題(4-3)の局所最適解を見つける。
ステップ1. 初期点
から開始し,効果的な局所探索アルゴリズムを無制約離散問題(4-3)に適用する。
ステップ2. 局所探索アルゴリズムが局所最適解へ収束すれば,ステップ4へ進む。そうでなければ,初期点
として最終点をセットし,次のステップへ進む。
ステップ3. 上記の初期点
から開始し,非線形動的システム(6-11)を数回,最終点を得るため,積分する。初期点として最終点をセットし,ステップ1へ進む。
ステップ4. (拡張アプローチのため)計算された連続局所最適解はm,つまり2,最近傍距離
まで,端数を切り捨てる。2つの選択肢が可能である。局所最適解としての最小値を有するポイントを選択し,過程を停止する。もしくは,ステップ5への初期点としてそれらを使う。
ステップ5. (拡張アプローチのため)より良い近傍局所探索を,m局所最適解
を得るため,それぞれ各初期点へ適用する。オリジナル問題(4-3)の局所最適解としての最小値を有するポイントを出力する
6.2.2 出口点計算のための連続ベース法
既知の局所最適解から開始する最適化問題(4-3)に関連する連続動的システム(6-11)の出口点計算のための連続ベース法,つまり出口点計算のための方法,を次に示す。
仮定: 離散最適化問題(4-3)の局所最適解
,予め定義された探索経路,関連した非線形連続動的システム(6-11)を与える。
目的: ダイナミカルシステム(5-7)の予め定義された探索経路と安定平衡点
に関連したダイナミカルシステム(6-11)の出口点を見つける。
既知の最適解
から開始し,予め定義された探索経路に沿う連続目的関数(6-10)の最初の局所最大値である,上述した出口点を検出するため,予め定義された探索経路に沿って動く。
出口点計算のための別の方法:
から開始する探索経路に沿って動く。そして,各時間ステップで,探索経路の微分と非線形動的システム(6-11)のベクトル場の内積を計算する。内積の符号が正から負へ変わるとき,つまり,間隔
で,時間
での探索経路の点もしくは,時間
での探索経路の点が近似された出口点として使用できる。
既知の局所最適解から開始する最適化問題(4-3)に関連する連続動的システム(6-11)の出口点計算のための連続ベース法,つまり出口点計算のための方法,を次に示す。
仮定: 離散最適化問題(4-3)の局所最適解
,予め定義された探索経路,関連した非線形連続動的システム(6-11)を与える。
目的: ダイナミカルシステム(5-7)の予め定義された探索経路と安定平衡点
に関連したダイナミカルシステム(6-11)の出口点を見つける。
既知の最適解
から開始し,予め定義された探索経路に沿う連続目的関数(6-10)の最初の局所最大値である,上述した出口点を検出するため,予め定義された探索経路に沿って動く。
出口点計算のための別の方法:
から開始する探索経路に沿って動く。そして,各時間ステップで,探索経路の微分と非線形動的システム(6-11)のベクトル場の内積を計算する。内積の符号が正から負へ変わるとき,つまり,間隔
で,時間
での探索経路の点もしくは,時間
での探索経路の点が近似された出口点として使用できる。
6.2.3 DDP計算の方法
最適化問題(4-3)の局所最適解
が与えられ,システム(6-11)の安定平衡点
と予め定義された探索経路に関連する関連した非線形動的システム(6-11)のDDP計算の連続ベース法を以下に開発する。
ステップ1. 既知の局所最適解
から開始し,システム(6-11)の
の準スタビリティーリージョンの出口点を計算するため,予め定義された探索経路
に沿って動く。出口点を
とする。
ステップ2.
から開始し,次のステップにより最短距離点(MDP)を計算する。
(i). 関連する非線形システム(6-11)を数ステップ積分し,最終点を現在出口点とする。
(ii). 現在出口点と局所最適解
を結ぶ線を描き,
から開始し,述べられた現在出口点を,(6-10)で記述される連続目的関数の直線に沿ったはじめの局所最大点である修正出口点に置きかえ,この修正された出口点を記述された出口点
に割り当てる。
(iii). ステップ(ii)で得られ,すでに述べられた現在出口点におけるベクトル場(6-10)のノルムが閾値より小さくなる,すなわち
,まで,ステップ(i)から(ii)を繰り返す。次に,述べられた点は最短距離点(MDP)
と表せられる。
ステップ3. 初期推定値として述べられたMDP
を用い,解が関連するダイナミカルシステム(6-11)の
と述べられた探索経路
に関するDDP
であるシステム(6-11)の述べられたベクトル場
の非線形代数方程式の集合を解く。
最適化問題(4-3)の局所最適解
が与えられ,システム(6-11)の安定平衡点
と予め定義された探索経路に関連する関連した非線形動的システム(6-11)のDDP計算の連続ベース法を以下に開発する。
ステップ1. 既知の局所最適解
から開始し,システム(6-11)の
の準スタビリティーリージョンの出口点を計算するため,予め定義された探索経路
に沿って動く。出口点を
とする。
ステップ2.
から開始し,次のステップにより最短距離点(MDP)を計算する。
(i). 関連する非線形システム(6-11)を数ステップ積分し,最終点を現在出口点とする。
(ii). 現在出口点と局所最適解
を結ぶ線を描き,
から開始し,述べられた現在出口点を,(6-10)で記述される連続目的関数の直線に沿ったはじめの局所最大点である修正出口点に置きかえ,この修正された出口点を記述された出口点
に割り当てる。
(iii). ステップ(ii)で得られ,すでに述べられた現在出口点におけるベクトル場(6-10)のノルムが閾値より小さくなる,すなわち
,まで,ステップ(i)から(ii)を繰り返す。次に,述べられた点は最短距離点(MDP)
と表せられる。
ステップ3. 初期推定値として述べられたMDP
を用い,解が関連するダイナミカルシステム(6-11)の
と述べられた探索経路
に関するDDP
であるシステム(6-11)の述べられたベクトル場
の非線形代数方程式の集合を解く。
6.2.4 別の局所最適解を見つけるEPベース法
最適化問題(4-3)に対し,本発明は既知の局所最適解から開始し,局所最適解を見つける出口点ベース(EPベース)法を開発する。
仮定:離散最適化問題(4-3)の局所最適解
を与える。
目的:離散最適化問題(4-3)の新しい局所最適解を見つける。
ステップ1. 既知の最適解
から開始し,出口点(EP)を計算する方法を非線形動的システム(6-11)へEP
を計算するため適用する。
ステップ2.
をセットする。ここでεは小さな数である。
ステップ3.
から開始し,効果的な(ハイブリッド)局所探索法が過渡的な探索の性能を上回る,インターフェース点
に到達するまで,一致するシステム軌道を得るため,非線形ダイナミックシステム(6-11)を積分することにより過渡的な探索を導く。
(ステップ3の代替)
から遠い方向の中であるが,
方向に近い中で,
の端数を切り捨て,新しい点
とする。
から開始し,最良近傍探索法を,効果的な(ハイブリッド)局所探索法が最良近傍探索の性能を上回るインターフェース点
得るため適用する。
ステップ4. インターフェース点
から開始し,(ハイブリッド)局所探索法を,ステップ3で選択された,問題(4-3)へ近傍局所最適解を見つけるため適用する。
最適化問題(4-3)に対し,本発明は既知の局所最適解から開始し,局所最適解を見つける出口点ベース(EPベース)法を開発する。
仮定:離散最適化問題(4-3)の局所最適解
を与える。
目的:離散最適化問題(4-3)の新しい局所最適解を見つける。
ステップ1. 既知の最適解
から開始し,出口点(EP)を計算する方法を非線形動的システム(6-11)へEP
を計算するため適用する。
ステップ2.
をセットする。ここでεは小さな数である。
ステップ3.
から開始し,効果的な(ハイブリッド)局所探索法が過渡的な探索の性能を上回る,インターフェース点
に到達するまで,一致するシステム軌道を得るため,非線形ダイナミックシステム(6-11)を積分することにより過渡的な探索を導く。
(ステップ3の代替)
から遠い方向の中であるが,
方向に近い中で,
の端数を切り捨て,新しい点
とする。
から開始し,最良近傍探索法を,効果的な(ハイブリッド)局所探索法が最良近傍探索の性能を上回るインターフェース点
得るため適用する。
ステップ4. インターフェース点
から開始し,(ハイブリッド)局所探索法を,ステップ3で選択された,問題(4-3)へ近傍局所最適解を見つけるため適用する。
6.2.5 別の局所最適解を見つけるDDPベース法
最適化問題(4-3)のため,本発明は既知の最適解から開始する局所最適解を見つけるDDPベース法を開発する。
仮定:最適化問題(4-3)の局所最適解
を与える。
目的:最適化問題(4-3)の新しい局所最適解を見つける。
ステップ1. 既知の最適解
から開始し,ダイナミック分解点(DDP)を計算する方法をシステム(6-11)へDDP
を見つけるため適用する。
ステップ2.
をセットする。ここでεは小さな数である。
ステップ3.
から開始し,効果的な(ハイブリッド)局所探索法が過渡探索の性能を上回る,インターフェース点
に到達するまで,一致するシステム軌道を得るため,ダイナミックシステム(6-11)を積分することにより過渡探索を導く。
(ステップ3の代替)
から遠い方向の中であるが,
方向に近い中で,
の端数を切り捨て,新しい点
とする。
から開始し,最良近傍探索法を,効果的な(ハイブリッド)局所探索法が最良近傍探索の性能を上回るインターフェース点
得るため適用する。
ステップ4. インターフェース点
から開始し,(ハイブリッド)局所探索法を,ステップ3で選択された,問題(4-3)へ局所最適解を見つけるため適用する。
最適化問題(4-3)のため,本発明は既知の最適解から開始する局所最適解を見つけるDDPベース法を開発する。
仮定:最適化問題(4-3)の局所最適解
を与える。
目的:最適化問題(4-3)の新しい局所最適解を見つける。
ステップ1. 既知の最適解
から開始し,ダイナミック分解点(DDP)を計算する方法をシステム(6-11)へDDP
を見つけるため適用する。
ステップ2.
をセットする。ここでεは小さな数である。
ステップ3.
から開始し,効果的な(ハイブリッド)局所探索法が過渡探索の性能を上回る,インターフェース点
に到達するまで,一致するシステム軌道を得るため,ダイナミックシステム(6-11)を積分することにより過渡探索を導く。
(ステップ3の代替)
から遠い方向の中であるが,
方向に近い中で,
の端数を切り捨て,新しい点
とする。
から開始し,最良近傍探索法を,効果的な(ハイブリッド)局所探索法が最良近傍探索の性能を上回るインターフェース点
得るため適用する。
ステップ4. インターフェース点
から開始し,(ハイブリッド)局所探索法を,ステップ3で選択された,問題(4-3)へ局所最適解を見つけるため適用する。
6.2.6 全ティア1局所最適解探索の動的方法
離散最適化問題(4-3)のため,本発明は,全ティア1局所最適解を見つける連続ベース法の2つのグループを開発する。はじめのグループは連続EPベース,一方,2つめのグループは連続DDPベースである。
離散最適化問題(4-3)のため,本発明は,全ティア1局所最適解を見つける連続ベース法の2つのグループを開発する。はじめのグループは連続EPベース,一方,2つめのグループは連続DDPベースである。
連続EPベース法
仮定:離散最適化問題(4-3)の局所最適解
を与える。
目的:離散最適化問題(4-3)の
の全ティア1局所最適解を見つける。
ステップ1. ティア1局所最適解の集合
を初期化し,
に対する探索経路の集合
を定義する。i=1にセットする。
ステップ2.
からスタートする各探索経路
に対し,対応する局所最適解を計算する。
(i) EPベース法をシステム(6−11)へ別の局所最適解を見つけるため適用する。局所最適解が見つかれば,それを
とし,次のステップへ進む。そうでなければ,ステップ(iii)へ進む。
(ii)
が既に見つかったか,すなわち
であるか,チェックする。見つかっていなければ,
をセットする。
(iii) i=i+1をセットする。
(iv) i>mとなるまでステップ(i)から(iii)を繰り返す。
ステップ3.
のティア1局所最適解の集合
を出力する。
仮定:離散最適化問題(4-3)の局所最適解
を与える。
目的:離散最適化問題(4-3)の
の全ティア1局所最適解を見つける。
ステップ1. ティア1局所最適解の集合
を初期化し,
に対する探索経路の集合
を定義する。i=1にセットする。
ステップ2.
からスタートする各探索経路
に対し,対応する局所最適解を計算する。
(i) EPベース法をシステム(6−11)へ別の局所最適解を見つけるため適用する。局所最適解が見つかれば,それを
とし,次のステップへ進む。そうでなければ,ステップ(iii)へ進む。
(ii)
が既に見つかったか,すなわち
であるか,チェックする。見つかっていなければ,
をセットする。
(iii) i=i+1をセットする。
(iv) i>mとなるまでステップ(i)から(iii)を繰り返す。
ステップ3.
のティア1局所最適解の集合
を出力する。
連続DDPベース法
仮定:離散最適化問題(4-3)の局所最適解
を与える。
目的:離散最適化問題(4-3)の
の全ティア1局所最適解を見つける。
ステップ1. ダイナミカル分解点の集合
を初期化し,ティア1局所最適解の集合
をセットする。
ステップ2.
に対する探索経路の集合
を定義する。i=1にセットする。
ステップ3.
を初期値とする各探索経路
に対し,対応する局所最適解を次のステップで計算する。
仮定:離散最適化問題(4-3)の局所最適解
を与える。
目的:離散最適化問題(4-3)の
の全ティア1局所最適解を見つける。
ステップ1. ダイナミカル分解点の集合
を初期化し,ティア1局所最適解の集合
をセットする。
ステップ2.
に対する探索経路の集合
を定義する。i=1にセットする。
ステップ3.
を初期値とする各探索経路
に対し,対応する局所最適解を次のステップで計算する。
(i). 動的分解点(DDP)を計算する方法をシステム(6-11)へ対応するDDPを見つけるため適用する。DDPが見つかれば,次のステップへ進む。そうでなければ,ステップ(vi)へ進む。
(ii). 見つけたDDPを
とし,集合
に属するか,すなわち
であるかチェックする。属せば,ステップ(vi)へ進む。そうでなければ,
をセットし,ステップ(iii)へ進む。
(iii).
をセットする。ここでεは小さな数である。
(iv).
から開始し,効果的なハイブリッド局所探索法が過渡的な探索の性能を上回る,インターフェース点
に到達するまで,対応するシステム軌道を得るため,ダイナミックシステム(6-11)を積分することにより過渡的な探索を導く。
(ステップ(iv)の代替)
から遠い方向であるが,
方向に近い,
の端数を切り捨て,離散点
とする。問題(4-3)向けにデザインされた最良近傍探索法を,効果的なハイブリッド局所探索法が最良近傍探索の性能を上回るインターフェース点
得るため適用する。
(v). インターフェース点
から開始し,ステップ3で選択された効果的なハイブリッド局所探索法を適用して、
に関する,
と記述される対応した局所最適解を見つける。そして
をセットする。
(vi). i=i+1をセットする。
(v) i>mとなるまでステップ(i)から(vi)を繰り返す。
ステップ4.
のティア1局所最適解の集合
を出力する。
(ii). 見つけたDDPを
とし,集合
に属するか,すなわち
であるかチェックする。属せば,ステップ(vi)へ進む。そうでなければ,
をセットし,ステップ(iii)へ進む。
(iii).
をセットする。ここでεは小さな数である。
(iv).
から開始し,効果的なハイブリッド局所探索法が過渡的な探索の性能を上回る,インターフェース点
に到達するまで,対応するシステム軌道を得るため,ダイナミックシステム(6-11)を積分することにより過渡的な探索を導く。
(ステップ(iv)の代替)
から遠い方向であるが,
方向に近い,
の端数を切り捨て,離散点
とする。問題(4-3)向けにデザインされた最良近傍探索法を,効果的なハイブリッド局所探索法が最良近傍探索の性能を上回るインターフェース点
得るため適用する。
(v). インターフェース点
から開始し,ステップ3で選択された効果的なハイブリッド局所探索法を適用して、
に関する,
と記述される対応した局所最適解を見つける。そして
をセットする。
(vi). i=i+1をセットする。
(v) i>mとなるまでステップ(i)から(vi)を繰り返す。
ステップ4.
のティア1局所最適解の集合
を出力する。
6.2.7 全局所最適解探索の方法
離散最適化問題(4-3)に対し,本発明は,全局所最適解を見つける2つの動的方法を開発する。はじめの方法は連続EPベース法,一方2つめの方法は連続DDPベース法である。
離散最適化問題(4-3)に対し,本発明は,全局所最適解を見つける2つの動的方法を開発する。はじめの方法は連続EPベース法,一方2つめの方法は連続DDPベース法である。
連続EPベース法
仮定:初期点
を与える。
目的: (i)離散最適化問題(4-3)の全ての局所最適解を見つける。
(ii)離散最適化問題(4-3)の大域最適解を見つける。
ステップ1. 初期点
から,効果的な(ハイブリッド)探索法を離散最適化問題(4-3)に局所最適解
を見つけるため適用する。
ステップ2. j=0をセットする。局所最適解の集合
と,ティアj局所最適解の集合
を初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
内の各局所最適解
に対し,それらの全ティア1局所最適解を見つける。
(i)
に対し,探索経路
の集合を定義する。i=1をセットする。
(ii) 初期値
の各探索経路
に対し,EPベース法を適用して別の局所最適解を見つける。局所最適解が見つかれば,
とし次へ進む。そうでなければ,ステップ(iv)へ進む。
(iii)
が既に見つかったか,すなわち,
であるかチェックする。見つかっていなければ,
と
仮定:初期点
を与える。
目的: (i)離散最適化問題(4-3)の全ての局所最適解を見つける。
(ii)離散最適化問題(4-3)の大域最適解を見つける。
ステップ1. 初期点
から,効果的な(ハイブリッド)探索法を離散最適化問題(4-3)に局所最適解
を見つけるため適用する。
ステップ2. j=0をセットする。局所最適解の集合
と,ティアj局所最適解の集合
を初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
内の各局所最適解
に対し,それらの全ティア1局所最適解を見つける。
(i)
に対し,探索経路
の集合を定義する。i=1をセットする。
(ii) 初期値
の各探索経路
に対し,EPベース法を適用して別の局所最適解を見つける。局所最適解が見つかれば,
とし次へ進む。そうでなければ,ステップ(iv)へ進む。
(iii)
が既に見つかったか,すなわち,
であるかチェックする。見つかっていなければ,
と
をセットする。
(iv) i=i+1とセットする。
(v)
となるまでステップ(ii)から(iv)を繰り返す。
ステップ5. 新しく計算された局所最適解の集合
が空であれば,ステップ6へ進む。そうでなければ,j=j+1をセットしステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
の対応する目的関数の比較と最小値を持つものの選択により
の集合から大域最適解を特定する。それを大域最適解として出力する。
(iv) i=i+1とセットする。
(v)
となるまでステップ(ii)から(iv)を繰り返す。
ステップ5. 新しく計算された局所最適解の集合
が空であれば,ステップ6へ進む。そうでなければ,j=j+1をセットしステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
の対応する目的関数の比較と最小値を持つものの選択により
の集合から大域最適解を特定する。それを大域最適解として出力する。
DDPベース法
仮定:初期点
を与える。
目的: (i)離散最適化問題(4-3)の全ての局所最適解を見つける。
(ii)離散最適化問題(4-3)の大域最適解を見つける。
ステップ1. 初期点
から効果的なハイブリッド探索法を離散最適化問題(4-3)に局所最適解
を見つけるため適用する。
ステップ2. j=0をセットする。局所最適解の集合
と,ティアj局所最適解の集合
と,見つけた動的分解点の集合
とを初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
内の各局所最適解
に対し,それらの全てのティア1局所最適解を以下の手順にて見つける。
(i).
に対し,探索経路
の集合を定義する。i=1をセットする。
(ii).
からスタートする各探索経路
に対し,効果的な方法を対応した動的分解点(DDP)をみつけるため,システム(6-11)へ適用する。DDPが見つかれば,次へ進む。そうでなければ,ステップ(viii)へ進む。
(iii). 見つけたDDPを
とし,集合
に属するか,すなわち
であるかチェックする。属せば,ステップ(viii)へ進む。そうでなければ,集合
をセットする。そしてステップ(iii)へ進む。
(iv).
をセットする。ここでεは小さな数である。
(v).
からスタートし,インターフェース点
に到達するまで,非線形動的システム(6−11)を積分することにより過渡探索を導いて、対応したシステム軌道を得る。インターフェース点は,効果的なハイブリッド局所最適探索法が過渡探索を上回る点である。
(ステップvの代替)点
を
に近いが,
から離れた点で丸め、これを離散点
とする。そして、問題(4−3)向けにデザインされた最良近傍探索法を適用して、効果的なハイブリッド局所探索法が最良近傍探索の性能を上回る点であるインターフェース点
を得る。
(vi) インターフェース点
からスタートし,ステップ(v)で選択された効果的なハイブリッド局所探索法を,対応した局所最適解
を見つけるための離散最適化問題(4−3)に適用する。
(vii)
が既に見つかったか,すなわち
であるかチェックする。見つかっていなければ,
と
をセットする。
(viii) i=i+1とセットする。
(ix) i>mとなるまでステップ(ii)から(viii)を繰り返す。
ステップ5. 新しく計算された局所最適解の集合
が空であれば,ステップ6へ進む。そうでなければ,j=j+1をセットしステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
の対応する目的関数の比較と最小値を持つものの選択により
の集合から大域最適解を特定する。それを大域最適解として出力する。
仮定:初期点
を与える。
目的: (i)離散最適化問題(4-3)の全ての局所最適解を見つける。
(ii)離散最適化問題(4-3)の大域最適解を見つける。
ステップ1. 初期点
から効果的なハイブリッド探索法を離散最適化問題(4-3)に局所最適解
を見つけるため適用する。
ステップ2. j=0をセットする。局所最適解の集合
と,ティアj局所最適解の集合
と,見つけた動的分解点の集合
とを初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
内の各局所最適解
に対し,それらの全てのティア1局所最適解を以下の手順にて見つける。
(i).
に対し,探索経路
の集合を定義する。i=1をセットする。
(ii).
からスタートする各探索経路
に対し,効果的な方法を対応した動的分解点(DDP)をみつけるため,システム(6-11)へ適用する。DDPが見つかれば,次へ進む。そうでなければ,ステップ(viii)へ進む。
(iii). 見つけたDDPを
とし,集合
に属するか,すなわち
であるかチェックする。属せば,ステップ(viii)へ進む。そうでなければ,集合
をセットする。そしてステップ(iii)へ進む。
(iv).
をセットする。ここでεは小さな数である。
(v).
からスタートし,インターフェース点
に到達するまで,非線形動的システム(6−11)を積分することにより過渡探索を導いて、対応したシステム軌道を得る。インターフェース点は,効果的なハイブリッド局所最適探索法が過渡探索を上回る点である。
(ステップvの代替)点
を
に近いが,
から離れた点で丸め、これを離散点
とする。そして、問題(4−3)向けにデザインされた最良近傍探索法を適用して、効果的なハイブリッド局所探索法が最良近傍探索の性能を上回る点であるインターフェース点
を得る。
(vi) インターフェース点
からスタートし,ステップ(v)で選択された効果的なハイブリッド局所探索法を,対応した局所最適解
を見つけるための離散最適化問題(4−3)に適用する。
(vii)
が既に見つかったか,すなわち
であるかチェックする。見つかっていなければ,
と
をセットする。
(viii) i=i+1とセットする。
(ix) i>mとなるまでステップ(ii)から(viii)を繰り返す。
ステップ5. 新しく計算された局所最適解の集合
が空であれば,ステップ6へ進む。そうでなければ,j=j+1をセットしステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
の対応する目的関数の比較と最小値を持つものの選択により
の集合から大域最適解を特定する。それを大域最適解として出力する。
7.有制約離散最適化問題解法の動的方法
本節にて,有制約離散最適化問題(4-4)解法の動的方法を示す。
有制約離散最適化問題(4-4)解法の困難さは,目的関数
,解空間
,実行可能集合
の構造に依存する。特に,
内の要素,
のサイズを記述する困難さと
の要素を系統的に列挙する困難さに依存する。(4-4)で定義された離散最適化問題に対し,局所探索アルゴリズムは,現在の解
から進み,次のステップを用い,
まわりの任意の近傍
内の上質の解を探索することにより
を修正する。
ステップ1. 初期化:初期点
を選択し,反復カウンタをk=1とする。
ステップ2. 修正:局所修正集合
を考える。ここで,
は
まわりの近傍である。集合が空であれば,終了し,
を近傍
に関する局所最適解とする。空でなければ,
としていくつかの集合を選び,k=k+1と増加させ,本ステップを繰り返す。
局所探索アルゴリズムに関し,3つの問題がある。
(i) 近傍
の定義。
(ii) 集合
から
を選択する方法。
(iii) ステップ1を開始するため,どのように実行可能解を得るか?
はじめの2つの問題は無制約離散最適化問題(4−3)に似ている。制約を扱うため,最良近接探索法が,
として,可能近接集合(制約を満たす近傍)から,目的関数の最大降下となる1つのみを選ぶ有制約最良近接探索法として修正される。同様に,より良い近接局所探索法が,目的関数内で降下方向を導く,はじめの実行可能近傍(制約を満たす近傍)を
としてのみ選択する,有制約のより良い近接局所探索法として修正される。従って,制約最良近傍探索もしくは制約のより良い近傍探索を適用することにより,
を得る。
問題(iii)を述べるため,全ての実行可能解が既知でない時,実行可能点を得るため,次のアプローチを適用する。
ステップ1. 初期化:初期点
を選択し,
であるかをチェックする。そうであれば,停止,そして局所探索を開始するための実行可能解を見つけた。そうでなければ,反復カウンタをk=1とする。
ステップ2. 可能性修正:次の非実行性修正集合
について考える。ここで、関数
は解
の非実行性を計る。集合が空であれば,停止,そして,実行可能解が見つけられないことを示すため警告メッセージを出力する。
が存在して
であれば,停止し,
が実行可能解となる。そうでなければ,
としていくつかの集合を選択し,k=k+1と増加させ,このステップを繰り返す。
本節にて,有制約離散最適化問題(4-4)解法の動的方法を示す。
有制約離散最適化問題(4-4)解法の困難さは,目的関数
,解空間
,実行可能集合
の構造に依存する。特に,
内の要素,
のサイズを記述する困難さと
の要素を系統的に列挙する困難さに依存する。(4-4)で定義された離散最適化問題に対し,局所探索アルゴリズムは,現在の解
から進み,次のステップを用い,
まわりの任意の近傍
内の上質の解を探索することにより
を修正する。
ステップ1. 初期化:初期点
を選択し,反復カウンタをk=1とする。
ステップ2. 修正:局所修正集合
を考える。ここで,
は
まわりの近傍である。集合が空であれば,終了し,
を近傍
に関する局所最適解とする。空でなければ,
としていくつかの集合を選び,k=k+1と増加させ,本ステップを繰り返す。
局所探索アルゴリズムに関し,3つの問題がある。
(i) 近傍
の定義。
(ii) 集合
から
を選択する方法。
(iii) ステップ1を開始するため,どのように実行可能解を得るか?
はじめの2つの問題は無制約離散最適化問題(4−3)に似ている。制約を扱うため,最良近接探索法が,
として,可能近接集合(制約を満たす近傍)から,目的関数の最大降下となる1つのみを選ぶ有制約最良近接探索法として修正される。同様に,より良い近接局所探索法が,目的関数内で降下方向を導く,はじめの実行可能近傍(制約を満たす近傍)を
としてのみ選択する,有制約のより良い近接局所探索法として修正される。従って,制約最良近傍探索もしくは制約のより良い近傍探索を適用することにより,
を得る。
問題(iii)を述べるため,全ての実行可能解が既知でない時,実行可能点を得るため,次のアプローチを適用する。
ステップ1. 初期化:初期点
を選択し,
であるかをチェックする。そうであれば,停止,そして局所探索を開始するための実行可能解を見つけた。そうでなければ,反復カウンタをk=1とする。
ステップ2. 可能性修正:次の非実行性修正集合
について考える。ここで、関数
は解
の非実行性を計る。集合が空であれば,停止,そして,実行可能解が見つけられないことを示すため警告メッセージを出力する。
が存在して
であれば,停止し,
が実行可能解となる。そうでなければ,
としていくつかの集合を選択し,k=k+1と増加させ,このステップを繰り返す。
有制約解空間アプローチ
有制約離散最適化問題(4−4)を解くため,3つのステージで構成された,次の有制約解空間アプローチをベースとした動的方法を開発する。
ステージ1: 結合された実行要素内の局所最適解を計算する。
ステージ2: 結合された実行要素内の全ての局所最適解を見つける。
ステージ3: 別の結合された実行要素を見つける。見つけられなければ,過程を停止。そうでなければ,ステージ2へ進む。
有制約離散最適化問題(4−4)を解くため,3つのステージで構成された,次の有制約解空間アプローチをベースとした動的方法を開発する。
ステージ1: 結合された実行要素内の局所最適解を計算する。
ステージ2: 結合された実行要素内の全ての局所最適解を見つける。
ステージ3: 別の結合された実行要素を見つける。見つけられなければ,過程を停止。そうでなければ,ステージ2へ進む。
本アプローチを,全ての局所最適解探索は解空間の実行可能要素内のみであるため,有制約解空間アプローチとよぶ。
本節では,目的関数
は閉形式表現もしくはブラックボックス表現,制約関数ベクトル
は閉形式表現である,方程式(4−5)を満足する有制約離散最適問題を解くための離散ベース動的方法を開発する。離散ベース動的方法のステージ2において,各実行可能要素内にある全ての局所最適解を見つける離散ベースアプローチを開発する。動的方法のステージ3において,全ての結合された実行可能要素を見つける連続ベースアプローチを開発する。
一般性を失うことなく,次の等式制約付きの最適化問題を考える。
本節では,目的関数
は閉形式表現もしくはブラックボックス表現,制約関数ベクトル
は閉形式表現である,方程式(4−5)を満足する有制約離散最適問題を解くための離散ベース動的方法を開発する。離散ベース動的方法のステージ2において,各実行可能要素内にある全ての局所最適解を見つける離散ベースアプローチを開発する。動的方法のステージ3において,全ての結合された実行可能要素を見つける連続ベースアプローチを開発する。
一般性を失うことなく,次の等式制約付きの最適化問題を考える。
いくつかの一般条件下において,次の実行可能集合,実行可能要素とよばれる,が示される。
は滑らかの多様体である。一般に,実行可能集合
はいくつかの隔離された(パス−結合)実行可能要素を伴い,非常に複雑である。別の言葉では,実行可能集合
はいくつかの隔離された実行要素の集合として示される。
はいくつかの隔離された(パス−結合)実行可能要素を伴い,非常に複雑である。別の言葉では,実行可能集合
はいくつかの隔離された実行要素の集合として示される。
ここで各
は有制約最適化問題(7-1)の複数の局所最適解を含む,パス連結実行可能要素である。
各実行可能要素内にある全ての局所最適解を見つける離散ベースアプローチを開発する。無制約離散最適化問題(4-3)を解くための,本発明において開発される離散ベースアプローチと同様に,次の関連した非線形離散動的システムを考える。
は有制約最適化問題(7-1)の複数の局所最適解を含む,パス連結実行可能要素である。
各実行可能要素内にある全ての局所最適解を見つける離散ベースアプローチを開発する。無制約離散最適化問題(4-3)を解くための,本発明において開発される離散ベースアプローチと同様に,次の関連した非線形離散動的システムを考える。
の時,(7-3)の解空間は離散である。離散動的システムは,6節で述べられている3つの条件(LD1)-(LD3)を満足する。離散動的システム(7-3)に関連した任意の動的軌道を介する実行可能要素内の,離散最適化問題(4-5)の全ての局所最適解をシステマティックに計算する動的方法を開発する。
7.1 実行可能点を見つける方法
本発明において,次の一般形式により記述される非線形動的システムのいくつかの軌道をベースとした(7-2)の全ての実行可能可能要素をシステマティックに見つける作業をするため,ここで参考とする,同時係属出願,「シリアル番号09/849,213,出願2001年5月4日,タイトル"一般非線形プログラミング問題の大域最適解を得るための動的方法",発明者シャオ・ドン・チャン博士」で記述される動的軌道ベース法を使用する。
本発明において,次の一般形式により記述される非線形動的システムのいくつかの軌道をベースとした(7-2)の全ての実行可能可能要素をシステマティックに見つける作業をするため,ここで参考とする,同時係属出願,「シリアル番号09/849,213,出願2001年5月4日,タイトル"一般非線形プログラミング問題の大域最適解を得るための動的方法",発明者シャオ・ドン・チャン博士」で記述される動的軌道ベース法を使用する。
このような作業を実行するための非線形動的システムを構築するため,次のガイドラインを提案する。
(g1) (7-4)のすべてのシステム軌道は平衡多様体の1つに収束し,
(g2) 集合が(7-4)の安定平衡多様体の場合のみ,集合は制約方程式(7-2)の集合の(パス結合)の実行可能要素である。
(7-3)のすべての実行可能要素を特定するための,条件(g1)と(g2)を満たす非線形動的システムの1つの例題を以下に示す。
(g1) (7-4)のすべてのシステム軌道は平衡多様体の1つに収束し,
(g2) 集合が(7-4)の安定平衡多様体の場合のみ,集合は制約方程式(7-2)の集合の(パス結合)の実行可能要素である。
(7-3)のすべての実行可能要素を特定するための,条件(g1)と(g2)を満たす非線形動的システムの1つの例題を以下に示す。
2つの方法は実行可能点を見つけるため開発された。はじめの1つは,軌道ベース法,2つめの方法はハイブリッド局所探索法である。
実行可能点を見つけるための軌道ベース方法
非実行可能点から開始する(7-2)の実行可能要素を特定するためのアルゴリズムを次に示す。
仮定:非制約である初期点
を与える。
目的:制約方程式(7-3)の集合を満たす実行可能点を見つける。
から開始する動的システム(7-4)を積分する。(7-2)の実行可能点である,安定多様体内にある点へ軌道は収束する。
非実行可能点から開始する(7-2)の実行可能要素を特定するためのアルゴリズムを次に示す。
仮定:非制約である初期点
を与える。
目的:制約方程式(7-3)の集合を満たす実行可能点を見つける。
から開始する動的システム(7-4)を積分する。(7-2)の実行可能点である,安定多様体内にある点へ軌道は収束する。
実行可能点を見つけるハイブリッド法
次に,制約方程式(7-3)の実行可能点を見つけるための,軌道ベース法の大域収束性と局所探索方法のスピードを組み合わせた,ハイブリッド法を示す。
仮定:非実行可能解である初期点
を与える。
目的:制約方程式(7-3)の集合を満たす実行可能解を見つける。
ステップ1.
から開始する効果的な反復修正局所探索アルゴリズムを適用する。局所探索アルゴリズムが実行可能点へ収束すると,停止する。そうでなければ,次のステップへ進む。
ステップ2.
から開始し,数ステップ,動的システム(7-4)を積分する。軌道が実行可能点へ収束すれば,停止。そうでなければ,最終点を初期点とし,つまり
とし,ステップ1へ進む。
次に,制約方程式(7-3)の実行可能点を見つけるための,軌道ベース法の大域収束性と局所探索方法のスピードを組み合わせた,ハイブリッド法を示す。
仮定:非実行可能解である初期点
を与える。
目的:制約方程式(7-3)の集合を満たす実行可能解を見つける。
ステップ1.
から開始する効果的な反復修正局所探索アルゴリズムを適用する。局所探索アルゴリズムが実行可能点へ収束すると,停止する。そうでなければ,次のステップへ進む。
ステップ2.
から開始し,数ステップ,動的システム(7-4)を積分する。軌道が実行可能点へ収束すれば,停止。そうでなければ,最終点を初期点とし,つまり
とし,ステップ1へ進む。
7.2 局所探索法
非実行可能可能点からスタートする離散最適化問題(4-5)の局所最適解を得るためのラグランジベース法を開発する。
不等式制約から等式制約へ変換するためのスラック変数yの導入により,以下となる。
非実行可能可能点からスタートする離散最適化問題(4-5)の局所最適解を得るためのラグランジベース法を開発する。
不等式制約から等式制約へ変換するためのスラック変数yの導入により,以下となる。
ラグラジアン関数は以下のように構築される。
がラグランジ関数(7-7)の鞍点を構成すれば,
は離散最適化問題(4-5)の局所最適解である。本ケースにおいて,グラジエントオペレータ
を以下に示す。
定義.離散グラジエントオペレータ
を以下に定義する。
。ここで,
,すなわち,最大でも1つの
は非ゼロであり,
を満たす。更に,
より1つの変数の最大1違いがある,任意の
に対し,
を定義し,
である。
従って,
は常に,目的関数が降下し,
が
を,
内の最低値を有する1つの近傍
へ動かす方向を示す。このような
が存在しない場合,
である。
本定義により,離散グラジエントオペレータ
は以下のように表現される。
は離散最適化問題(4-5)の局所最適解である。本ケースにおいて,グラジエントオペレータ
を以下に示す。
定義.離散グラジエントオペレータ
を以下に定義する。
。ここで,
,すなわち,最大でも1つの
は非ゼロであり,
を満たす。更に,
より1つの変数の最大1違いがある,任意の
に対し,
を定義し,
である。
従って,
は常に,目的関数が降下し,
が
を,
内の最低値を有する1つの近傍
へ動かす方向を示す。このような
が存在しない場合,
である。
本定義により,離散グラジエントオペレータ
は以下のように表現される。
次に有制約離散最適化問題(4-4)の局所最適解を見つけるための離散ラグランジェベース法を示す。
仮定:非実行可能解の初期点
を与える。
目的:有制約離散最適化問題(4-4)の局所最適解を見つける。
ステップ1. いくつかの制約を禁止する,与えられた初期値
から開始する。
ステップ2. 次のステップにより局所最適解を見つける。
(i) k=1をセットする。
(ii) 方程式(7-10)から
を計算する。
が実行可能要素であれば,有制約のより良い近傍方向と
を計算する方程式(7-8)を使う。そうでなければ,
を計算するオリジナル解空間内のより良い近傍方向を使う。
(iii)
と
の両者が十分小さい場合,探索は収束し,現在点
は局所最適解である。そうでなければ,
と
をアップデートし,次のステップへ進む。
(iv) k=k+1をセットする。
(v) 予め定義された繰り返しの数だけ,ステップ(ii)から(iv)を繰り返す。
仮定:非実行可能解の初期点
を与える。
目的:有制約離散最適化問題(4-4)の局所最適解を見つける。
ステップ1. いくつかの制約を禁止する,与えられた初期値
から開始する。
ステップ2. 次のステップにより局所最適解を見つける。
(i) k=1をセットする。
(ii) 方程式(7-10)から
を計算する。
が実行可能要素であれば,有制約のより良い近傍方向と
を計算する方程式(7-8)を使う。そうでなければ,
を計算するオリジナル解空間内のより良い近傍方向を使う。
(iii)
と
の両者が十分小さい場合,探索は収束し,現在点
は局所最適解である。そうでなければ,
と
をアップデートし,次のステップへ進む。
(iv) k=k+1をセットする。
(v) 予め定義された繰り返しの数だけ,ステップ(ii)から(iv)を繰り返す。
7.3 ハイブリッド有制約局所探索方法
実行可能初期点からスタートする,有制約離散最適化問題(4−5)の局所最適解を得るためのハイブリッド有制約局所探索法を以下に示す。
仮定:実行可能要素内の実行初期点
を与える。
目的:実行可能要素内の局所最適解を見つける。
ステップ1. 実行初期点
から開始し,初期点から有制約離散最適化問題(4−5)を解くための効果的な反復修正局所探索アルゴリズムを適用する。
ステップ2. 局所探索アルゴリズムは局所最適解に収束すれば,終了する。そうでなければ,最終点を初期点,すなわち
としてセットし,次のステップへ進む。
ステップ3. 最終点を得,数ステップ探索過程を継続するため,
から開始する,有制約最良近傍局所探索法もしくは有制約のより良い近傍局所探索法を使用する。最終点を初期点としてセットし,ステップ1へ進む。
実行可能初期点からスタートする,有制約離散最適化問題(4−5)の局所最適解を得るためのハイブリッド有制約局所探索法を以下に示す。
仮定:実行可能要素内の実行初期点
を与える。
目的:実行可能要素内の局所最適解を見つける。
ステップ1. 実行初期点
から開始し,初期点から有制約離散最適化問題(4−5)を解くための効果的な反復修正局所探索アルゴリズムを適用する。
ステップ2. 局所探索アルゴリズムは局所最適解に収束すれば,終了する。そうでなければ,最終点を初期点,すなわち
としてセットし,次のステップへ進む。
ステップ3. 最終点を得,数ステップ探索過程を継続するため,
から開始する,有制約最良近傍局所探索法もしくは有制約のより良い近傍局所探索法を使用する。最終点を初期点としてセットし,ステップ1へ進む。
7.4 実行可能出口点を計算する方法
ここで,実行可能出口点(すなわち全ての制約を満たす出口点)を計算する離散ベース法と呼ばれる,既知の局所最適解からスタートする探索経路に沿った,有制約離散最適化問題(4-5)に関連する離散動的システム(7-3)の実行可能出口点を計算する方法を以下に示す。
仮定:局所最適解
と予め定義された探索経路を与える。
目的:対応した出口点(EP)を見つける。
既知の局所最適解
からスタートし,予め定義された探索経路に沿った目的関数(4-5)の始めの局所最大値である,上述された出口点を検出するため予め定義された探索経路に沿って移動する。過程中,制約禁止状態をチェックする。制約が禁止状態であれば,探索過程を終了する。
ここで,実行可能出口点(すなわち全ての制約を満たす出口点)を計算する離散ベース法と呼ばれる,既知の局所最適解からスタートする探索経路に沿った,有制約離散最適化問題(4-5)に関連する離散動的システム(7-3)の実行可能出口点を計算する方法を以下に示す。
仮定:局所最適解
と予め定義された探索経路を与える。
目的:対応した出口点(EP)を見つける。
既知の局所最適解
からスタートし,予め定義された探索経路に沿った目的関数(4-5)の始めの局所最大値である,上述された出口点を検出するため予め定義された探索経路に沿って移動する。過程中,制約禁止状態をチェックする。制約が禁止状態であれば,探索過程を終了する。
7.5 実行可能DDP計算のための方法
有制約離散最適化問題(4-5)のための,以下に示す,局所最適解と予め定義された探索経路に関連する実行可能動的分解点(DDP)を計算する動的方法を開発する。
仮定: 最適化問題(4-5)の局所最適解
,予め定義された探索経路,関連した離散動的システム(7-3)を与える。
目的: 対応した実行可能動的分解点(DDP)を見つける。
ステップ1. 既知の局所最適解
からスタートし,離散動的システム(7-3)の対応した実行可能出口点(すなわち,全ての制約を満たす出口点)を見つけるため,予め定義された探索経路に沿って移動する。出口点を
とする。
ステップ2.
からスタートし,
を1(前方)反復新しい点
へ移動させるため有制約最良近傍探索法を適用する。
ステップ3. 直線修正手順とDDP計算を実行する。
(i)
と
を直線で結ぶ。
(ii) ベクトル
と
が利用可能であれば,ステップ(ii)(a)を実行する。そうでなければ,他を実行する。
(a) 2つのベクトル
と
の角度
を計算する。
が0度もしくは180度に近ければ,
はDDPで,過程を終了する。そうでなければ,ステップ(iii)へ進む。
(ステップ(a)の代替)探索経路を現在
がアップデートされた探索経路上にあるようにアップデートする。アップデート探索経路上に3点
があるかチェックする。そうであれば,
がDDPであり過程を終了する。そうでなければ,次のステップへ進む。
(iii)
を,
からスタートする直線にそって,最適化問題(4-5)の目的関数の始めの局所最大点である
へ修正する。
が
と同じであれば,
はDDPで過程を終了する。そうでなければ,次のステップへ進む。
ステップ4.
を出口点として使う。すなわち,
に割り当てステップ2へ進む。
有制約離散最適化問題(4-5)のための,以下に示す,局所最適解と予め定義された探索経路に関連する実行可能動的分解点(DDP)を計算する動的方法を開発する。
仮定: 最適化問題(4-5)の局所最適解
,予め定義された探索経路,関連した離散動的システム(7-3)を与える。
目的: 対応した実行可能動的分解点(DDP)を見つける。
ステップ1. 既知の局所最適解
からスタートし,離散動的システム(7-3)の対応した実行可能出口点(すなわち,全ての制約を満たす出口点)を見つけるため,予め定義された探索経路に沿って移動する。出口点を
とする。
ステップ2.
からスタートし,
を1(前方)反復新しい点
へ移動させるため有制約最良近傍探索法を適用する。
ステップ3. 直線修正手順とDDP計算を実行する。
(i)
と
を直線で結ぶ。
(ii) ベクトル
と
が利用可能であれば,ステップ(ii)(a)を実行する。そうでなければ,他を実行する。
(a) 2つのベクトル
と
の角度
を計算する。
が0度もしくは180度に近ければ,
はDDPで,過程を終了する。そうでなければ,ステップ(iii)へ進む。
(ステップ(a)の代替)探索経路を現在
がアップデートされた探索経路上にあるようにアップデートする。アップデート探索経路上に3点
があるかチェックする。そうであれば,
がDDPであり過程を終了する。そうでなければ,次のステップへ進む。
(iii)
を,
からスタートする直線にそって,最適化問題(4-5)の目的関数の始めの局所最大点である
へ修正する。
が
と同じであれば,
はDDPで過程を終了する。そうでなければ,次のステップへ進む。
ステップ4.
を出口点として使う。すなわち,
に割り当てステップ2へ進む。
7.6.別の局所最適解を見つけるEPベース法
有制約離散最適化問題(4-5)に対し,既知の局所最適解から新しい局所最適解を見つける出口点ベース法を開発する。
仮定:有制約離散最適化問題(4-5)の局所最適解
と予め定義された探索経路を与える。
目的:対応する新しい(ティア1)局所最適解を見つける。
ステップ1.
から予め定義された探索経路に沿って移動し,対応した実行可能出口点(EP)
を計算するため,離散ベース法を関連した非線形動的システム(7-3)に適用する。実行可能EPが見つけられなければ,過程を停止し,次のステップへ進む。
ステップ2. 見つけられた出口点
から,予め定義された探索経路に沿って,
から新しい点へ一段階移動する。新しい点を
(もしくは
を、その表現が利用可能であれば、使う。ここで,
は小さな数)とする。
ステップ3. 最適化問題(4-5)を解くための効果的な(ハイブリッド)局所探索法が有制約最良近傍探索法より良い解が得られる,インターフェース点
に到達するまで,対応したシステム軌道を得るため,
からスタートする有制約最良近傍探索法を適用する。
ステップ4. インターフェース点
からスタートし,対応した近接した局所最適解を見つけるため,ステップ3で選択された,効果的なハイブリッド局所探索法を適用する。
有制約離散最適化問題(4-5)に対し,既知の局所最適解から新しい局所最適解を見つける出口点ベース法を開発する。
仮定:有制約離散最適化問題(4-5)の局所最適解
と予め定義された探索経路を与える。
目的:対応する新しい(ティア1)局所最適解を見つける。
ステップ1.
から予め定義された探索経路に沿って移動し,対応した実行可能出口点(EP)
を計算するため,離散ベース法を関連した非線形動的システム(7-3)に適用する。実行可能EPが見つけられなければ,過程を停止し,次のステップへ進む。
ステップ2. 見つけられた出口点
から,予め定義された探索経路に沿って,
から新しい点へ一段階移動する。新しい点を
(もしくは
を、その表現が利用可能であれば、使う。ここで,
は小さな数)とする。
ステップ3. 最適化問題(4-5)を解くための効果的な(ハイブリッド)局所探索法が有制約最良近傍探索法より良い解が得られる,インターフェース点
に到達するまで,対応したシステム軌道を得るため,
からスタートする有制約最良近傍探索法を適用する。
ステップ4. インターフェース点
からスタートし,対応した近接した局所最適解を見つけるため,ステップ3で選択された,効果的なハイブリッド局所探索法を適用する。
7.7 別の局所最適解を見つけるためのDDPベース法
有制約離散最適化問題(4-5)のための,既知の局所最適解
からスタートする局所最適解を解くためのDDPベース法を以下に開発する。
仮定:有制約離散最適化問題(4-5)の局所最適解
と予め定義された探索経路を与える。
目的:対応した新しい(ティア1)局所最適解を見つける。
ステップ1.
からスタートする予め定義された探索経路に沿って移動し,対応した実行可能動的分解点(DDP)
を計算するため非線形動的システム(7-3)に関連する離散ベース法を適用する。DDPが見つけることができなければ,過程を終了する。そうでなければ,次のステップへ進む。
ステップ2. 見つけられた実行可能DDP
からスタートし,一段ずつ,最後の出口点
を
から
へ調整するために使うアップデートされた探索経路にそって移動する(もしくは,
の表現を利用可能であれば、それを使う。ここで
は小さな数)。
ステップ3. 有制約最良近傍探索法を、それに関係する、
からスタートする離散非線形動的システム(7-3)に適用して、効果的なハイブリッド局所探索法が有制約最良近傍探索法より良い解が得られるインターフェース点
に到達するまで,対応したシステム軌道を得る。
ステップ4. インターフェース点
からスタートし,対応した近接した局所最適解を見つけるため,ステップ3で選択された効果的なハイブリッド局所探索法を適用する。
有制約離散最適化問題(4-5)のための,既知の局所最適解
からスタートする局所最適解を解くためのDDPベース法を以下に開発する。
仮定:有制約離散最適化問題(4-5)の局所最適解
と予め定義された探索経路を与える。
目的:対応した新しい(ティア1)局所最適解を見つける。
ステップ1.
からスタートする予め定義された探索経路に沿って移動し,対応した実行可能動的分解点(DDP)
を計算するため非線形動的システム(7-3)に関連する離散ベース法を適用する。DDPが見つけることができなければ,過程を終了する。そうでなければ,次のステップへ進む。
ステップ2. 見つけられた実行可能DDP
からスタートし,一段ずつ,最後の出口点
を
から
へ調整するために使うアップデートされた探索経路にそって移動する(もしくは,
の表現を利用可能であれば、それを使う。ここで
は小さな数)。
ステップ3. 有制約最良近傍探索法を、それに関係する、
からスタートする離散非線形動的システム(7-3)に適用して、効果的なハイブリッド局所探索法が有制約最良近傍探索法より良い解が得られるインターフェース点
に到達するまで,対応したシステム軌道を得る。
ステップ4. インターフェース点
からスタートし,対応した近接した局所最適解を見つけるため,ステップ3で選択された効果的なハイブリッド局所探索法を適用する。
7.8.実行可能要素内の全てのティア1局所最適解を探索する方法
既知の局所最適解からスタートする,有制約離散最適化問題の,実行可能要素内にある,全てのティア1局所最適解を見つける1つの動的離散ベース法を以下で開発する。
仮定:有制約離散最適化問題(4-3)の局所最適解
を与える。
目的:実行可能要素内にある
の全てのティア1局所最適解を見つける。
ステップ1. ティア1局所最適解の集合
を初期化し,
での探索経路の集合
を定義する。。i=1をセットする。
ステップ2.
からスタートする各探索経路
に対し,離散ベースEPベース法(もしくはDDPベース法)を、関連する動的システム(7-3)へ別の局所最適解を見つけるため適用する。局所最適解があれば,それを
とし,次のステップへ進む。そうでなければ,ステップ4へ進む。
ステップ3.
が既に見つけられたか,すなわち
であるかチェックする。見つかっていなければ,
をセットする。
ステップ4. i=i+1をセットする。
ステップ5. i>mとなるまでステップ2から4を繰り返す。
既知の局所最適解からスタートする,有制約離散最適化問題の,実行可能要素内にある,全てのティア1局所最適解を見つける1つの動的離散ベース法を以下で開発する。
仮定:有制約離散最適化問題(4-3)の局所最適解
を与える。
目的:実行可能要素内にある
の全てのティア1局所最適解を見つける。
ステップ1. ティア1局所最適解の集合
を初期化し,
での探索経路の集合
を定義する。。i=1をセットする。
ステップ2.
からスタートする各探索経路
に対し,離散ベースEPベース法(もしくはDDPベース法)を、関連する動的システム(7-3)へ別の局所最適解を見つけるため適用する。局所最適解があれば,それを
とし,次のステップへ進む。そうでなければ,ステップ4へ進む。
ステップ3.
が既に見つけられたか,すなわち
であるかチェックする。見つかっていなければ,
をセットする。
ステップ4. i=i+1をセットする。
ステップ5. i>mとなるまでステップ2から4を繰り返す。
7.9.実行可能要素内の全ての局所最適解を見つける方法
与えられた初期点からスタートし,有制約離散最適化問題(4-5)の,実行可能要素内にある,全ての局所最適解を見つける,離散ベース動的方法を以下で開発する。
仮定:有制約離散最適化問題(4-3)の局所最適解
を与える。
目的:
を含む実行可能要素内の全ての局所最適解を見つける。
ステップ1.
からスタートし,局所最適解
を見つけるため,効果的な(ハイブリッド)探索法を適用する。
ステップ2. j=0をセットする。局所最適解の集合
とティアj局所最適解の集合
を初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
内の各局所最適解に対し,すなわち
に対し,全てのティア1局所最適解を見つける。
(i)
に対する探索経路の集合
を定義する。i=1をセットする。
(ii)
からスタートする各探索経路
に対し,EPベース法(もしくはDDPベース法)を、関連する離散動的システム(7-3)へ,別の局所最適解を見つけるため適用する。局所最適解があれば,それを
とし,次のステップへ進む。そうでなければ,ステップ(iv)へ進む。
(iii)
が既に見つかったか,すなわち
であるかチェックする。見つかってなければ,
と
をセットする。
(iv) i=i+1をセットする。
(v)
となるまでステップ(ii)から(iv)を繰り返す。
ステップ5. 全ての新しい計算された局所最適解の集合
が空であれば,ステップ6を続け,そうでなければ,j=j+1をセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
の対応する目的関数値の比較により大域最適解を特定し,最小値を有する1つを選択する。これを既知の大域最適解として出力し,実行可能要素内の,全ての局所最適解の集合
を出力する。
与えられた初期点からスタートし,有制約離散最適化問題(4-5)の,実行可能要素内にある,全ての局所最適解を見つける,離散ベース動的方法を以下で開発する。
仮定:有制約離散最適化問題(4-3)の局所最適解
を与える。
目的:
を含む実行可能要素内の全ての局所最適解を見つける。
ステップ1.
からスタートし,局所最適解
を見つけるため,効果的な(ハイブリッド)探索法を適用する。
ステップ2. j=0をセットする。局所最適解の集合
とティアj局所最適解の集合
を初期化する。
ステップ3. ティア(j+1)局所最適解の集合
を初期化する。
ステップ4.
内の各局所最適解に対し,すなわち
に対し,全てのティア1局所最適解を見つける。
(i)
に対する探索経路の集合
を定義する。i=1をセットする。
(ii)
からスタートする各探索経路
に対し,EPベース法(もしくはDDPベース法)を、関連する離散動的システム(7-3)へ,別の局所最適解を見つけるため適用する。局所最適解があれば,それを
とし,次のステップへ進む。そうでなければ,ステップ(iv)へ進む。
(iii)
が既に見つかったか,すなわち
であるかチェックする。見つかってなければ,
と
をセットする。
(iv) i=i+1をセットする。
(v)
となるまでステップ(ii)から(iv)を繰り返す。
ステップ5. 全ての新しい計算された局所最適解の集合
が空であれば,ステップ6を続け,そうでなければ,j=j+1をセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
の対応する目的関数値の比較により大域最適解を特定し,最小値を有する1つを選択する。これを既知の大域最適解として出力し,実行可能要素内の,全ての局所最適解の集合
を出力する。
7.10.隣接した実行可能要素を見つける方法
既知の実行可能要素からスタートし,隣接し隔離された実行可能要素を見つける,動的方法を以下で開発する。
仮定: 実行可能初期点
を与える。
目的: 有制約離散最適化問題(4-5)の隣接実行可能要素内にある新しい実行可能要素を見つける。
ステップ1.
からスタートし,軌道(逆時間モードで)を得るため,システム(7-4)を逆時間に積分し,必要であれば,(7-4)の不安定多様体内の点を見つける,局所探索法にスイッチする。ここで
は小さな数である。点があれば,
とし次のステップへ進む。そうでなければ,過程を終了する。
ステップ2.
をセットする。ここで
は小さな数である。
ステップ3.
からスタートし,軌道を得るためシステム(7-4)を正方向に積分する,もしくは,隔離された実行可能要素内にある実行可能点を見つけるため,効果的なハイブリッド局所探索法を適用する。これを
とする。
既知の実行可能要素からスタートし,隣接し隔離された実行可能要素を見つける,動的方法を以下で開発する。
仮定: 実行可能初期点
を与える。
目的: 有制約離散最適化問題(4-5)の隣接実行可能要素内にある新しい実行可能要素を見つける。
ステップ1.
からスタートし,軌道(逆時間モードで)を得るため,システム(7-4)を逆時間に積分し,必要であれば,(7-4)の不安定多様体内の点を見つける,局所探索法にスイッチする。ここで
は小さな数である。点があれば,
とし次のステップへ進む。そうでなければ,過程を終了する。
ステップ2.
をセットする。ここで
は小さな数である。
ステップ3.
からスタートし,軌道を得るためシステム(7-4)を正方向に積分する,もしくは,隔離された実行可能要素内にある実行可能点を見つけるため,効果的なハイブリッド局所探索法を適用する。これを
とする。
7.11.全ての局所最適解を見つける方法
与えられた初期点からスタートし、有制約離散最適化問題(4-5)の全ての局所最適解を見つける動的離散ベース法を以下で開発する。全ての局所最適解が見つかれば,大域最適解は,従って,得られる。そうでなければ,全ての見つけられた局所最適解の最良解が得られる。
仮定:初期点
を与える。
目的:(i)有制約離散最適化問題(4-5)の全ての局所最適解を見つける。
(ii)有制約離散最適化問題(4-5)の大域最適解を見つける。
ステップ1.
からスタートし,局所最適解
を見つけるため,効果的な局所探索法を適用する。
ステップ2. j=0をセットする。そして,局所最適解の集合
とティア0実行可能要素の集合
を初期化する。
ステップ3. ティア(j+1)実行可能要素の集合
を初期化する。
ステップ4.
内の各実行可能点
に対し,
を含む実行可能要素内の局所最適解と,全ての隣接要素を次のステップにより見つける。
(i)
からスタートし,
を含む最適化問題(4-5)の実行可能要素内の全ての局所最適解を見つけるための動的方法適用する。
(ii)
に対する探索経路の集合
を定義する。
(iii) 各探索経路
に対し,次のステップを実行することにより,隣接実行可能要素を見つける。
(a) i=1をセットする。
(b) 隣接実行可能要素内にある点
を見つけるため,隣接実行可能要素を見つけるための方法を適用する。
(c)
からスタートし,局所最適解
を見つけるため効果的な(ハイブリッド)局所探索法を適用する。
が既に見つけられたか,すなわち
であるか,チェックする。見つかっていなければ,
と
をセットする。
(d) i=i+1をセットする。
(e) i>kとなるまでステップ(b)から(d)を繰り返す。
ステップ5. 全ての新しく計算された実行点の集合
が空であれば,ステップ6を継続する。そうでなければ,j=j+1をセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
の対応する目的関数値の比較により大域最適解を特定し,最小値を有する1つを選択する。これを既知の大域最適解として出力する。
与えられた初期点からスタートし、有制約離散最適化問題(4-5)の全ての局所最適解を見つける動的離散ベース法を以下で開発する。全ての局所最適解が見つかれば,大域最適解は,従って,得られる。そうでなければ,全ての見つけられた局所最適解の最良解が得られる。
仮定:初期点
を与える。
目的:(i)有制約離散最適化問題(4-5)の全ての局所最適解を見つける。
(ii)有制約離散最適化問題(4-5)の大域最適解を見つける。
ステップ1.
からスタートし,局所最適解
を見つけるため,効果的な局所探索法を適用する。
ステップ2. j=0をセットする。そして,局所最適解の集合
とティア0実行可能要素の集合
を初期化する。
ステップ3. ティア(j+1)実行可能要素の集合
を初期化する。
ステップ4.
内の各実行可能点
に対し,
を含む実行可能要素内の局所最適解と,全ての隣接要素を次のステップにより見つける。
(i)
からスタートし,
を含む最適化問題(4-5)の実行可能要素内の全ての局所最適解を見つけるための動的方法適用する。
(ii)
に対する探索経路の集合
を定義する。
(iii) 各探索経路
に対し,次のステップを実行することにより,隣接実行可能要素を見つける。
(a) i=1をセットする。
(b) 隣接実行可能要素内にある点
を見つけるため,隣接実行可能要素を見つけるための方法を適用する。
(c)
からスタートし,局所最適解
を見つけるため効果的な(ハイブリッド)局所探索法を適用する。
が既に見つけられたか,すなわち
であるか,チェックする。見つかっていなければ,
と
をセットする。
(d) i=i+1をセットする。
(e) i>kとなるまでステップ(b)から(d)を繰り返す。
ステップ5. 全ての新しく計算された実行点の集合
が空であれば,ステップ6を継続する。そうでなければ,j=j+1をセットし,ステップ3へ進む。
ステップ6. 局所最適解の集合
を出力し,集合
の対応する目的関数値の比較により大域最適解を特定し,最小値を有する1つを選択する。これを既知の大域最適解として出力する。
8.例:VLSI分割問題
VLSIシステムはその複雑性によりいくつかのレベルに分割される。(1)システムが,各サブシステムが1つのプリント基板(printed-circuit board:PCB)に関し独立的に,デザイン,組み立てさせるサブシステムの集合に分割される,システムレベル分割。(2)PCBがVLSIチップに分割される時のボードレベル分割。(3)チップがより小さなサブ回路に分割されるチップレベル分割。各レベルにおいて,分割の制約条件と目的関数は異なる。本例題はチップレベル分割に関し示す。本結果は修正により他の分割レベルへ拡張可能である。
VLSIシステムはその複雑性によりいくつかのレベルに分割される。(1)システムが,各サブシステムが1つのプリント基板(printed-circuit board:PCB)に関し独立的に,デザイン,組み立てさせるサブシステムの集合に分割される,システムレベル分割。(2)PCBがVLSIチップに分割される時のボードレベル分割。(3)チップがより小さなサブ回路に分割されるチップレベル分割。各レベルにおいて,分割の制約条件と目的関数は異なる。本例題はチップレベル分割に関し示す。本結果は修正により他の分割レベルへ拡張可能である。
分割問題はグラフ理論用語にて,より自然に表現される。分割問題を表現するハイパーグラフ
は以下のように構築できる。
を頂点の集合,
をハイパーエッジの集合とする。各頂点は要素を表す。これらの頂点に対応した要素といつでも頂点を結合するハイパーエッジがある。従って,各ハイパーエッジは,頂点集合の部分集合,すなわち
である。言いかえると,各ネットはハイパーエッジの集合により表現される。各要素の領域は
と表現される。分割問題は
を
に分割する。ここで,
分割はまたカットとして参照される。分割のコストは,カットを横断するハイパーエッジの数である,カットサイズと呼ばれる。
を分割
と分割
間のカットサイズとする。各分割
はエリア
とターミナルカウント
を有する。分割
が占める,最大最小エリアは,それぞれ,
と
と記す。分割
が持つこと出来るターミナルの最大数を
と記す。
をハイパーパスとする。
を回数とする。
はカットである。
は以下のように構築できる。
を頂点の集合,
をハイパーエッジの集合とする。各頂点は要素を表す。これらの頂点に対応した要素といつでも頂点を結合するハイパーエッジがある。従って,各ハイパーエッジは,頂点集合の部分集合,すなわち
である。言いかえると,各ネットはハイパーエッジの集合により表現される。各要素の領域は
と表現される。分割問題は
を
に分割する。ここで,
分割はまたカットとして参照される。分割のコストは,カットを横断するハイパーエッジの数である,カットサイズと呼ばれる。
を分割
と分割
間のカットサイズとする。各分割
はエリア
とターミナルカウント
を有する。分割
が占める,最大最小エリアは,それぞれ,
と
と記す。分割
が持つこと出来るターミナルの最大数を
と記す。
をハイパーパスとする。
を回数とする。
はカットである。
チップレベル分割における問題の制約条件と目的関数は以下に述べられる。
・ 目的関数1はパーティション間の結合を最小化する。結合の低下は遅れを低下させるのみでなく,独立のデザインと製造に対し,それを容易にするパーティション間のインターフェースを低下させる。多くの結合は,配置とルーチンアルゴリズムの作業を複雑にするのみでなく,デザイン領域を増加させる。結合の最小化の目的は以下に記述される。
・ 目的関数1はパーティション間の結合を最小化する。結合の低下は遅れを低下させるのみでなく,独立のデザインと製造に対し,それを容易にするパーティション間のインターフェースを低下させる。多くの結合は,配置とルーチンアルゴリズムの作業を複雑にするのみでなく,デザイン領域を増加させる。結合の最小化の目的は以下に記述される。
・ 目的関数2は分割における遅れを最小化する。回路分割は,パスにおいて,遅れを大いに増加させるパーティション間を多数行く,クリティカルパスの原因となる。この問題を述べるため,目的関数を以下に与える。
・ 制約条件2は現在の限界内に各パーティションの領域を維持すること。チップ分割レベルにおいて,この制約条件は,全てのパーティションが相対的に比較するように,各パーティションのサイズを維持することである。他は,例えば,相互分割問題は1つのパーティションが空,残りのパーティションが問題の全ての要素を含む,結果となる。この制約条件は,物理的な境界がセットされる分割の残りのレベルほど重要でない。領域限界のための制約条件は以下に示す。
分割問題は閉形式の目的関数が可能でないカテゴリーに属す。パーティションの2つのインスタンス間の連続空間を満たす距離が定義されないことが起こる。従って,解アルゴリズム離散バージョンのみ開発されることができる。
分割問題を解くため,離散ベースDDPベース法を開発するため,6節において本発明の実施例を適用した。開発方法を実施し,いくつかのベンチマーク問題にて評価した。表4に示されるテスト結果は,45−55%領域バランス基準と実セルサイズのもと,異なる初期点から50回の最小カットセットを用い得られた。また,標準FM法を用いたシミュレーション結果を比較のため示した。
DDPベース法を従来FM法と組み合わせることにより,解の質は,表4に示されるように,非常に改善された。改善は,大規模回路は大きな改善,小規模回路は小さな改善である,9.5%から268%のレンジである。全体として,DDPベース法は,FM法より非常に良い。いくつかのケースにおいて,DDPベース法は,現在の最先端,複数レベル分割アプローチを凌ぐ。最近の作業は,ハイブリッド局所探索法と同様,複数レベルパーティションアプローチの組み合わせにより,また,DDPベース法は,複数レベルパーティションアプローチの結果以上の重要な改善に到達することができる。
DDPベース法の他の改善は,解の逸脱がFM法の同じ指標と比較し,十分小さいことである。この改善は,DDPベース法が良い解を得るためFM法より,非常に短い計算時間であることを意味する。
参考資料:
1. "組み合わせ最適化の局所探索", E.アーツ,J.K.レンストラ編集,ウィリ,1997
2. H.D.チャン,L.フェキ−アフメッド,"非線形動的システムの準安定領域:理論",IEEE 回路とシステムI:基本理論と適用,CAS-43号,8月,1996,627−635ページ。
3. シャオ・ドン・チャン,チア・チ・チュ,"非線形プログラム問題の複数局所最適解を得るための系統的な探索法",IEEE 回路とシステムI:基本理論と適用,43号,2号,2月,1996,99−109ページ。
4. H.D.チャン,M.ヒルシュ,F.F.ウ−,"非線形非自律系動的システムの安定領域",IEEE 自動制御,AC-33号,1月,1988,16−27ページ。
1. "組み合わせ最適化の局所探索", E.アーツ,J.K.レンストラ編集,ウィリ,1997
2. H.D.チャン,L.フェキ−アフメッド,"非線形動的システムの準安定領域:理論",IEEE 回路とシステムI:基本理論と適用,CAS-43号,8月,1996,627−635ページ。
3. シャオ・ドン・チャン,チア・チ・チュ,"非線形プログラム問題の複数局所最適解を得るための系統的な探索法",IEEE 回路とシステムI:基本理論と適用,43号,2号,2月,1996,99−109ページ。
4. H.D.チャン,M.ヒルシュ,F.F.ウ−,"非線形非自律系動的システムの安定領域",IEEE 自動制御,AC-33号,1月,1988,16−27ページ。
Claims (58)
- 目的関数と有限次元の解空間を有する一般無制約最適化問題を解くための連続ベース動的方法であって、
a)選択された性質を有する非線形連続動的システムを構築するステップであって、該選択された性質は、無制約最適化問題の局所最適解である場合及びその場合にのみ、点が前記構築された非線形動的システムの安定平衡点であるという性質を少なくとも含む、前記非線形連続動的システムを構築するステップと、
b)一般無制約最適化問題の全ての局所最適解を、
i)初期点からスタートするステップと、
ii)局所最適解を見つけるステップと、
iii)ステップ(b)(ii)で見つけられた局所最適解からスタートし、出口点(EP)法と動的分解点(DDP)法により構築されたグループから選択された方法により、段段に、前記構築された非線形動的システムの全ての安定平衡点である局所最適解の集合を見つけるステップと、
によって見つけるステップと、
c)ステップ(b)(iii)で見つけられた安定平衡点間から最良最適解としての大域最適解を選択するステップと、
を備える方法。 - 前記最適化問題が離散であり、ステップ(a)の前に、前記最適化問題を連続最適化問題へ変換するステップを更に備える請求項3記載の方法。
- 前記変換が、
a)前記離散最適化問題の大域最適解と前記変換された連続最適化問題の大域最適解とは近いという性質と、
b)前記離散最適化問題の局所最適解の集合が、前記変換された連続最適化問題の局所最適解の集合に近いという性質と、
を満たす請求項8記載の方法。 - 前記最適化問題は連続であり、局所最適解を見つける請求項1のステップ(b)(ii) が、
a)初期点x0からスタートし、局所探索アルゴリズムを前記最適化問題へ適用するステップと、
b)前記局所探索アルゴリズムが局所最適解へ収束すれば終了し、そうでなければ次のステップへ進むステップと、
c)初期点x0からスタートする前記構築された非線形動的システムを、終点を得るために数タイムステップ積分するステップと、
d)前記終点を前記初期点としてセットするステップと、
e)ステップ(a)へ進むステップと、
を備えるハイブリッド局所探索法である請求項2記載の方法。 - ステップ(a)の前記局所探索アルゴリズムが、前から存在する局所探索アルゴリズムである請求項12記載の方法。
- 前記最適化問題が離散であり、局所最適解を見つける請求項1のステップ(b)(ii)が、
a)初期点x0からスタートし、局所探索アルゴリズムを前記最適化問題へ適用するステップと、
b)前記局所探索アルゴリズムが局所最適解xsへ収束すればステップ(e)へ進み、そうでなければ次のステップへ進むステップと、
c)初期点x0からスタートする前記構築された非線形動的システムを、終点を得るために数タイムステップ積分し、前記終点を前記初期点としてセットするステップと、
d)ステップ(a)へ進むステップと、
e)前記局所最適解xsを、該局所最適解として最小値を有する点の選択と終了とを備えるグループから選択されたステップにより、複数のm個の最近接離散点に丸め、該複数の最近接離散点をステップ(f)のための初期点として採用するステップと、
f)最良近傍局所探索法を各初期点へそれぞれ適用して、m個の局所最適解xs1,・・・,xsmを得るステップと、
g)前記最適化問題の局所最適解として、最小値を有する点を選択するステップと、
を備えるハイブリッド局所探索法である請求項3記載の方法。 - ステップ(a)の前記局所探索アルゴリズムが既に存在する局所探索アルゴリズムである請求項14記載の方法。
- 出口点ベース法により全ての局所最適解を計算するステップ(b)(iii)は、
a)既知の局所最適解x0からスタートするステップと、
b)j=0をセットし、局所最適解の集合Vs={xs 0}及びティアj局所最適解の集合Vnew j={xs 0}を初期化するステップと、
c)ティア(j+1)局所最適解の集合Vnew j+1={φ}を初期化するステップと、
d)Vnew j,xs jの各局所最適解に対し、全ての新しいティア1局所最適解を見つけ、集合Vs及びVnew j+1内に新しいティア1局所最適解を記録するステップと、
e)全ての新しく計算された局所最適解の集合Vnew j+1が空でなければ、j=j+1をセットしてステップ(c)へ進むステップと、
を備えることで、Vsがxs 0の局所最適解の集合を備えるようにする請求項1記載の方法。 - 出口点法により既知の局所最適解のティア1局所最適解の集合を見つけるステップ(d)は、
a)既知の局所最適解xs 0と、見つけられた局所最適解の集合Vsと、与えられた局所最適解の集合Vnew j+1とからスタートするステップと、
b)xs 0i=1,...,m
に対し、探索経路Siの集合を定義するステップと、
c)i=1をセットするステップと、
d)各探索経路Siに対し、
i)別の局所最適解を見つけ、局所最適解が見つかれば、該局所最適解をxs iとしてステップ(ii)へ進み、そうでなければステップ(iii)へ進むステップと、
ii)xs iが既に見つけられたことを示すxs i∈Vsであるかをチェックし、既に見つけられたものでなければ、Vs=Vs∪{xs i}及びVnew j+1=Vnew j+1∪{xs i}をセットするステップと、
iii)i=i+1をセットするステップと、
iv)i>mとなるまでステップ(i)からステップ(iii)を繰り返すステップと、
により、対応した局所最適解を計算するステップと、
を備えることで、Vsがxs 0の局所最適解の集合を備えるようにする請求項16記載の方法。 - 出口点ベース法により、別の局所最適解を見つけるステップ(d)(i)は、
a)既知の局所最適解xsと予め定義された探索経路とからスタートするステップと、
b)前記予め定義された探索経路と前記構築された非線形動的システムの安定平衡点xs
に関する、xexとして示される出口点(EP)を計算するステップと、
c)εをより小さな数として、x0=xs+(1+ε)(xex-xs)をセットするステップと、
d)x0からスタートし、システム軌道を経由して過渡探索を導くステップであって、局所探索法が該過渡探索を上回るインターフェース点xinfに到達するまで該過渡探索を導くステップと、
e)前記インターフェース点xinfからスタートし、ステップ(d)で選択された前記局所探索法を適用して近接局所最適解を見つけるステップと、
を備える請求項17記載の方法。 - ステップ(d)の前記局所探索法が、既存の局所探索アルゴリズムである請求項18記載の方法。
- 探索経路に関する出口点を計算するステップ(b)は、
i)既知の局所最適解xsからスタートするステップと、
ii)前記予め定義された探索経路に沿った、前記最適化問題の目的関数の最初の局所最大値である前記出口点を計算するため、前記予め定義された探索経路にそって移動するステップと、
を備える請求項18記載の方法。 - 与えられた探索経路に関する前記出口点を見つけるステップ(b)は、
i)既知の局所最適解xsからスタートするステップと、
ii)各タイムステップで、前記与えられた探索経路に沿って移動し、前記探索経路の導関数と前記構築された非線形動的システムのベクトル場との内積を計算するステップと、
iii)内積の符号が、インターバル[t1,t2]間で正から負へ変化した時、前記出口点を近似するために、時間t1における探索経路である点と時間t2における探索経路である点とを備えるグループから選択された点を用いるステップと、
を備える請求項18記載の方法。 - 前記過渡探索を導くステップ(d)は、前記構築された非線形動的システムを積分するステップを備える請求項18記載の方法。
- 前記最適化問題が離散であり、前記過渡探索を導くステップ(d)は、x0を、xsから離れる方向であるが(xep-xs)の方向に近づくように丸めて新しい点x0'とし、続いてx0'
からスタートし、最良近傍探索法を適用するステップを備える請求項18記載の方法。 - DDPベース法により全ての局所最適解を計算するステップ(b)(iii)は、
a)既知の最適解xs 0からスタートするステップと、
b)j=0をセットし、局所最適解の集合Vs={xs 0}と、ティアj局所最適解の集合Vnew j={xs 0}と、見つけられた動的分解点の集合Vddp={φ}とを初期化するステップと、
c)ティア(j+1)局所最適解の集合Vnew j+1={φ}を初期化するステップと、
d)Vnew j,xs jの各局所最適解に対し、全ての新しいティア1局所最適解を見つけ、Vs
及びVnew j+1内に前記新しいティア1局所最適解を記録するステップと、
e)全ての新しく計算された局所最適解の集合Vnew j+1が空でなければ、j=j+1をセットしてステップ(c)へ進むステップと、
を備えることで、Vsがxs 0の局所最適解の集合を備えるようにする請求項1記載の方法。 - 既知の局所最適解xs 0のティア1局所最適解の集合を見つけるステップ(d)は、
a)既知の局所最適解xs 0、見つけられた局所最適解の集合Vsと、見つけられた動的分解点(DDPs)の集合Vddpと、与えられた局所最適解の集合Vnew j+1とからスタートするステップと、
b)xs 0i=1,...,mjに対し、探索経路Siの集合を定義し、i=1をセットするステップと、
c)各探索経路Siに対し、その対応した局所最適解を、
i)対応したDDPを見つけ、DDPが見つかれば次のステップへ進み、そうでなければステップ(vii)へ進むステップと、
ii)前記見つかったDDPをxddp,iとし、それが集合Vddpに属するか、すなわちxddp,i∈Vddpであるかチェックし、属せばステップ(vii)へ進み、そうでなければVddp=Vddp∪{xddp}をセットして次のステップへ進むステップと、
iii)εを小さな数として、x0,i=xs 0+(1+ε)(xddp,i-xs 0)をセットするステップと、
iv)x0,iからスタートし、過渡探索を導いて、局所探索法が該過渡探索を上回るインターフェース点xinf,iを得るステップと、
v)前記インターフェース点xinfからスタートし、ステップ(iv)で選択された前記ハイブリッド局所探索法を適用して、xddp,iに関する対応した局所最適解を見つけ、xs i
として示すステップと、
vi)xi s,jが既に見つけられたか、すなわち、xi s,j∈Vsであるかチェックし、見つけられていなければ、Vs=Vs∪{xs j}、Vnew j+1=Vnew j+1∪{xs j}、をセットするステップと、
vii)i=i+1をセットするステップと、
viii) i>mjとなるまでステップ(i)からステップ(vii)を繰り返すステップと、
により計算するステップと、
を備えることで、Vsがxs 0の局所最適解の集合を備えるようにする請求項24記載の方法。 - 前記過渡探索を導くステップ(c)(iv)は、前記構築された非線形動的システムを積分するステップを備える請求項25記載の方法。
- 前記最適化問題が離散であり、前記過渡探索を導くステップ(c)(iv)は、xsからは離れる方向だが(xep-xx)の方向には近づくようにx0を丸めて新しい点x0'とし、そしてx0'からスタートして、最良近傍探索法を適用するステップを備える請求項25記載の方法。
- ステップ(c)(iv)の前記局所探索法が既存の局所探索アルゴリズムである請求項25記載の方法。
- 与えられた探索経路と前記安定平衡点xsとに関する動的分解点(DDP)を見つけるステップ(c)(i)は、
a)既知の局所最適解xsと予め定義された探索経路とからスタートするステップと、
b)前記出口点を計算し、該出口点をxexとするステップと、
c)xexからスタートし、前記最小距離点(MDP)を、
i)前記構築された非線形動的システム
を数タイムステップ積分し、前記終点を現在出口点とするステップと、
ii)前記現在出口点と前記局所最適解xsとを結ぶ直線を描き、前記出口点を、xsから始まる前記直線に沿った目的関数の最初の局所最大点である修正された出口点に置きかえるステップと、
iii)ステップ(ii)で得られた前記出口点におけるベクトル場FU(x)のノルムが閾値より小さくなるまで、ステップ(i)から(ii)を繰り返すステップと、
iv)前記現在出口点を最小距離点(MDP)xd 0とするステップと、
により計算するステップと、
d)前記MDPxd 0を初期の推測点として使い、前記安定平衡点xsと前記探索経路とに関する解がDDPxddpであるベクトル場の非線形代数方程式FU(x)=0の集合を解くステップと、
を備える請求項25記載の方法。 - 目的関数と有限次元解空間を有する一般離散最適化問題を解く離散ベース動的方法であって、
a)点が前記離散最適化問題の安定不動点である場合及びその場合に限り、該点が前記離散最適化問題の局所最適解であるという性質を少なくとも含む選択された性質を有する離散非線形動的システムを構築するステップと、
b)前記一般離散最適化問題の全ての局所最適解を、
i)初期値x0からスタートするステップと、
ii)局所最適解を見つけるステップと、
iii)ステップ(b)(ii)にて見つけられた前記局所最適解からスタートし、前記構築された離散非線形動的システムの全ての安定不動点である局所最適解の集合を見つけるステップと、
により見つけるステップと、
c)ステップ(b)(iii)で見つけられた前記安定不動点の中から大域最適解を最良最適解として選択するステップと、
を備える方法。 - ステップ(a)の前記構築された離散非線形動的システムがxk+1=f(xx)の形式のものであり、ここで、x∈Sであって、Sは前記最適化問題の解空間であり、前記構築された離散非線形動的システムは、以下の全ての性質、すなわち、
a)前記構築された離散非線形動的システムの全ての軌道は収束し、その不動点の1つに収束するという性質と、
b)前記離散最適化問題の目的関数は前記構築された離散非線形動的システムの全ての軌道に沿って減少するという性質と、
を満たす請求項30記載の方法。 - 前記離散最適化問題は無制約であり、局所最適解を見つけるステップ(a)(ii)は、
a)初期点x0からスタートし、反復改良局所探索アルゴリズムを前記離散最適化問題へ適用するステップと、
b)前記局所探索アルゴリズムが局所最適解へ収束すれば終了し、そうでなければ次のステップへ進むステップと、
c)終点を得るために、前記初期点x0からスタートして数タイムステップ、最良近傍探索法を使うステップと、
d)前記終点を前記初期点としてセットし、ステップ(a)へ進むステップと、
を備えるハイブリッド局所探索法である請求項30記載の方法。 - ステップ(a)の前記反復改良局所探索アルゴリズムが既存の局所探索アルゴリズムである請求項34記載の方法。
- 前記最適化問題が無制約であり、全ての局所最適解を計算するステップ(b)(iii)は、
a)既知の局所最適解xs 0からスタートするステップと、
b)j=0をセットし、局所最適解の集合Vs={xs 0}と、ティアj局所最適解の集合Vnew j={xs 0}とを初期化するステップと、
c)ティアj+1局所最適解の集合Vnew j+1={φ}を初期化するステップと、
d)Vnew j,xs j内の各局所最適解に対し、全ての新しいティア1局所最適解を見つけ、Vs及びVnew j+1内に前記全ての新しいティア1局所最適解を記録するステップと、
e)新しく計算された局所最適解の集合Vnew j+1が空でなければ、j=j+1をセットしてステップ(c)へ進むステップと、
を備えることで、Vsがxs 0の局所最適解の集合を備えるようにした請求項30記載の方法。 - ティア1最適解の集合を見つけるステップ(d)は、xs 0と、見つけられた局所最適解の集合Vsと、与えられた局所最適解の集合Vnew j+1とからスタートし、xs 0i=1,2,...,mに対する探索経路Siの集合を定義し、i=1をセットするステップと、
b)各探索経路Siに対し、出口点(EP)法及び動的分解点(DDP)法を備えるグループから選択された方法により別の局所最適解を見つけ、局所最適解が見つかれば、それをXs iとして次のステップへ進み、そうでなければステップ(d)へ進むステップと、
c)Xs iが既に見つかったか、すなわちXs i∈Vsであるかをチェックし、見つかっていなければ、Vs=Vs∪{xs j}及びVnew j+1=Vnew j+1∪{xs j}をセットするステップと、
d)i=i+1をセットするステップと、
e)i>mとなるまでステップ(b)からステップ(d)を繰り返すステップと、
を備えることで、Vsがxs 0の局所最適解の集合を備えるようにする請求項36記載の方法。 - 出口点ベース法により別の局所最適解を見つけるステップ(b)は、
a)既知の局所最適解xsと、予め定義された探索経路とからスタートするステップと、
b)対応する出口点(EP)xexを計算するステップと、
c)EPが見つからなければ終了し、そうでなければ次のステップへ進むステップと、
d)前記見つけられた出口点xexからスタートし、(i)xsから新しい点x0へ1ステップづつ、前記予め定義された探索経路に沿って動くステップと、(ii)表現が可能であれば、εが小さな数であるx0=xs+(1+ε)(xex-xs)を使うステップとを備えるグループから選択されたステップにより進むステップと、
e)x0からスタートして、局所探索法が最良近接探索法を上回るインターフェース点xinfに到達するまで、該最良近接探索法を適用するステップと、
f)前記インターフェース点xinfからスタートし、ステップ(e)で選択された前記ハイブリッド局所探索法を適用してその対応した近接局所最適解を見つけるステップと、
を備える請求項37記載の方法。 - ステップ(e)の前記局所探索法が既存の局所探索アルゴリズムである請求項38記載の方法。
- 与えられた探索経路に関する出口点を見つけるステップ(b)は、
i)既知の局所最適解xsからスタートするステップと、
ii)前記予め定義された探索経路に沿って移動して、該予め定義された探索経路に沿った前記最適化問題の目的関数の最初の局所最大点である出口点を計算するステップと、
を備える請求項38記載の方法。 - DDPベース法により別の局所最適解を見つけるステップ(b)は、
a)既知の局所最適解xsと、予め定義された探索経路とからスタートするステップと、
b)対応する動的分解点(DDP)xddpを計算するステップと、
c)DDPが見つからなければ終了し、そうでなければステップ(d)へ進むステップと、
d)前記見つけられたDDPxddpからスタートし、(i)最後の出口点xexをxsから遠く新しい点x0へ調整するために使用されたアップデートされた探索経路に沿って1ステップ動くステップと、(ii)表現が利用可能であれば、εが小さな数であるx0=xs+(1+ε)(xddp-xs)を使うステップとを備えるグループから選択されたステップにより進むステップと、
e)x0からスタートし、局所探索法が最良近傍探索法を上回るインターフェース点xinfに到達するまで、該最良近傍探索法を適用するステップと、
f)前記インターフェース点xinfからスタートし、ステップ(e)で選択された前記局所探索法を適用してその対応した近接局所最適解を見つけるステップと、
を備える請求項37記載の方法。 - ステップ(e)の前記局所探索法が既存在の局所探索アルゴリズムである請求項41記載の方法。
- 与えられた探索経路に関する動的分解点(DDP)を見つけるステップ(b)は、
a)既知の局所最適解xsからスタートし、前記予め定義された探索経路に沿って動くステップと、
b)対応する出口点(EP)xexを計算するステップと、
c)EPが見つからなければ終了するステップと、
d)xexからスタートし、最良の近傍探索法を適用してxexを新しい点xcへ1(前方)反復移動させるステップと、
e)以下のステップ、すなわち、
i)xsとxcとを結ぶ直線を形成するステップと、
ii)ベクトル(xs-xex)及び(xc-xex)が利用可能であれば、2つのベクトル(xs-xex)及び(xc-xex)間の角度εを計算し、εが0度もしくは180度に近ければ、xexがDDPであり終了し、そうでなければステップ(e)(iv)へ進むステップと、
iii)ベクトル(xs-xex)及び(xc-xex)が利用可能でなければ、前記探索経路をアップデートして現在のxexを該アップデートされた探索経路上にのせ、点xex,xc,xsが前記アップデートされた探索経路上であれば、xexがDDPであり、終了するステップと、
iv)xcを、xsからスタートする直線に沿った目的関数の最初の局所最大点である点xc'へ修正するステップと、
v)xc'がxexと同じ点であれば終了してxc'をDDPとして出力し、そうでなければステップ(f)へ進むステップと、
によって直線修正手順を実施するステップと、
f)前記出口点としてxc'を使い、すなわち、xc'→xexとし、ステップ(d)へ進むステップと、
を備える請求項41記載の方法。 - 前記離散最適化問題が有制約であって、閉形式制約方程式の集合を有しており、前記方法は、ステップ(a)の前に、全ての実行可能領域の集合を見つけるための連続非線形動的システムを構築するステップを更に備えて、
a)前記連続非線形動的システムの全てのシステム軌道は、その平衡多様体の1つに収束するという条件と、
b)集合は、該集合が前記連続非線形動的システムの安定平衡多様体である場合及びその場合に限り、制約方程式の集合の実行可能成分であるという条件と、
を満足するようにした請求項32記載の方法。 - 前記離散最適化問題が有制約であって、閉形式制約方程式の集合を有しており、局所最適解を見つける請求項19のステップ(b)(ii)は、
a)初期点x0からスタートし、ここでいくつかの制約条件は禁止されるステップと、
b)局所最適解を、
i)k=1をセットするステップと、
ii)方程式
からU(k)を計算し、ここで、λi(k-1)は前記探索プロセスを以前の遭遇した違反から離す力を決定する非負修正ファクタであり、そして、スラック変数yは
として決定するステップと、
iii)x0が実行可能領域内にあれば、有制約のより良い近傍法の方向と、
とを使って、L(x,λ)がラグランジェ関数であるΔxL(x,λ)を計算し、そうでなければ、オリジナル解空間内のより良い近傍方向を使ってΔxL(x,λ)を計算するステップと、
iv)U(k)とΔxL(x,λ)の両方が十分小さければステップ(c)へ進み、そうでなければxk=xk-1+ΔxL(xk-1,λk-1),λk=λk-1+U(k)に基づきxとλを更新するステップと、
v)k=k+1をセットし、予め定義された繰り返し数でステップ(ii)からステップ(iv)を繰り返すステップと、
により見つけるステップと、
c)ステップ(c)が収束すれば、現在の点x0を局所最適解として出力するステップと、
を備える請求項32記載の方法。 - 局所最適解を見つける請求項30のステップ(b)(ii)が、実行可能点からスタートする有制約局所最適化法を適用するステップを備える請求項32記載の方法。
- 前記最適化問題が有制約で、閉形式有制約方程式を有し、全ての局所最適解を計算する請求項30のステップ(b)(iii)が、
a)既知の局所最適解xs 0から開始するステップと、
b)j=0をセットし、局所最適解の集合Vs={xs 0}と、ティア0実行可能成分の集合V0 j={xs 0}とを初期化するステップと、
c)ティア(j+1)実行可能成分の集合V0 j+1={φ}を初期化するステップと、
d)V0 j,x0 j内の各実行可能点に対し、
i)x0 jを含む有制約最適化問題の実行可能成分内にある全ての局所最適解を見つけるステップと、
ii)x0 j,i=1,2,...,kに対し、探索経路Si jの集合を定義するステップと、
iii)各探索経路Si jに対し、
1)i=1をセットするステップと、
2)近傍実行可能成分内にある点xj 0,iを見つけるステップと、
3)xj 0,iからスタートし、局所探索法を適用して局所最適解xj s,iを見つけ、xj s,iがまだ見つかっていなければ、V0 j+1=V0 j+1∪{xj 0,i}とVs=Vs∪{xj s,i}をセットするステップと、
4)i=i+1をセットするステップと、
5)i>kとなるまでステップ(d)(iii)(2)から(d)(iii)(4)を繰り返すステップと、
により近接実行可能成分を見つけるステップと、
e)全ての新しく計算された実行可能点V0 j+1の集合が空でなければ、j=j+1をセットし、ステップ(c)からステップ(d)を繰り返すステップと、
を備えることで、Vsがxs 0の局所最適解の集合を備えるようにする請求項44記載の方法。 - 近接実行可能成分内にある点を見つけるステップ(d)(iii)(2)が、
a)εが小さな数であるx0+ε×Si jからスタートし、逆時間軌道を得るための逆時間モードにおいて前記連続非線形動的システムを積分して、前記構築された連続非線形動的システムの不安定平衡多様体中にある点xd iを見つけ、該点xd iがみつからなければ終了するステップと、
b)εが小さな数であるxp i=xd i+(1+ε)(xd i-x0)をセットするステップと、
c)xp iからスタートし、結合実行可能成分内の実行可能点x0 iを、
i)x0からスタートし前記構築された連続非線形動的システムを積分して、数タイムステップのシステム軌道を得るステップと、
ii)前記軌道が実行可能点へ収束すれば、終了するステップと、
iii)x0からスタートして反復改善局所探索アルゴリズムを適用するステップと、
iv)前記局所探索アルゴリズムが実行可能点へ収束すれば終了するステップと、
v)前記終点を前記初期点x0としてセットし、ステップ(c)(i)へ進むすテップと、
により見つけるステップと、
を備える請求項47記載の方法。 - 実行可能成分内の局所最適解を見つけるステップ(d)(iii)(3)はハイブリッド局所探索法であり、
a)初期点x0からスタートし、反復改善局所探索アルゴリズムを前記離散最適化問題へ適用するステップと、
b)前記局所探索アルゴリズムが局所最適解へ収束すれば、終了するステップと、
c)数反復毎に初期点x0からスタートして、有制約の最良近傍探索法と有制約のより良い近傍局所探索法とを備えるグループから選択された方法を使って、終了点を得るステップと、
d)前記終点を前記初期点としてセットするステップと、
e)ステップ(a)へ進むステップと、
を備える請求項47記載の方法。 - ステップ(a)の前記局所探索アルゴリズムが既存の有制約局所探索アルゴリズムである請求項49記載の方法。
- 実行可能成分内の局所最適解の集合を見つけるステップ(d)(i)が、
a)既知の局所最適解xs 0と、見つけられた局所最適解の集合Vsとからスタートするステップと、
b)j=0をセットし、ティアj局所最適解の集合Vnew j={xs 0}と、現在の実行可能成分内の局所最適解の集合Vs c={xs 0}とを初期化するステップと、
c)ティアj+1局所最適解の集合Vnew j+1={φ}を初期化するステップと、
d)Vnew j内の各局所最適解xs jに対し、xs jを含む実行可能成分内の全ての新しいティア1局所最適解を見つけ、集合Vs,Vnew j+1,Vs c内に前記新しいティア1局所最適解を記録するステップと、
e)全ての新しく計算された局所最適解の集合Vnew j+1が空でなければ、j=j+1をセットし、ステップ(c)へ進むステップと、
を備えることで、Vsがxs 0の局所最適解の集合を備えるようにする請求項47記載の方法。 - ティア1局所最適解の集合を見つけるステップ(d)が、
a)既知の局所最適解xs 0と、局所最適解の集合Vsと、与えられた局所最適解の集合Vnew j+1と、現在成分内の局所最適解の集合Vs cとからスタートし、xs 0,i=1,2,...,mに対する探索経路Siの集合を定義するステップと、
b)各探索経路Siに対し、出口点法と動的分解点法とを備えるグループから選択された方法により別の局所最適解を見つけるステップと、
c)局所最適解xs iが見つからなければステップ(e)へ進むステップと、
d)xs iがまだ見つかっていなければ、Vs=Vs∪{xs i},Vnew j+1=Vnew j+1∪{xs i},Vs c=Vs c∪{xs i}をセットするステップと、
e)i=i+1をセットするステップと、
f)i>mとなるまでステップ(b)からステップ(e)を繰り返すステップと、
を備えることで、Vsがxs 0の局所最適解の集合を備えるようにする請求項51記載の方法。 - 出口点法により別の局所最適解を見つけるステップ(b)が、
a)既知の局所最適解xs 0と予め定義された探索経路とからスタートするステップと、
b)対応する出口点(EP)xexを計算し、EPが見つからなければ終了するステップと、
c)前記見つけられた出口点xexからスタートし、(i)xsから新しい点x0へ1ステップ予め定義された探索経路に沿って動くステップと、(ii)εが小さな数であるx0=xs+(1+ε)(xex-xs)を、もしこの表現を利用可能ならば使うステップと、を備えるグループから選択されたステップにより進むステップと、
d)有制約最良近接探索法を、x0からスタートして、有制約局所探索法が前記有制約最良近接探索法を上回るインターフェース点xinfに前記有制約最良近接探索法が到達するまで、適用するステップと、
e)前記インターフェース点xinfからスタートし、ステップ(d)で選択された前記有制約局所探索法を適用して、対応した近接局所最適解を見つけるステップと、
を備える請求項52記載の方法。 - ステップ(d)の前記有制約局所探索法が既存の局所探索アルゴリズムである請求項53記載の方法。
- 与えられた探索経路に関する前記出口点を見つけるステップ(b)が、
i)既知の局所最適解xsからスタートし、前記予め定義された探索経路に沿って移動して、前記予め定義された探索経路に沿った前記最適解問題の目的関数の最初の局所最大点である前記出口点を計算するステップと、
ii)該プロセス中に制約の禁止状態をチェックし、制約条件が禁止であれば、前記探索プロセスを終了し、前記出口点が見つからない旨を出力するステップと、
を備える請求項53記載の方法。 - 動的分解点(DDP)法により別の局所最適解を見つけるステップ(b)は、
a)既知の局所最適解xsと予め定義された探索経路とからスタートするステップと、
b)対応する動的分解点(DDP)xddpを計算し、DDPが見つからなければ終了するステップと、
c)前記見つけられたDDPxddpからスタートし、(i)最後の出口点xexをxsから更に遠く新しい点x0へ調整するのに使用される更新された探索経路に沿って1ステップ動くプロセスと、(ii)εが小さな数であるx0=xs+(1+ε)(xddp-xs)を、その表現が利用可能であれば用いるプロセスと、を備えるグループから選択されたプロセスにより進むステップと、
d)有制約最良近傍探索法を、x0からスタートし、有制約局所探索法が前記有制約最良近接探索法を上回るインターフェース点xinfに前記有制約最良近接探索法が到達するまで、適用するステップと、
e)前記インターフェース点xinfからスタートし、ステップ(d)で選択された前記有制約局所探索法を適用して、対応した近接局所最適解を見つけるステップと、
を備える請求項52記載の方法。 - ステップ(d)の前記有制約局所探索法が既存の局所探索アルゴリズムである請求項56記載の方法。
- 与えられた探索経路に関する動的分解点(DDP)を見つけるステップ(b)は、
a)既知の局所最適解xsと、予め定義された探索経路とからスタートするステップと、
b)対応する出口点(EP)xexを計算し、該プロセス中に制約の禁止状態をチェックし、制約条件が禁止もしくは、EPが見つからなければ、該プロセスを終了するステップと、
c)xexからスタートし、有制約最良近接探索法を適用して、xexを新しい点xcへ1前方反復移動させるステップと、
d)直線修正手順を、
i)xsとxcとを結ぶ直線を形成するステップと、
ii)ベクトル(xs-xex)と(xc-xex)が利用可能であれば、2つのベクトル(xs-xex)と(xc-xex)との間の角度εを計算し、εが0度もしくは180度に近ければ、xexはDDPで終了し、そうでなければステップ(d)(iv)へ進むステップと、
iii)ベクトル(xs-xex)と(xc-xex)が利用可能でなければ、前記探索経路を更新して、現在のxexを前記更新された探索経路上にのせ、点xex,xc,xsが前記更新された探索経路上であれば、xexはDDPであり終了するステップと、
iv)xcを、xsからスタートする直線の最初の局所最大点である点xc'へ修正するステップと、
v)xc'がxexと同じであれば、xc'をDDPとして終了するステップと、
により実施するステップと、
e)xc'を前記出口点として使い、xc'→xexとして、ステップ(d)へ進むステップと、
を備える請求項56記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/153,070 US7050953B2 (en) | 2002-05-22 | 2002-05-22 | Dynamical methods for solving large-scale discrete and continuous optimization problems |
PCT/US2003/016039 WO2003100598A1 (en) | 2002-05-22 | 2003-05-21 | Dynamical methods for solving large-scale discrete and continuous optimization problems |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005527034A true JP2005527034A (ja) | 2005-09-08 |
Family
ID=29548593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004507985A Pending JP2005527034A (ja) | 2002-05-22 | 2003-05-21 | 大規模離散及び連続最適化問題解法の動的方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US7050953B2 (ja) |
JP (1) | JP2005527034A (ja) |
CN (1) | CN1668996A (ja) |
AU (1) | AU2003237905A1 (ja) |
TW (1) | TWI261763B (ja) |
WO (1) | WO2003100598A1 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011516022A (ja) * | 2008-03-26 | 2011-05-19 | 東京電力株式会社 | 電力システムの安定平衡点算出装置 |
JP2019219869A (ja) * | 2018-06-19 | 2019-12-26 | Necソリューションイノベータ株式会社 | パラメータ探索装置、パラメータ探索方法、及びプログラム |
US11488056B2 (en) | 2017-10-04 | 2022-11-01 | Fujitsu Limited | Learning program, learning apparatus, and learning method |
Families Citing this family (64)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7277832B2 (en) * | 2001-05-04 | 2007-10-02 | Bigwood Technology, Inc. | Dynamical method for obtaining global optimal solution of general nonlinear programming problems |
US7072723B2 (en) * | 2002-10-23 | 2006-07-04 | Clearsight Systems Inc. | Method and system for optimization of general problems |
US8504396B2 (en) * | 2002-12-24 | 2013-08-06 | Sap Aktiengeselleschaft | Flexible maintenance planning |
EP1682947A4 (en) * | 2003-10-23 | 2008-01-23 | Clearsight Systems Inc | METHOD AND SYSTEM FOR OPTIMIZING GENERALLY SYMBOLICALLY EXPRESSED PROBLEMS FOR THE CONTINUOUS REPAIR OF STATE FUNCTIONS, INCLUDING STATUS FUNCTIONS DERIVED FROM SOLUTIONS OF COMPUTER OPTIMIZATION FOR GENERAL CONTROL OF COMPUTER PROCESSES AND FOR HIERARCHICAL METAS CONTROL AND CONSTRUCTION |
US7979242B2 (en) * | 2004-02-09 | 2011-07-12 | International Business Machines Corporation | Method and structure for providing optimal design of toleranced parts in manufacturing |
US8189002B1 (en) * | 2004-10-29 | 2012-05-29 | PME IP Australia Pty, Ltd. | Method and apparatus for visualizing three-dimensional and higher-dimensional image data sets |
US20060173728A1 (en) * | 2005-01-21 | 2006-08-03 | Lianjun An | Adaptive product configuration model |
US20060253517A1 (en) * | 2005-04-15 | 2006-11-09 | Argentar David R | Using binary array representations of sequences to eliminate redundant patterns in discovered patterns of symbols |
EP1961639A1 (en) * | 2007-02-22 | 2008-08-27 | Nederlandse Organisatie voor toegepast- natuurwetenschappelijk onderzoek TNO | Vehicle driving assistance |
US8392529B2 (en) | 2007-08-27 | 2013-03-05 | Pme Ip Australia Pty Ltd | Fast file server methods and systems |
WO2009067675A1 (en) | 2007-11-23 | 2009-05-28 | Mercury Computer Systems, Inc. | Client-server visualization system with hybrid data processing |
US9904969B1 (en) | 2007-11-23 | 2018-02-27 | PME IP Pty Ltd | Multi-user multi-GPU render server apparatus and methods |
US8319781B2 (en) | 2007-11-23 | 2012-11-27 | Pme Ip Australia Pty Ltd | Multi-user multi-GPU render server apparatus and methods |
US10311541B2 (en) | 2007-11-23 | 2019-06-04 | PME IP Pty Ltd | Multi-user multi-GPU render server apparatus and methods |
WO2009067680A1 (en) | 2007-11-23 | 2009-05-28 | Mercury Computer Systems, Inc. | Automatic image segmentation methods and apparartus |
US7668707B2 (en) * | 2007-11-28 | 2010-02-23 | Landmark Graphics Corporation | Systems and methods for the determination of active constraints in a network using slack variables and plurality of slack variable multipliers |
WO2009075946A1 (en) | 2007-12-13 | 2009-06-18 | Exxonmobil Upstream Research Company | Iterative reservior surveillance |
AU2009238481B2 (en) * | 2008-04-22 | 2014-01-30 | Exxonmobil Upstream Research Company | Functional-based knowledge analysis in a 2D and 3D visual environment |
US8892407B2 (en) | 2008-10-01 | 2014-11-18 | Exxonmobil Upstream Research Company | Robust well trajectory planning |
TWI399659B (zh) * | 2009-06-25 | 2013-06-21 | Univ Nat Chiao Tung | Designed for Chip Design and Chip Products Designed for Chip Packaging and Board Design |
CN102741854B (zh) | 2009-10-23 | 2015-08-19 | 埃克森美孚上游研究公司 | 利用梯度信息进行优化的方法 |
US8931580B2 (en) | 2010-02-03 | 2015-01-13 | Exxonmobil Upstream Research Company | Method for using dynamic target region for well path/drill center optimization |
EP2591459B1 (en) * | 2010-07-09 | 2016-09-07 | Koninklijke Philips N.V. | Automatic point-wise validation of respiratory motion estimation |
AU2011293804B2 (en) | 2010-08-24 | 2016-08-11 | Exxonmobil Upstream Research Company | System and method for planning a well path |
WO2012102784A1 (en) | 2011-01-26 | 2012-08-02 | Exxonmobil Upstream Research Company | Method of reservoir compartment analysis using topological structure in 3d earth model |
CA2822890A1 (en) | 2011-02-21 | 2012-08-30 | Exxonmobil Upstream Research Company | Reservoir connectivity analysis in a 3d earth model |
US9223594B2 (en) | 2011-07-01 | 2015-12-29 | Exxonmobil Upstream Research Company | Plug-in installer framework |
US20130018700A1 (en) * | 2011-07-14 | 2013-01-17 | International Business Machines Corporation | Optimizing product portfolios under customer choice |
WO2013169429A1 (en) | 2012-05-08 | 2013-11-14 | Exxonmobile Upstream Research Company | Canvas control for 3d data volume processing |
US20140257767A1 (en) * | 2013-03-09 | 2014-09-11 | Bigwood Technology, Inc. | PSO-Guided Trust-Tech Methods for Global Unconstrained Optimization |
US10540803B2 (en) | 2013-03-15 | 2020-01-21 | PME IP Pty Ltd | Method and system for rule-based display of sets of images |
US8976190B1 (en) | 2013-03-15 | 2015-03-10 | Pme Ip Australia Pty Ltd | Method and system for rule based display of sets of images |
US9400491B2 (en) * | 2013-03-15 | 2016-07-26 | Rockwell Automation Technologies, Inc. | Stabilized deteministic optimization based control system and method |
US10317857B2 (en) | 2013-03-15 | 2019-06-11 | Rockwell Automation Technologies, Inc. | Sequential deterministic optimization based control system and method |
US11244495B2 (en) | 2013-03-15 | 2022-02-08 | PME IP Pty Ltd | Method and system for rule based display of sets of images using image content derived parameters |
US9448546B2 (en) | 2013-03-15 | 2016-09-20 | Rockwell Automation Technologies, Inc. | Deterministic optimization based control system and method for linear and non-linear systems |
US9509802B1 (en) | 2013-03-15 | 2016-11-29 | PME IP Pty Ltd | Method and system FPOR transferring data to improve responsiveness when sending large data sets |
US10070839B2 (en) | 2013-03-15 | 2018-09-11 | PME IP Pty Ltd | Apparatus and system for rule based visualization of digital breast tomosynthesis and other volumetric images |
US11183292B2 (en) | 2013-03-15 | 2021-11-23 | PME IP Pty Ltd | Method and system for rule-based anonymized display and data export |
US10584570B2 (en) | 2013-06-10 | 2020-03-10 | Exxonmobil Upstream Research Company | Interactively planning a well site |
US9152611B2 (en) | 2013-07-30 | 2015-10-06 | Bigwood Technology, Inc. | Trust-tech enhanced methods for solving mixed-integer optimization problems |
US9864098B2 (en) | 2013-09-30 | 2018-01-09 | Exxonmobil Upstream Research Company | Method and system of interactive drill center and well planning evaluation and optimization |
WO2015199779A2 (en) | 2014-03-31 | 2015-12-30 | Peterson Elmor L | Flexible vector-processing algorithms for numerically solving extreme-scale, linear and non-linear, predictive and prescriptive, problems in science and engineering, on parallel-processing super computers |
US9836697B2 (en) * | 2014-10-06 | 2017-12-05 | International Business Machines Corporation | Determining variable optimal policy for an MDP paradigm |
US11599672B2 (en) | 2015-07-31 | 2023-03-07 | PME IP Pty Ltd | Method and apparatus for anonymized display and data export |
US9984478B2 (en) | 2015-07-28 | 2018-05-29 | PME IP Pty Ltd | Apparatus and method for visualizing digital breast tomosynthesis and other volumetric images |
CN105095680B (zh) * | 2015-09-21 | 2018-01-23 | 武汉理工大学 | 基于微分测度随机相遇不确定性的搜救方法及系统 |
CN108228135B (zh) * | 2016-12-15 | 2021-09-07 | 上海寒武纪信息科技有限公司 | 一种运算多种超越函数的装置 |
CN106597856B (zh) * | 2016-12-29 | 2019-03-05 | 北京理工大学 | 基于网格搜索的双星系统空间轨道族搜索方法 |
US10909679B2 (en) | 2017-09-24 | 2021-02-02 | PME IP Pty Ltd | Method and system for rule based display of sets of images using image content derived parameters |
US10884721B2 (en) * | 2018-05-08 | 2021-01-05 | Autodesk, Inc. | Branch objects for dependent optimization problems |
CN109345465B (zh) * | 2018-08-08 | 2023-04-07 | 西安电子科技大学 | 基于gpu的高分辨率图像实时增强方法 |
CN109408939B (zh) * | 2018-10-18 | 2022-11-29 | 燕山大学 | 一种兼顾应力和位移约束的薄板结构加强筋分布优化的改进方法 |
US10713055B2 (en) | 2018-10-29 | 2020-07-14 | International Business Machines Corporation | Parallelization of numeric optimizers |
US11507787B2 (en) | 2018-12-12 | 2022-11-22 | International Business Machines Corporation | Model agnostic contrastive explanations for structured data |
TWI753329B (zh) | 2019-12-06 | 2022-01-21 | 財團法人工業技術研究院 | 具風險評估之最佳取樣參數搜尋系統、方法與圖案化使用者介面 |
GB2592890A (en) * | 2019-12-18 | 2021-09-15 | Kalibrate Tech Limited | Discrete Optimisation |
CN111241692B (zh) * | 2020-01-16 | 2022-11-08 | 南京航空航天大学 | 一种用于轮胎魔术公式的参数辨识方法 |
CN111652412B (zh) * | 2020-05-20 | 2022-07-05 | 华中科技大学 | 一种应用于置换流水车间的邻域搜索调度方法及装置 |
CN112258515B (zh) * | 2020-12-24 | 2021-03-19 | 上海国微思尔芯技术股份有限公司 | 一种基于固定顶点的图分割方法 |
CN112859912B (zh) * | 2021-01-11 | 2022-06-21 | 中国人民解放军国防科技大学 | 中继充电模式下无人机路径规划的自适应优化方法与系统 |
CN112883493B (zh) * | 2021-03-16 | 2023-04-11 | 中国人民解放军国防科技大学 | 一种基于迭代空间映射的无人机在线协同空域冲突消解方法 |
CN113283194B (zh) * | 2021-05-31 | 2022-08-02 | 深圳大学 | 获取天然气系统最小状态气流量的节点级分散方法 |
CN114911270A (zh) * | 2022-06-20 | 2022-08-16 | 南京信息工程大学 | 一种基于并行自适应蚁群算法的无人机覆盖路径规划方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US2002A (en) * | 1841-03-12 | Tor and planter for plowing | ||
JP2779736B2 (ja) * | 1992-08-03 | 1998-07-23 | 株式会社日立製作所 | 最適化装置およびそれを利用した工程計画作成装置 |
US6076030A (en) * | 1998-10-14 | 2000-06-13 | Carnegie Mellon University | Learning system and method for optimizing control of autonomous earthmoving machinery |
US6490572B2 (en) * | 1998-05-15 | 2002-12-03 | International Business Machines Corporation | Optimization prediction for industrial processes |
US6826549B1 (en) * | 1999-11-04 | 2004-11-30 | Mitsubishi Electric Research Laboratories, Inc. | Interactive heuristic search and visualization for solving combinatorial optimization problems |
US6606529B1 (en) * | 2000-06-09 | 2003-08-12 | Frontier Technologies, Inc. | Complex scheduling method and device |
US6961685B2 (en) | 2000-09-19 | 2005-11-01 | Sy Bon K | Probability model selection using information-theoretic optimization criterion |
US7277832B2 (en) * | 2001-05-04 | 2007-10-02 | Bigwood Technology, Inc. | Dynamical method for obtaining global optimal solution of general nonlinear programming problems |
-
2002
- 2002-05-22 US US10/153,070 patent/US7050953B2/en not_active Expired - Fee Related
- 2002-09-20 TW TW091121697A patent/TWI261763B/zh not_active IP Right Cessation
-
2003
- 2003-05-21 AU AU2003237905A patent/AU2003237905A1/en not_active Abandoned
- 2003-05-21 WO PCT/US2003/016039 patent/WO2003100598A1/en active Application Filing
- 2003-05-21 JP JP2004507985A patent/JP2005527034A/ja active Pending
- 2003-05-21 CN CNA038170116A patent/CN1668996A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011516022A (ja) * | 2008-03-26 | 2011-05-19 | 東京電力株式会社 | 電力システムの安定平衡点算出装置 |
US11488056B2 (en) | 2017-10-04 | 2022-11-01 | Fujitsu Limited | Learning program, learning apparatus, and learning method |
JP2019219869A (ja) * | 2018-06-19 | 2019-12-26 | Necソリューションイノベータ株式会社 | パラメータ探索装置、パラメータ探索方法、及びプログラム |
JP7156666B2 (ja) | 2018-06-19 | 2022-10-19 | Necソリューションイノベータ株式会社 | パラメータ探索装置、パラメータ探索方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US7050953B2 (en) | 2006-05-23 |
CN1668996A (zh) | 2005-09-14 |
AU2003237905A1 (en) | 2003-12-12 |
TWI261763B (en) | 2006-09-11 |
WO2003100598A1 (en) | 2003-12-04 |
US20030220772A1 (en) | 2003-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2005527034A (ja) | 大規模離散及び連続最適化問題解法の動的方法 | |
Müller et al. | SO-MI: A surrogate model algorithm for computationally expensive nonlinear mixed-integer black-box global optimization problems | |
Korns | Accuracy in symbolic regression | |
Van Dongen et al. | Aligning modeled and observed behavior: A compromise between computation complexity and quality | |
CN105550746A (zh) | 机器学习模型的训练方法和训练装置 | |
US11835928B2 (en) | Adaptive mixed integer nonlinear programming for process management | |
Schulz | High quality graph partitioning | |
JP6550384B2 (ja) | ハイパー多項式コストなしでnpの問題を解決するための方法及びコンピューティング装置 | |
Horváth et al. | Dynamic constraint satisfaction problems over models | |
JP2019139323A (ja) | 最適化システム、最適化装置及び最適化システムの制御方法 | |
Drechsler et al. | Learning heuristics for OBDD minimization by evolutionary algorithms | |
Hoos et al. | Local search methods | |
Munera et al. | Solving the quadratic assignment problem with cooperative parallel extremal optimization | |
Kiani-Moghaddam et al. | Introduction to multi-objective optimization and decision-making analysis | |
Kumar et al. | Hybrid NSGA-II based decision-making in fuzzy multi-objective reliability optimization problem | |
Hung et al. | BDD minimization by scatter search | |
Rezapoor Mirsaleh et al. | A learning automata-based memetic algorithm | |
US6516313B1 (en) | Method for dynamic constraint handling in vertex based optimization of a continuous complex system | |
Drechsler et al. | Multi-objective optimization in evolutionary algorithms using satisfiability classes | |
Koohestani et al. | Evolving an improved algorithm for envelope reduction using a hyper-heuristic approach | |
Liu | Surrogate-Assisted Unified Optimization Framework for Investigating Marine Structural Design Under Information Uncertainty. | |
Liu et al. | Optimizing online control of constrained systems with switched dynamics | |
Dehimi et al. | A novel distributed dynamic planning approach based on constraint satisfaction. | |
Mei et al. | Adaptive GA: An essential ingredient in high-level synthesis | |
US6763276B1 (en) | Method for optimizing a continuous complex system using a set of vertices and dynamic hierarchical constraints |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20070920 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20071016 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20080311 |