JP2012068776A - 最適化装置、最適化方法、及び最適化プログラム - Google Patents
最適化装置、最適化方法、及び最適化プログラム Download PDFInfo
- Publication number
- JP2012068776A JP2012068776A JP2010211564A JP2010211564A JP2012068776A JP 2012068776 A JP2012068776 A JP 2012068776A JP 2010211564 A JP2010211564 A JP 2010211564A JP 2010211564 A JP2010211564 A JP 2010211564A JP 2012068776 A JP2012068776 A JP 2012068776A
- Authority
- JP
- Japan
- Prior art keywords
- search
- region
- area
- optimization
- solution
- 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.)
- Withdrawn
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【課題】局所最適解の近くに真の最適解の存在する実数値ベクトル最適化問題に対して、真の最適解の発見率を向上させる。
【解決手段】最適化装置100の最適化部110は、遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、探索ごとの近似最適解を求める。探索禁止領域設定部130は、最適化部110による探索のそれぞれが終了するごとに、終了した1以上の探索のそれぞれについて、当該探索に基づいて、探索禁止領域を探索の繰り返し回数に応じて小さくなるように設定する。
【選択図】 図1
【解決手段】最適化装置100の最適化部110は、遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、探索ごとの近似最適解を求める。探索禁止領域設定部130は、最適化部110による探索のそれぞれが終了するごとに、終了した1以上の探索のそれぞれについて、当該探索に基づいて、探索禁止領域を探索の繰り返し回数に応じて小さくなるように設定する。
【選択図】 図1
Description
本発明は最適化装置、最適化方法、及び最適化プログラムに関し、特に、局所最適解をもつ目的関数を最適化する最適化システム、最適化方法、及び最適化プログラムに関する。
実数値ベクトル最適化問題とは、入力が実数値ベクトルxで出力が実数値スカラーであるようなある目的関数f(x)が与えられたとき、この目的関数を最小化または最大化する実数値ベクトルを求める問題である。
実数値ベクトル最適化問題は、例えば特許文献1や特許文献2のように、産業上しばしば現れる重要な問題クラスである。
一般に、最適化問題には厳密解法が存在しないことが知られている。このため、最適化問題の解法としては、遺伝的アルゴリズム(Genetic Algorithm、以下GAとする)のようなメタヒューリスティクスを用いた解法が用いられることが多い。
GAは、生物の進化のしくみを最適化問題に置き換えたもので、例えば非特許文献1に一例が紹介されている。GAでは複数の解候補を用い、解候補集団をより目的関数値の小さい(または、大きい)領域へ移動、収束させて行くという特徴をもつ。
一方で、目的関数内に非最適解である局所最適解が存在しており、且つ最適解周辺の目的関数値が悪いとき(最適解周辺で、目的関数の値が、最適解から急激に変化するとき)、GAでは解候補集団を非最適な局所最適解へと収束させてしまう、という問題が知られている。
これを解決するため、非特許文献2では探索を繰り返し行うという方法が開示されている。この方法では、探索が終了するごとに、十分探索したとみなせる領域を探索禁止領域として新しく保存し、次回以降の探索では保存されている探索禁止領域全てを探索対象から除外することで、解候補集団の局所最適解への収束を防止し、探索を真の最適解へと促している。
その他、関連技術として特許文献3や特許文献4などがある。特許文献3では、解候補をより密度の小さい領域に発生させる最適解探索装置が開示されている。特許文献4では、局所解を利用した並列GAによる大域的探索装置が開示されている。
北野宏明編、「遺伝的アルゴリズム4」、産業図書、2000年8月30日、p.223−240
木下峻一、佐久間淳、小林重信、小野功、「UV構造を考慮した実数値GAの新たな枠組みの提案とその性能評価」、人工知能学会全国大会論文集、2008年
ところが非特許文献2の方法では、局所最適解の近くに真の最適解が存在する場合に、その真の最適解の発見率が低下する。これは、ある探索における局所最適解をその探索の最適解として求めたときに、その局所最適解の近くに存在する真の最適解を、誤って探索禁止領域に含めてしまうことがあるためである。最適解が探索禁止領域に含まれてしまうと、何度繰り返し探索を行ったとしても、最適解を発見することができない。
本発明の目的は、上述の課題を解決し、局所最適解の近くに真の最適解の存在する実数値ベクトル最適化問題に対して、真の最適解の発見率を向上させる最適化装置、最適化方法、及び最適化プログラムを提供することである。
本発明の最適化装置は、遺伝的アルゴリズムにおける探索禁止領域を記憶する探索禁止領域記憶手段と、遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域記憶手段に記憶された前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求める最適化手段と、前記最適化手段による前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定し、前記探索禁止領域記憶手段に保存する探索禁止領域設定手段と、を含む。
本発明の最適化方法は、遺伝的アルゴリズムにおける探索禁止領域を記憶し、遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求め、前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定する。
本発明の最適化プログラムは、コンピュータに、遺伝的アルゴリズムにおける探索禁止領域を記憶し、遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求め、前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定する処理を実行させる。
本発明の効果は、局所最適解の近くに真の最適解の存在する実数値ベクトル最適化問題に対して、より確実に真の最適解を発見できることである。
(第一の実施の形態)
次に、本発明の第一の実施の形態について図面を参照して詳細に説明する。
次に、本発明の第一の実施の形態について図面を参照して詳細に説明する。
はじめに、本発明の第一の実施の形態における最適化装置100の構成について説明する。図2は、本発明の第一の実施の形態における最適化装置100の構成を示すブロック図である。
図2を参照すると、本発明の第一の実施の形態における最適化装置100は、最適化部110と、最適解記憶部120と、探索禁止領域設定部130と、探索禁止領域記憶部140と、を含む。
最適化部110は、制約対処つき実数値GAを用いて、目的関数に対する実数値ベクトルの近似最適解を求める。ここで、制約対処とは、所定領域から探索禁止領域を除外した領域において、解候補を求めることを示す。また、実数値ベクトルには、次元数が1の場合(実数値)も含むものとする。
最適化部110は、探索禁止領域を除外した領域について探索を繰り返し、探索ごとの近似最適解を基に、目的関数に対する所定領域における近似最適解を求める。
最適化部110は、以下のようにして各探索を行う。
最適化部110は、まず制約を充足する解候補(所定領域から探索禁止領域を除外した領域における解候補)をランダムに一定数作成し、初期解候補集団とする。
次に、最適化部110は、解候補集団から複数の親を抽出し、任意の交叉および突然変異手法によって、新たな解候補を複数生成し、子とする。ここで、交叉および突然変異手法は任意で、例えば単峰性正規分布交叉や一様突然変異などが用いられる。
次に、最適化部110は、生成された子解候補について、各々の目標関数値の計算を行う。
次に、最適化部110は、任意の淘汰選択手法によって親および子から解候補集団に残す解候補を選択し、解候補集団に追加する。ここで、選択手法としては、エリート選択やルーレット選択などが用いられる。
制約対処としては、子解候補生成のときに制約を充足しない解候補(探索禁止領域に含まれる解候補)が生成されないように操作する手法、または淘汰選択において制約を充足しない解候補(探索禁止領域に含まれる解候補)から優先的に淘汰する手法が用いられる。
最適化部110は、上述の親選択から淘汰選択までの処理を1世代とし、この1世代の処理を所定の終了条件を満たすまで複数世代について行う。そして、最適化部110は、最終世代における解候補集団のうち最も目的関数値のよい解候補を、その探索における近似最適解とする。
そして、最適化部110は、上述の各探索における近似最適解のうち、最も目的関数値の良い解(目的関数値の値が最小(または最大)となる解)を、近似最適解として出力する。
最適解記憶部120は、最適化部110によって得られた、各探索における近似最適解のうち、最も目的関数値の良い解とその目的関数値とを記憶する。図4は、本発明の第一の実施の形態における最適解記憶部120に記憶されるデータの例を示す図である。最適解記憶部120は、例えば、図4のように、最も目的関数値の良い実数値ベクトルxの解xbestと、x=xbestのときの目的関数f(x)の値f(xbest)と、を記憶する。
探索禁止領域設定部130は、探索禁止領域を設定し、探索禁止領域記憶部140に保存する。本発明の第一の実施の形態では、探索禁止領域設定部130は、各探索で得られる近似最適解を中心とした所定のモデルで表現された領域を、他の領域よりも密に探索が行われた領域と推定し、当該領域を当該探索に基づいた探索禁止領域として設定する。
具体的には、探索禁止領域設定部130は、最適化部110による探索が終了するごとに、既に終了している探索のそれぞれについて、当該探索の近似最適解を中心とする所定のモデルで表現された領域を探索禁止領域として設定する。
それぞれの探索についての上記所定のモデルの大きさは、探索の繰り返し回数に応じて小さくなるように設定される。
ここで、探索禁止領域を表すモデルとして、超球(または、円、球)、超楕円体(または楕円)、矩形など任意のものを用いることができる。
探索禁止領域記憶部140は、探索禁止領域設定部130によって設定された探索禁止領域を記憶する。図5及び図6は、本発明の第一の実施の形態における探索禁止領域記憶部140に記憶されるデータの例を示す図である。探索禁止領域の表現モデルに超球を用いた場合、探索禁止領域記憶部140は、例えば、図5のように、i回目(i=1,2,…)の探索を基に設定した探索禁止領域iに対して、探索禁止領域の中心ci、と半径riとを記憶する。また、探索禁止領域の表現モデルに楕円を用いる場合は、探索禁止領域記憶部140は、例えば、図6のように、i回目の探索を基に設定した探索禁止領域iに対して、探索禁止領域の中心ciと楕円の形状を表す係数行列Aiとを記憶する。
ここで、最適化部110と、探索禁止領域設定部130とは、CPU(Central Processing Unit)とプログラムを記憶した記憶媒体を含み、プログラムに基づく制御によって動作するコンピュータであってもよい。最適解記憶部120と、探索禁止領域記憶部140とは、それぞれ個別の記憶媒体でも、1つの記憶媒体によって構成されてもよい。
次に、本発明の第一の実施の形態における最適化装置100の動作について説明する。図3は、本発明の第一の実施の形態における最適化装置100の動作を示すフローチャートである。
ここでは例として、探索禁止領域の表現モデルに超球(または、円、球)を用いた場合について説明する。
まず初期化として、探索禁止領域設定部130は、最適解記憶部120と探索禁止領域記憶部140とを空にし、探索の繰り返し回数を示すkに0を設定する(ステップS101)。
次に、最適化部110は、kに1を加算し、制約対処つきGAによる1回の探索を行いf(x)の近似最適解を求める(ステップS102)。ここで、最適化部110は、探索禁止領域記憶部140に記憶されている全ての探索禁止領域の中心ciと半径riと(i<k)を読み出し、所定の探索領域から次の数1の超球で表される全ての探索禁止領域除いた探索領域について、探索を行う。
最適化部110は、探索により得られた近似最適解の評価値(近似最適解についての目的関数f(x)の値)を、最適解記憶部120に保存されている最良解の評価値f(xbest)と比較する(ステップS103)。探索により得られた近似最適解が、より優れた解であった場合(探索により得られた近似最適解についての目的関数値の値が、より小さい(または大きい)場合)(ステップS103/Yes)、最適化部110は、探索により得られた近似最適解とその評価値とをそれぞれxbest、f(xbest)として最適解記憶部120に上書き保存する(ステップS104)。
次に、最適化部110は、f(xbest)が、管理者等により予め与えられた所定の目標評価値よりも優れている、あるいは管理者等により予め与えられた所定の計算時間が経過した、等の終了条件の判定を行い(ステップS105)、終了条件を満たしていれば(ステップS105/Yes)、処理を終了する。
ステップS105において終了条件を満たしていない場合(ステップS105/No)、探索禁止領域設定部130は、探索禁止領域記憶部140に保存されている各探索禁止領域i(i<k)の半径riを各々読み込み、管理者等により予め与えられた1より小さい任意の正の定数(所定の比率)を乗じることによって更新し、探索禁止領域記憶部140に上書き保存する(ステップS106)。これにより、探索禁止領域記憶部140に保存されているそれぞれの探索禁止領域は、一定の比率で縮小される。
さらに、探索禁止領域設定部130は、探索禁止領域kの中心ck、及び、半径rkに、ステップS102で得られた近似最適解、及び、予め与えられた所定値をそれぞれ設定し、探索禁止領域記憶部140に保存する(ステップS107)。
その後、探索禁止領域設定部130は、終了条件を満たすまでステップS102からステップS107を繰り返す。
図7は、本発明の第一の実施の形態における、2次元の実数値ベクトルに対する探索禁止領域の設定の例を示す図である。
例えば、真の最適解が、図7のXであるものとする。また、真の最適解Xは、局所最適解x1の近傍に存在するものとする。
最適化部110は、図7の(a)に示すように、1回目の探索により局所最適解x1を最適解として出力する。探索禁止領域設定部130は、中心をc1=x1とし、半径r1を所定の値Rとした円を探索禁止領域1に設定する。
ここで、真の最適解Xが、探索禁止領域1の中に含まれるものとする。
次に、最適化部110は、図7の(b)に示すように、2回目の探索により局所最適解x2を最適解として出力する。探索禁止領域設定部130は、探索禁止領域1の半径r1に所定の比率0.5を乗じて、r1=0.5Rとする。また、探索禁止領域設定部130は、中心c2=x2、半径r2=Rとした円を探索禁止領域2に設定する。
さらに、最適化部110は、図7の(c)に示すように、3回目の探索によりより局所解x3を最適解として出力する。探索禁止領域設定部130は、探索禁止領域1及び2の半径r1、r2に所定の比率0.5を乗じて、r1=0.25R、r2=0.5Rとする。また、探索禁止領域設定部130は、中心c3=x3、半径r3=Rとした円を探索禁止領域3に設定する。
ここで、探索禁止領域1が縮小されたことにより、真の最適解Xが、探索禁止領域1の外に出たものとする。
以降の探索では、最適化部110は、真の最適解Xが再び他の局所最適解を基に設定さされた探索禁止領域に含まれない限り、真の最適解Xを含む領域についても探索を行うため、真の最適解Xを発見する可能性が高まる。
以上により、本発明の第一の実施の形態の動作が完了する。
なお、本発明の第一の実施の形態の形態では、探索禁止領域設定部130が、探索が終了するごとに探索禁止領域を示す表現モデル(超球)の大きさ(半径)に所定の比率を乗じることにより、探索禁止領域を縮小しているが、表現モデルの大きさに探索の繰り返し回数に応じて減少するような所定の固定値を設定する等、探索の繰り返し回数に応じて表現モデルを縮小できるものであれば、他の方法を用いてもよい。
次に、本発明の第一の実施の形態の特徴的な構成を説明する。図1は、本発明の第一の実施の形態の特徴的な構成を示すブロック図である。
図1を参照すると、最適化装置100は、探索禁止領域記憶部140と、最適化部110と、探索禁止領域設定部130と、を含む。
ここで、探索禁止領域記憶部140は、遺伝的アルゴリズムにおける探索禁止領域を記憶する。
最適化部110は、遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの探索禁止領域記憶部140に記憶された探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、探索ごとの近似最適解を求める。
探索禁止領域設定部130は、最適化部110による探索のそれぞれが終了するごとに、終了した1以上の探索のそれぞれについて、当該探索に基づいて、探索禁止領域を探索の繰り返し回数に応じて小さくなるように設定し、探索禁止領域記憶部140に保存する。
本発明の第一の実施の形態によれば、局所最適解の近くに真の最適解の存在する実数値ベクトル最適化問題に対して、より確実に真の最適解を発見できる。その理由は、探索禁止領域設定部130が、最適化部110による探索が終了するごとに、終了した探索のそれぞれについて、当該探索に基づいて、探索禁止領域を探索の繰り返し回数に応じて小さくなるように設定するためである。
これにより、真の最適解が誤って探索禁止領域に含まれたとしても、真の最適解は、探索の繰り返しを経て再度探索の対象となるため、真の最適解が最適解として出力される可能性が高くなる。
(第二の実施の形態)
次に、本発明の第二の実施の形態について図面を参照して詳細に説明する。
次に、本発明の第二の実施の形態について図面を参照して詳細に説明する。
本発明の第二の実施の形態においては、探索禁止領域設定部130が、各探索の各世代で得られる解候補集団のうち、その分散が所定値以下となる解候補集団の分布をもとに探索禁止領域を設定する点で、本発明の第一の実施の形態と異なる。なお、本発明の第二の実施の形態において、本発明の第一の実施の形態と同一の符号を付した構成要素については、特に説明のない限り、第一の実施の形態と同様であるものとする。
次に、本発明の第二の実施の形態における最適化装置100の構成について説明する。図8は、本発明の第二の実施の形態における最適化装置100の構成を示すブロック図である。
図8を参照すると、本発明の第二の実施の形態における最適化装置100は、本発明の第一の実施の形態における最適化装置100の構成に加えて、探索履歴記憶部150を含む。
探索履歴記憶部150は、最適化部110によって行われた各探索における、各世代で得られた解候補集団の平均および分散共分散行列を記憶する。図10は、本発明の第二の実施の形態における探索履歴記憶部150に記憶されるデータの例を示す図である。探索履歴記憶部150は、例えば、図10のように、i回目の探索のj世代(j=1,2,…,Ni)における解候補集団の平均μi,j及び分散共分散行列Σi,jを記憶する。ここで、Niは、i回目の探索における世代数である。
探索禁止領域設定部130は、探索禁止領域を設定し、探索禁止領域記憶部140に保存する。本発明の第二の実施の形態では、探索禁止領域設定部130は、各探索の各世代で得られる解候補集団のうち、分散共分散行列が所定条件を満たす解候補集団の分布をもとに、他の領域よりも密に探索が行われた領域を推定し、当該領域を当該探索に基づいた探索禁止領域として設定する。
具体的には、探索禁止領域設定部130は、最適化部110による探索が終了するごとに、既に終了している探索のそれぞれについて、当該探索の各世代のうち、解候補集団の分散共分散行列が上記所定条件を満たす世代を抽出する。そして、探索禁止領域設定部130は、抽出された世代の解候補集団の平均値を中心とし、その世代の分散共分散行列で形状が指定される所定のモデルで表現された領域を探索禁止領域として設定する。
分散共分散行列に関する上記所定条件は、探索の繰り返し回数に応じて上記所定条件を満たす分散共分散行列が表わす所定のモデルが縮小されるように設定される。
ここで、探索禁止領域を表すモデルとしては、平均と分散共分散行列で表される解候補集団の分布を表現できるモデルであれば、例えば、超楕円体(または楕円)、矩形等の任意のモデルを利用することができる。
次に、本発明の第二の実施の形態における最適化装置100の動作について説明する。図9は、本発明の第二の実施の形態における最適化装置100の動作を示すフローチャートである。
ここでは例として、探索禁止領域の表現モデルに超楕円体を用いた場合について説明する。また、探索禁止領域記憶部140は、図6のように、i回目の探索を基に設定した探索禁止領域iに対して、探索禁止領域の中心ciと超楕円体の形状を表す係数行列Aiとを記憶するものとする。
まず初期化として、探索禁止領域設定部130は、最適解記憶部120と探索禁止領域記憶部140とを空にし、探索回数を示すkに0を設定する(ステップS201)。
次に、最適化部110は、kに1を加算し、制約対処つきGAによる1回の探索を行いf(x)の近似最適解を求める(ステップS202)。ここで、最適化部110は、探索禁止領域記憶部140に保存されている全ての探索禁止領域の中心ciと係数行列Aiと(i<k)を読み出し、所定の探索領域から次の数2の超楕円体で表される全ての探索禁止領域除いた探索領域について、探索を行う。
このとき、最適化部110は、探索における各世代jにおける解候補集団の平均および分散共分散行列をμk,j、Σk,jとして探索履歴記憶部150に保存する。
最適化部110は、探索により得られた近似最適解の評価値を、最適解記憶部120に保存されている最良解の評価値f(xbest)と比較する(ステップS203)。探索により得られた近似最適解が、より優れた解であった場合(探索により得られた近似最適解についての目的関数値の値が、より小さい(または大きい)場合)(ステップS203/Yes)、最適化部110は、探索により得られた近似最適解とその評価値とをそれぞれxbest、f(xbest)として最適解記憶部120に上書き保存する(ステップS204)。
次に最適化部110は、f(xbest)が、管理者等により予め与えられた所定の目標評価値よりも優れている、あるいは管理者等により予め与えられた所定の計算時間が経過した、等の終了条件の判定を行い(ステップS205)、終了条件を満たしていれば(ステップS205/Yes)、処理を終了する。
ステップS205において終了条件を満たしていない場合(ステップS205/No)、探索禁止領域設定部130は、分散行列探索履歴記憶部150に記憶されている、既に終了している各探索の各世代で得られた解候補集団の分散共分散行列を基に、探索禁止領域を設定する(ステップS206)
ここで、探索禁止領域設定部130は、既に終了している各探索(i≦k)について、探索履歴記憶部150に保存されている解候補集団の平均μi,j及び分散共分散行列Σi,j(i≦k、j=1,2,…,Ni)を読み込み、分散共分散行列Σi,jが次の数3の条件(所定条件)を満たす最小の世代jを抽出し、j0(i,k)とする。
ここで、探索禁止領域設定部130は、既に終了している各探索(i≦k)について、探索履歴記憶部150に保存されている解候補集団の平均μi,j及び分散共分散行列Σi,j(i≦k、j=1,2,…,Ni)を読み込み、分散共分散行列Σi,jが次の数3の条件(所定条件)を満たす最小の世代jを抽出し、j0(i,k)とする。
ここで、Σ0は所定の探索領域内に、一様に解候補集団を分布させたときの分散共分散行列である。また、|Σ0|の代わりに、管理者等により予め設定された他の定数を用いてもよい。
そして、探索禁止領域設定部130は、各探索禁止領域i(i≦k)における中心ci、及び、係数行列Aiに、上記の数3を満たす世代j0(i,k)における解候補集団の平均μi,j0(i,k)、及び、分散共分散行列Σi,j0(i,k)をそれぞれ設定し、探索禁止領域記憶部140に保存する。
その後、探索禁止領域設定部130は、終了条件を満たすまでステップS202からステップS206を繰り返す。
図11は、本発明の第二の実施の形態における、2次元の実数値ベクトルに対する探索禁止領域の設定の例を示す図である。
例えば、真の最適解が、図11のXであるものとする。また、真の最適解Xは、局所最適解x1の近傍に存在するものとする。
最適化部110は、図11の(a)に示すように、1回目の探索により局所最適解x1を最適解として出力する。探索禁止領域設定部130は、探索禁止領域1の楕円の中心c1、及び、係数行列A1に、1回目の探索における、数3を満たす(|Σi,j|1/2<1/2×|Σ0|1/2となる)最小の世代j0(1,1)の解候補集団の平均値μ1,j0(1,1)(図11中のμ1a)、及び、分散共分散行列Σ1,j0(1,1)を設定する。
ここで、真の最適解Xが、探索禁止領域1の中に含まれるものとする。
次に、最適化部110は、図11の(b)に示すように、2回目の探索により局所最適解x2を最適解として出力する。探索禁止領域設定部130は、探索禁止領域1の楕円の中心c1、及び、係数行列A1に、1回目の探索における、数3を満たす(|Σi,j|1/2<1/3×|Σ0|1/2となる)最小の世代j0(1,2)の解候補集団の平均値μ1,j0(1,2)(図11中のμ1b)、及び、分散共分散行列Σ1,j0(1,2)を設定する。同様に、探索禁止領域設定部130は、探索禁止領域2の楕円の中心c2、及び、係数行列A2に、2回目の探索における、数3を満たす最小の世代j0(2,2)の解候補集団の平均値μ2,j0(2,2)(図11中のμ2a)、及び、分散共分散行列Σ1,j0(2,2)を設定する。
さらに、最適化部110は、図11の(c)に示すように、3回目の探索により局所最適解x3を最適解として出力する。探索禁止領域設定部130は、探索禁止領域1の楕円の中心c1、及び、係数行列A1に、1回目の探索における、数3を満たす(|Σi,j|1/2<1/4×|Σ0|1/2となる)最小の世代j0(1,3)の解候補集団の平均値μ1,j0(1,3)(図11中のμ1c)、及び、分散共分散行列Σ1,j0(1,3)を設定する。同様に、探索禁止領域設定部130は、探索禁止領域2の楕円の中心c2、及び、係数行列A2に、2回目の探索における、数3を満たす最小の世代j0(2,3)の解候補集団の平均値μ2,j0(2,3)(図11中のμ2b)、及び、分散共分散行列Σ2,j0(2,3)を設定し、探索禁止領域3の楕円の中心c3、及び、係数行列A3に、3回目の探索における、数3を満たす最小の世代j0(3,3)の解候補集団の平均値μ3,j0(3,3)(図11中のμ3a)、及び、分散共分散行列Σ3,j0(3,3)を設定する。
ここで、探索禁止領域1が縮小されたことにより、真の最適解Xが、探索禁止領域1の外に出たものとする。
以降の探索では、最適化部110は、真の最適解Xが再び他の局所最適解を基に設定さされた探索禁止領域に含まれない限り、真の最適解Xを含む領域についても探索を行うため、真の最適解Xを発見する可能性が高まる。
以上により、本発明の第二の実施の形態の動作が完了する。
なお、本発明の第二の実施の形態の形態では、探索禁止領域設定部130が、探索が終了するごとに、分散が数3の条件を満たす解候補集団の分布を基に探索禁止領域を設定することにより、探索の繰り返し回数に応じて探索禁止領域を縮小している。しかしながら、探索禁止領域設定部130は、探索の繰り返し回数に応じて探索禁止領域を求めるための解候補集団の分散を小さくできるものであれば、数3以外の他の条件を用いてもよい。例えば、探索禁止領域設定部130は、数3以外の他の方法により、解候補集団の分散を算出し、それを数3のように探索の繰り返し回数に応じて減少する閾値と比較するようにしてもよい。
本発明の第二の実施の形態によれば、第一の実施の形態と同様に、局所最適解の近くに真の最適解の存在する実数値ベクトル最適化問題に対して、より確実に真の最適解を発見できる。その理由は、探索禁止領域設定部130が、最適化部110による探索が終了するごとに、終了した探索のそれぞれについて、当該探索の各世代で得られる解候補集団のうちの分散共分散行列が所定条件を満たす解候補集団の平均を中心とし、当該分散共分散行列により表される所定形状の領域を抽出し、上記所定条件が、探索の繰り返し回数に応じて当該所定条件を満たす分散共分散行列が表わす所定形状が縮小されるように設定されるためである。
各探索に基づく探索禁止領域は、探索を繰り返すたびに、より密に解候補集団が配置された領域となるため、結果として、各探索に基づく探索禁止領域は、探索の繰り返しごとに縮小される。
これにより、真の最適解が誤って探索禁止領域に含まれたとしても、真の最適解は、探索の繰り返しを経て再度探索の対象となるため、真の最適解が最適解として出力される可能性が高くなる。
以上、これまで述べてきた各実施の形態は、本発明の好適な実施形態であり、上記実施の形態のみに本発明の範囲を限定するものではなく、本発明の要旨を逸脱しない範囲において種々の変更を施した形態での実施が可能である。
例えば、本発明の実施の形態では、探索禁止領域設定部130が、探索禁止領域設定部130が最適化部110による探索が終了するごとに、終了した1以上の探索のそれぞれについて、当該探索に基づいて次の探索に用いる探索禁止領域を算出している(ステップS106、S107、S206)。これに対して、探索禁止領域設定部130は、探索が終了するごとに、当該探索に基づいて、その後に行われる1以上の探索で利用される探索禁止領域を上記ステップと同様の方法により予め算出し、図示しない記憶部に保存しておいてもよい。この場合、探索禁止領域設定部130は、最適化部110による探索が終了するごとに、当該記憶部に記憶されている探索禁止領域のうち、次の探索に用いる探索禁止領域を読み出して、探索禁止領域記憶部140に保存する。
上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
(付記1)
遺伝的アルゴリズムにおける探索禁止領域を記憶する探索禁止領域記憶手段と、
遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域記憶手段に記憶された前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求める最適化手段と、
前記最適化手段による前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定し、前記探索禁止領域記憶手段に保存する探索禁止領域設定手段と、
を含む最適化装置。
(付記2)
前記探索禁止領域設定手段は、終了した1以上の前記探索のそれぞれについて、当該探索における近似最適解、または、当該探索の各世代で得られる解候補集団を基に、当該探索が他の領域よりも密に行われた領域を推定し、当該推定された領域を前記探索禁止領域として設定する
(付記1)に記載の最適化装置。
(付記3)
前記探索禁止領域設定手段は、前記探索が他の領域よりも密に行われたと推定される領域として、当該探索における近似最適解を中心とする所定形状の領域を抽出し、前記探索の繰り返し回数に応じて前記所定形状を縮小する
(付記2)に記載の最適化装置。
(付記4)
前記探索禁止領域設定手段は、前記探索が他の領域よりも密に行われと推定される領域として、当該探索の各世代で得られる解候補集団のうちの分散共分散行列が所定条件を満たす解候補集団の平均を中心とし、当該分散共分散行列により表される所定形状の領域を抽出し、
前記所定条件は、前記探索の繰り返し回数に応じて当該所定条件を満たす分散共分散行列が表わす前記所定形状が縮小されるように設定される
(付記2)に記載の最適化装置。
(付記5)
遺伝的アルゴリズムにおける探索禁止領域を記憶し、
遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求め、
前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定する
最適化方法。
(付記6)
前記探索禁止領域を設定する場合、終了した1以上の前記探索のそれぞれについて、当該探索における近似最適解、または、当該探索の各世代で得られる解候補集団を基に、当該探索が他の領域よりも密に行われた領域を推定し、当該推定された領域を前記探索禁止領域として設定する
(付記5)に記載の最適化方法。
(付記7)
前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われたと推定される領域として、当該探索における近似最適解を中心とする所定形状の領域を抽出し、前記探索の繰り返し回数に応じて前記所定形状を縮小する
(付記6)に記載の最適化方法。
(付記8)
前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われと推定される領域として、当該探索の各世代で得られる解候補集団のうちの分散共分散行列が所定条件を満たす解候補集団の平均を中心とし、当該分散共分散行列により表される所定形状の領域を抽出し、
前記所定条件は、前記探索の繰り返し回数に応じて当該所定条件を満たす分散共分散行列が表わす前記所定形状が縮小されるように設定される
(付記6)に記載の最適化方法。
(付記9)
コンピュータに、
遺伝的アルゴリズムにおける探索禁止領域を記憶し、
遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求め、
前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定する
処理を実行させる最適化プログラム。
(付記10)
前記探索禁止領域を設定する場合、終了した1以上の前記探索のそれぞれについて、当該探索における近似最適解、または、当該探索の各世代で得られる解候補集団を基に、当該探索が他の領域よりも密に行われた領域を推定し、当該推定された領域を前記探索禁止領域として設定する
(付記9)に記載の最適化プログラム。
(付記11)
前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われたと推定される領域として、当該探索における近似最適解を中心とする所定形状の領域を抽出し、前記探索の繰り返し回数に応じて前記所定形状を縮小する
(付記10)に記載の最適化プログラム。
(付記12)
前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われと推定される領域として、当該探索の各世代で得られる解候補集団のうちの分散共分散行列が所定条件を満たす解候補集団の平均を中心とし、当該分散共分散行列により表される所定形状の領域を抽出し、
前記所定条件は、前記探索の繰り返し回数に応じて当該所定条件を満たす分散共分散行列が表わす前記所定形状が縮小されるように設定される
(付記10)に記載の最適化プログラム。
(付記1)
遺伝的アルゴリズムにおける探索禁止領域を記憶する探索禁止領域記憶手段と、
遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域記憶手段に記憶された前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求める最適化手段と、
前記最適化手段による前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定し、前記探索禁止領域記憶手段に保存する探索禁止領域設定手段と、
を含む最適化装置。
(付記2)
前記探索禁止領域設定手段は、終了した1以上の前記探索のそれぞれについて、当該探索における近似最適解、または、当該探索の各世代で得られる解候補集団を基に、当該探索が他の領域よりも密に行われた領域を推定し、当該推定された領域を前記探索禁止領域として設定する
(付記1)に記載の最適化装置。
(付記3)
前記探索禁止領域設定手段は、前記探索が他の領域よりも密に行われたと推定される領域として、当該探索における近似最適解を中心とする所定形状の領域を抽出し、前記探索の繰り返し回数に応じて前記所定形状を縮小する
(付記2)に記載の最適化装置。
(付記4)
前記探索禁止領域設定手段は、前記探索が他の領域よりも密に行われと推定される領域として、当該探索の各世代で得られる解候補集団のうちの分散共分散行列が所定条件を満たす解候補集団の平均を中心とし、当該分散共分散行列により表される所定形状の領域を抽出し、
前記所定条件は、前記探索の繰り返し回数に応じて当該所定条件を満たす分散共分散行列が表わす前記所定形状が縮小されるように設定される
(付記2)に記載の最適化装置。
(付記5)
遺伝的アルゴリズムにおける探索禁止領域を記憶し、
遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求め、
前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定する
最適化方法。
(付記6)
前記探索禁止領域を設定する場合、終了した1以上の前記探索のそれぞれについて、当該探索における近似最適解、または、当該探索の各世代で得られる解候補集団を基に、当該探索が他の領域よりも密に行われた領域を推定し、当該推定された領域を前記探索禁止領域として設定する
(付記5)に記載の最適化方法。
(付記7)
前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われたと推定される領域として、当該探索における近似最適解を中心とする所定形状の領域を抽出し、前記探索の繰り返し回数に応じて前記所定形状を縮小する
(付記6)に記載の最適化方法。
(付記8)
前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われと推定される領域として、当該探索の各世代で得られる解候補集団のうちの分散共分散行列が所定条件を満たす解候補集団の平均を中心とし、当該分散共分散行列により表される所定形状の領域を抽出し、
前記所定条件は、前記探索の繰り返し回数に応じて当該所定条件を満たす分散共分散行列が表わす前記所定形状が縮小されるように設定される
(付記6)に記載の最適化方法。
(付記9)
コンピュータに、
遺伝的アルゴリズムにおける探索禁止領域を記憶し、
遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求め、
前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定する
処理を実行させる最適化プログラム。
(付記10)
前記探索禁止領域を設定する場合、終了した1以上の前記探索のそれぞれについて、当該探索における近似最適解、または、当該探索の各世代で得られる解候補集団を基に、当該探索が他の領域よりも密に行われた領域を推定し、当該推定された領域を前記探索禁止領域として設定する
(付記9)に記載の最適化プログラム。
(付記11)
前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われたと推定される領域として、当該探索における近似最適解を中心とする所定形状の領域を抽出し、前記探索の繰り返し回数に応じて前記所定形状を縮小する
(付記10)に記載の最適化プログラム。
(付記12)
前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われと推定される領域として、当該探索の各世代で得られる解候補集団のうちの分散共分散行列が所定条件を満たす解候補集団の平均を中心とし、当該分散共分散行列により表される所定形状の領域を抽出し、
前記所定条件は、前記探索の繰り返し回数に応じて当該所定条件を満たす分散共分散行列が表わす前記所定形状が縮小されるように設定される
(付記10)に記載の最適化プログラム。
本発明は、目標関数が定義可能な実数値パラメータに対する最適化問題全般に適用することができる。例えば、本発明は、所望の特性をもつトランジスタのパラメータ設計といった用途に適用できる。また、本発明は、収差の少ない光学系の設計といった用途にも適用できる。
100 最適化装置
110 最適化部
120 最適解記憶部
130 探索禁止領域設定部
140 探索禁止領域記憶部
150 探索履歴記憶部
110 最適化部
120 最適解記憶部
130 探索禁止領域設定部
140 探索禁止領域記憶部
150 探索履歴記憶部
Claims (10)
- 遺伝的アルゴリズムにおける探索禁止領域を記憶する探索禁止領域記憶手段と、
遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域記憶手段に記憶された前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求める最適化手段と、
前記最適化手段による前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定し、前記探索禁止領域記憶手段に保存する探索禁止領域設定手段と、
を含む最適化装置。 - 前記探索禁止領域設定手段は、終了した1以上の前記探索のそれぞれについて、当該探索における近似最適解、または、当該探索の各世代で得られる解候補集団を基に、当該探索が他の領域よりも密に行われた領域を推定し、当該推定された領域を前記探索禁止領域として設定する
請求項1に記載の最適化装置。 - 前記探索禁止領域設定手段は、前記探索が他の領域よりも密に行われたと推定される領域として、当該探索における近似最適解を中心とする所定形状の領域を抽出し、前記探索の繰り返し回数に応じて前記所定形状を縮小する
請求項2に記載の最適化装置。 - 前記探索禁止領域設定手段は、前記探索が他の領域よりも密に行われと推定される領域として、当該探索の各世代で得られる解候補集団のうちの分散共分散行列が所定条件を満たす解候補集団の平均を中心とし、当該分散共分散行列により表される所定形状の領域を抽出し、
前記所定条件は、前記探索の繰り返し回数に応じて当該所定条件を満たす分散共分散行列が表わす前記所定形状が縮小されるように設定される
請求項2に記載の最適化装置。 - 遺伝的アルゴリズムにおける探索禁止領域を記憶し、
遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求め、
前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定する
最適化方法。 - 前記探索禁止領域を設定する場合、終了した1以上の前記探索のそれぞれについて、当該探索における近似最適解、または、当該探索の各世代で得られる解候補集団を基に、当該探索が他の領域よりも密に行われた領域を推定し、当該推定された領域を前記探索禁止領域として設定する
請求項5に記載の最適化方法。 - コンピュータに、
遺伝的アルゴリズムにおける探索禁止領域を記憶し、
遺伝的アルゴリズムに基づき、所定の実数値ベクトル領域のうちの前記探索禁止領域を除外した領域内で目的関数を最小化または最大化する実数値ベクトルの探索を繰り返し、前記探索ごとの近似最適解を求め、
前記探索のそれぞれが終了するごとに、終了した1以上の前記探索のそれぞれについて、当該探索に基づいて、前記探索禁止領域を前記探索の繰り返し回数に応じて小さくなるように設定する
処理を実行させる最適化プログラム。 - 前記探索禁止領域を設定する場合、終了した1以上の前記探索のそれぞれについて、当該探索における近似最適解、または、当該探索の各世代で得られる解候補集団を基に、当該探索が他の領域よりも密に行われた領域を推定し、当該推定された領域を前記探索禁止領域として設定する
請求項7に記載の最適化プログラム。 - 前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われたと推定される領域として、当該探索における近似最適解を中心とする所定形状の領域を抽出し、前記探索の繰り返し回数に応じて前記所定形状を縮小する
請求項8に記載の最適化プログラム。 - 前記探索禁止領域を設定する場合、前記探索が他の領域よりも密に行われと推定される領域として、当該探索の各世代で得られる解候補集団のうちの分散共分散行列が所定条件を満たす解候補集団の平均を中心とし、当該分散共分散行列により表される所定形状の領域を抽出し、
前記所定条件は、前記探索の繰り返し回数に応じて当該所定条件を満たす分散共分散行列が表わす前記所定形状が縮小されるように設定される
請求項8に記載の最適化プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010211564A JP2012068776A (ja) | 2010-09-22 | 2010-09-22 | 最適化装置、最適化方法、及び最適化プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010211564A JP2012068776A (ja) | 2010-09-22 | 2010-09-22 | 最適化装置、最適化方法、及び最適化プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2012068776A true JP2012068776A (ja) | 2012-04-05 |
Family
ID=46166021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010211564A Withdrawn JP2012068776A (ja) | 2010-09-22 | 2010-09-22 | 最適化装置、最適化方法、及び最適化プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2012068776A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101544457B1 (ko) * | 2014-01-14 | 2015-08-13 | 국방과학연구소 | 최적 설계 파라미터 탐색을 위한 최적화 방법 |
CN113283046A (zh) * | 2020-02-19 | 2021-08-20 | 富士通株式会社 | 优化装置、优化方法和记录介质 |
-
2010
- 2010-09-22 JP JP2010211564A patent/JP2012068776A/ja not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101544457B1 (ko) * | 2014-01-14 | 2015-08-13 | 국방과학연구소 | 최적 설계 파라미터 탐색을 위한 최적화 방법 |
CN113283046A (zh) * | 2020-02-19 | 2021-08-20 | 富士通株式会社 | 优化装置、优化方法和记录介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fried et al. | qTorch: The quantum tensor contraction handler | |
US11481669B2 (en) | Systems, methods and apparatus for sampling from a sampling server | |
Samb et al. | A novel RFE-SVM-based feature selection approach for classification | |
Oudelha et al. | HMM parameters estimation using hybrid Baum-Welch genetic algorithm | |
JP6172317B2 (ja) | 混合モデル選択の方法及び装置 | |
Dai et al. | Learning discrete energy-based models via auxiliary-variable local exploration | |
CN111832725A (zh) | 一种基于改进遗传算法的多机器人多任务分配方法及装置 | |
Liang et al. | Towards compact interpretable models: Shrinking of learned probabilistic sentential decision diagrams | |
JP6325762B1 (ja) | 情報処理装置、情報処理方法、および情報処理プログラム | |
US11721413B2 (en) | Method and system for performing molecular design using machine learning algorithms | |
CN114186518A (zh) | 一种集成电路良率估算方法及存储器 | |
Zhang et al. | Reinforcement learning with actor-critic for knowledge graph reasoning | |
Choubey et al. | Approaches for handling premature convergence in CFG induction using GA | |
JP2012068776A (ja) | 最適化装置、最適化方法、及び最適化プログラム | |
KR102559605B1 (ko) | 함수 최적화 방법 및 장치 | |
US11853658B2 (en) | Information processing apparatus, information processing method, and non-transitory computer readable medium | |
CN114169469A (zh) | 一种基于量子网络的识别方法、系统、设备及存储介质 | |
JP6172315B2 (ja) | 混合モデル選択の方法及び装置 | |
Fukuda et al. | A probability-based evolutionary algorithm with mutations to learn Bayesian networks | |
Harwood et al. | Genetic algorithm search over causal models | |
Zhang et al. | Pruning Edges and Gradients to Learn Hypergraphs from Larger Sets | |
US20220172105A1 (en) | Efficient and scalable computation of global feature importance explanations | |
WO2023067792A1 (ja) | 情報処理装置、情報処理方法、及び、記録媒体 | |
Xiao et al. | A Mobile Bayesian Network Structure Learning Method Using Genetic Incremental K2 Algorithm and Random Attribute Order Technology | |
Ghoulbeigi et al. | Probabilistic developmental program evolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20131203 |