JP2022121390A - 決定スキームの決定装置、方法及び機器読み取り可能な記憶媒体 - Google Patents
決定スキームの決定装置、方法及び機器読み取り可能な記憶媒体 Download PDFInfo
- Publication number
- JP2022121390A JP2022121390A JP2022013558A JP2022013558A JP2022121390A JP 2022121390 A JP2022121390 A JP 2022121390A JP 2022013558 A JP2022013558 A JP 2022013558A JP 2022013558 A JP2022013558 A JP 2022013558A JP 2022121390 A JP2022121390 A JP 2022121390A
- Authority
- JP
- Japan
- Prior art keywords
- scenario
- decision scheme
- decision
- unit
- position matrix
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Signal Processing For Digital Recording And Reproducing (AREA)
Abstract
【課題】決定スキームの決定装置、方法及び機器読み取り可能な記憶媒体を提供する。【解決手段】該装置は、決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得する取得部と、各シナリオにN個の具体的な決定スキームをそれぞれ割り当てる割り当て部と、各シナリオについて各シナリオに対応するグループ最適決定スキームを取得する第1の計算部と、M個のシナリオのグループ最適決定スキーム及びM個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得する併合部と、シナリオ組み合わせ決定スキーム及び確率に基づいて最終的な決定スキームを取得する第2の計算部と、を含む。【選択図】図1
Description
本開示は、情報処理の技術分野に関し、具体的には、決定スキームの決定装置、方法及び機器読み取り可能な記憶媒体に関する。
この部分は、本開示に関連する背景情報を提供するが、必ずしも従来技術ではない。
情報及び制約条件に基づいて意思決定を行うことは、人間の一般的な行動パターンである。しかし、実際には、情報は常に正確であるとは限りない。
情報決定の問題は、確定性の計画問題と称されてもよい。不確定的な情報に関する問題は、確率的計画法の問題と称されてもよい。不正確な情報を使用すると、必然的に不適切な決定につながる。不正確な情報により引き起こされる意思決定の問題を軽減するために、当然、情報の様々な可能な値を列挙し、それらの発生確率を推定して、最適化目標の最適な決定を策定することを考慮する。従って、様々な可能な値とその発生確率に基づいて最適な決定を策定する方法は、この分野の重要な研究トピックになっている。
この部分は、本開示の一般的な概要を提供し、その全範囲又はその全ての特徴を完全に開示するものではない。
本開示は、意思決定の決定を最適化するための装置、方法、及び機器読み取り可能な記憶媒体を提供することを目的とする。
本開示の1つの態様では、決定スキームの決定装置であって、前記決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得する取得部と、各シナリオにN個の具体的な決定スキームをそれぞれ割り当てる割り当て部と、各シナリオについて各シナリオに対応するグループ最適決定スキームを取得する第1の計算部と、前記M個のシナリオのグループ最適決定スキーム及び前記M個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得する併合部と、前記シナリオ組み合わせ決定スキーム及び前記確率に基づいて最終的な決定スキームを取得する第2の計算部と、を含み、M及びNは、0より大きい自然数である、装置を提供する。
本開示のもう1つの態様では、決定スキームの決定方法であって、前記決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得するステップと、各シナリオにN個の具体的な決定スキームをそれぞれ割り当てるステップと、各シナリオについて各シナリオに対応するグループ最適決定スキームを取得するステップと、前記M個のシナリオのグループ最適決定スキーム及び前記M個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得するステップと、前記シナリオ組み合わせ決定スキーム及び前記確率に基づいて最終的な決定スキームを取得するステップと、を含み、M及びNは、0より大きい自然数である、方法を提供する。
本開示のもう1つの態様では、機器読み取り可能な命令コードを記憶しているプログラムプロダクトが記録された機器読み取り可能な記憶媒体であって、前記命令コードがコンピュータにより読み取られて実行される際に、前記コンピュータに本開示の方法を実行させることができる、記憶媒体を提供する。
本開示に係る決定スキームの決定装置、方法及び機器読み取り可能な記憶媒体は、多階層の計算構造(第1の計算部及び第2の計算部)を形成することができ、まず、第1の計算部により各シナリオの具体的な決定スキームを最適化し、次に、第2の計算部により予測シーケンス及び対応する確率に基づいて各シナリオの最適化後の結果に関するシナリオ組み合わせ決定スキームをさらに最適化して最終的な決定スキームを取得する。ここで、第1の計算部の最適化により、各シナリオの最適決定スキームを取得することができ、第2の計算部の最適化により、各シナリオの確率が考慮された、意思決定問題全体にとって最適な最終的な決定スキームを取得することができる。これによって、最終的な決定スキームに対する多階層の最適化を実現することができる。
ここで行われる説明により、本開示の適用可能な範囲はより明確になる。この部分における説明及び特定の例は、単なる例示するためのものであり、本開示の範囲を限定するものではない。
ここで説明される図面は、好ましい実施例を例示するためのものであり、全ての可能な実施例ではなく、本開示の範囲を限定するものではない。
本開示の実施例に係る決定スキームの決定装置の構成を示すブロック図である。
本開示の実施例に係る方法を示すフローチャートである。
本開示の実施例に係る注文計画の適用事例における関連パラメータを示す概略表である。
本開示の実施例に係る使用されるシナリオ木の生成の原理を示す図である。
本開示の実施例に係る使用される粒子群最適化アルゴリズムを示す概略図である。
本開示の第1の具体的な実施例に係る決定スキームの決定装置の構成を示すブロック図である。
本開示の第1の具体的な実施例に係る決定スキームの決定装置の原理を示す概略図である。
本開示の第1の具体的な実施例に係る決定スキームの決定装置における併合部の動作を示す概略図である。
本開示の第1の具体的な実施例に係る方法を示すフローチャートである。
本開示の第2の具体的な実施例に係る決定スキームの決定装置の構成を示すブロック図である。
本開示の第2の具体的な実施例に係る決定スキームの決定装置の原理を示す概略図である。
本開示の第2の具体的な実施例に係る決定スキームの決定装置における再割り当て部の動作を示す概略図である。
本開示の第2の実施例に係る方法を示すフローチャートである。
本開示の実施例に係る決定スキームの決定装置及び方法を実現可能な汎用パーソナルコンピュータの例示的な構成を示すブロック図である。 本開示に対して各種の変更及び代替を行うことができるが、その特定の実施例は図面を参照しながら詳細に説明される。なお、特定の実施例の説明は本開示を開示の具体的な態様に限定するものではなく、本開示の主旨及び範囲内で各種の変更、均等的なものへの変形、代替を行ってもよい。なお、図面において、同一の構成部は同一の符号で示されている。
以下は、図面を参照しながら本開示の例示的な実施例を詳細に説明する。以下の説明は単なる例示的なものであり、本開示、応用及び用途を限定するものではない。
以下は、本開示を詳細に説明し、当業者が本開示の範囲を十分に理解するために、例示的な実施例を提供する。本開示の実施例を詳細に理解させるために、多くの特定の細部、例えば特定の手段、装置及び方法の例を説明する。なお、当業者が分かるように、特定の細部を用いる必要がなく、異なる方式を用いて例示的な実施例を実施してもよく、これらの実施例は本開示の範囲を制限するものではない。一部の例示的な実施例では、周知のプロセス、周知の構成及び周知の技術が詳細に説明されていない。
以下は、下記の順序で説明する。
1.本開示の技術の説明
2.応用ケース
3.シナリオ木の生成
4.粒子群最適化アルゴリズムの紹介
5.第1の具体的な実施例
6.第2の具体的な実施例
7.決定スキームの決定装置のコンピュータ構成の例
8.付記
<1.本開示の技術の説明>
(決定スキームの決定装置の構成の例)
図1は、本開示の実施例に係る決定スキームの決定装置(以下は、決定スキーム決定装置とも称される)の構成を示すブロック図である。図1に示すように、本開示の実施例に係る決定スキーム決定装置100は、取得部110、割り当て部120、第1の計算部130、併合部140、及び第2の計算部150を含んでもよい。
2.応用ケース
3.シナリオ木の生成
4.粒子群最適化アルゴリズムの紹介
5.第1の具体的な実施例
6.第2の具体的な実施例
7.決定スキームの決定装置のコンピュータ構成の例
8.付記
<1.本開示の技術の説明>
(決定スキームの決定装置の構成の例)
図1は、本開示の実施例に係る決定スキームの決定装置(以下は、決定スキーム決定装置とも称される)の構成を示すブロック図である。図1に示すように、本開示の実施例に係る決定スキーム決定装置100は、取得部110、割り当て部120、第1の計算部130、併合部140、及び第2の計算部150を含んでもよい。
取得部110は、決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得してもよい。ここで、Mは、0より大きい自然数である。具体的には、取得部110は、決定スキームの決定に関連する履歴データに基づいて複数の時点における予測結果を取得し、これらの予測結果に基づいてM個の予測シーケンス及び対応する確率を取得してもよい。
予測シーケンスは、特定の品物又は業務の需要に関する需要シーケンスであり、決定スキームの決定は、M個の需要シーケンス及び対応する確率に基づいて、特定の品物又は業務に関する特定の目標を最適化するための決定変数を決定することである。例えば、予測シーケンスは、特定の品物の数量の需要に関する多段階の需要シーケンスであってもよい。この場合、決定スキーム決定は、M個の需要シーケンス及び対応する確率に基づいて全体的なコストを最小化するための決定変数を決定することである。また、特定の品物は、例えば車両部品、電力などであってもよく、特定の業務は、例えば車両に対する自動車ディーラーの修理サービス、保守サービスなどのサービスであってもよい。
例えば、取得部110は、シナリオ木の生成時に生成された木状のデータ構造に基づいて、M個のシナリオにおけるM個の予測シーケンス及び対応する発生確率を取得してもよい。なお、取得部110は、他の方法を用いて、M個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得してもよい。
次に、割り当て部120は、各シナリオにN個の具体的な決定スキームをそれぞれ割り当ててもよい。ここで、Nは、0より大きい自然数である。このN個の具体的な決定スキームは、それぞれのシナリオにおけるN個の可能な決定スキームを表してもよい。例えば、割り当て部120は、一定の範囲内でN個の具体的な決定スキームをランダムに割り当ててもよい。また、割り当て部120は、MシナリオにおけるそれぞれのN個の具体的な決定スキームを第1の計算部130に提供してもよい。
次に、第1の計算部130は、M個のシナリオのそれぞれのシナリオについて各シナリオに対応するグループ最適決定スキームを取得してもよい。ここで、「グループ最適決定スキーム」とは、各シナリオにおけるN個の具体的な決定スキームを1つのグループと見なす場合、グループにおけるN個の具体的な決定スキームに対する計算により得られた最適決定スキームをグループ最適決定スキームと称することを意味する。
具体的には、M個のシナリオのそれぞれについて、第1の計算部130は、各シナリオにおけるN個の具体的な決定スキームに対して複数回の最適化をそれぞれ実行し、毎回の最適化後のN個の具体的な決定スキームを記録し、最適化プロセスにおいて得られた全ての具体的な決定スキームからグループ最適決定スキームを選択してもよい。例えば、第1の計算部130は、M個の予測シーケンスに対応する第1の目的関数を使用してM個のシナリオのそれぞれに対応するグループ最適位置行列を取得してもよい。なお、第1の計算部130は、各シナリオについてグループ最適決定スキームをそれぞれ取得するため、第1の計算部130は、各シナリオの確率を考慮しておらず、即ち、第1の目的関数は、各シナリオの確率とは無関係である。
このように、第1の計算部130は、M個のシナリオに対応するM個のグループ最適決定スキームを取得して併合部140に提供してもよい。
次に、併合部140は、M個のシナリオのグループ最適決定スキーム及びM個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得してもよい。例えば、併合部140は、M個の予測シーケンスにより構築された木構造に基づいて、M個のシナリオのグループ最適位置行列を組み合わせてシナリオ組み合わせ位置行列を取得してもよい。併合部140により得られたシナリオ組み合わせ決定スキームは、実質的に、各シナリオにおける確率と関連している。また、併合部140は、シナリオ組み合わせ決定スキームを第2の計算部150に提供してもよい。
次に、第2の計算部150は、シナリオ組み合わせ決定スキーム及び確率に基づいて最終的な決定スキームを取得してもよい。具体的には、第2の計算部150は、シナリオ組み合わせ決定スキームに対して複数回の最適化を実行し、毎回の最適化後のシナリオ組み合わせ決定スキームを記録し、最適化プロセスにおいて得られた全てのシナリオ組み合わせ決定スキームから最適なシナリオ組み合わせ決定スキームを選択し、最適なシナリオ組み合わせ決定スキームに基づいて最終な決定スキームを取得してもよい。例えば、第2の計算部150は、M個の予測シーケンス及び対応する確率に対応する第2の目的関数を使用して最適なシナリオ組み合わせ決定スキームを選択してもよい。
これによって、本開示に係る決定スキームの決定装置、方法及び機器読み取り可能な記憶媒体は、多階層の計算構造(第1の計算部及び第2の計算部)を形成することができ、まず、第1の計算部により各シナリオの具体的な決定スキームを最適化し、次に、第2の計算部により予測シーケンス及び対応する確率に基づいて各シナリオの最適化後の結果に関するシナリオ組み合わせ決定スキームをさらに最適化して最終的な決定スキームを取得する。ここで、第1の計算部の最適化により、各シナリオの最適決定スキームを取得することができ、第2の計算部の最適化により、各シナリオの確率が考慮された、意思決定問題全体にとって最適な最終的な決定スキームを取得することができる。これによって、最終的な決定スキームに対する多階層の最適化を実現することができる。
(処理流れの例)
図2は、本開示の実施例に係る方法を示すフローチャートである。
図2は、本開示の実施例に係る方法を示すフローチャートである。
図2に示すように、本開示の実施例に係る方法は、ステップS110から開始する。ステップS110において、決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得する。
次に、ステップS120において、各シナリオにN個の具体的な決定スキームをそれぞれ割り当てる。
次に、ステップS130において、各シナリオについて各シナリオに対応するグループ最適決定スキームを取得する。
次に、ステップS140において、M個のシナリオのグループ最適決定スキーム及びM個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得する。
次に、ステップS150において、シナリオ組み合わせ決定スキーム及び確率に基づいて最終的な決定スキームを取得する。この後、プロセスは終了する。
本開示の実施例に係る方法の上記のステップは、例えば、図1を参照しながら説明された決定スキーム決定装置100により実行されてもよく、関連する詳細は既に詳細に説明されており、ここでその説明を省略する。
これによって、本開示に係る決定スキーム決定方法は、最終的な決定スキームに対する多階層の最適化を実現することができる。
<2.応用ケース>
実際の応用では、情報の様々な可能な値及びその発生確率に基づいて最適な決定スキームを策定する際に、複数回の意思決定を連続的に行う場合がある。このようなシナリオは、多段階確率計画(Multi-stage stochastic programming:MSSP)問題である。従って、本開示に係る決定スキーム決定装置は、例えば多段階確率計画問題の解求め装置として実施されてもよい。
実際の応用では、情報の様々な可能な値及びその発生確率に基づいて最適な決定スキームを策定する際に、複数回の意思決定を連続的に行う場合がある。このようなシナリオは、多段階確率計画(Multi-stage stochastic programming:MSSP)問題である。従って、本開示に係る決定スキーム決定装置は、例えば多段階確率計画問題の解求め装置として実施されてもよい。
MSSP問題を具体化するために、在庫管理の注文計画を応用ケースとする。いわゆる注文計画は、将来のT月間に特定の品物(例えば車両部品など)をいつ注文し、いくら注文するかを決定する問題である。ここで、注文操作が少なくとも月に1回発生するとする。注文計画の最適化の目標は、T月間の総在庫数の経営費を最小化する注文決定スキームを取得することである。
図3は、本開示の実施例に係る注文計画の適用事例における関連パラメータを示す概略表である。図3に示すように、目的関数の最適化に関するパラメータは、以下の通りである(経営コストが注文コスト、在庫コスト及び在庫切れコストにより構成されると仮定する)。
・将来の時点tにおける注文、在庫、在庫切れの単位当たりコストct、ht
+、ht
-(単位当たりコストは時間とともに変化する)、
・将来の時点tにおける需要量dt、
・決定時点の初期在庫量及び初期在庫切れ量:I0 +、I0 -。
・将来の時点tにおける需要量dt、
・決定時点の初期在庫量及び初期在庫切れ量:I0 +、I0 -。
また、目的関数の最適化に関する変数は、以下の通りである。
・将来の時点tにおける在庫量及び在庫切れ量はそれぞれIt
+、It
-である。
また、目的関数の最適化に関する決定変数は、以下の通りである。
・将来の時点tにおける注文量xt。
また、目的関数の最適化に関する制約条件は、以下の通りである。
・It
+=max(0,xt+It-1
+-dt)(在庫量と注文量と需要量との関係)、
・It -=max(0,dt-xt+It-1 -)(在庫切れ量と注文量と需要量との関係)、
・xt≧0(注文量は負でない)。
・It -=max(0,dt-xt+It-1 -)(在庫切れ量と注文量と需要量との関係)、
・xt≧0(注文量は負でない)。
一方、将来の需要量dtが不確定的な確率変数である場合、ランダムベクトル[d1,…,dT]の代表的な値及び発生確率を確率変数の実際の値の近似推定としてリストする。ここで、[d1,…,dT]は予測シーケンスとも称され、[d1,…,dT]のそれぞれの可能な値は、siで表されるシナリオと称され、対応するシナリオ確率はpb(si)で表される。各シナリオは確定性の計画問題に対応し、その目的関数はfsi(x)で表される。最終的な確率計画問題の所望の目的関数は、以下の通りである。
本開示に係る決定スキーム決定装置(例えば、解求め装置)は、F(x)を可能な限り小さくする決定変数(注文量シーケンス)x*=[x1
*,…,xT
*]を取得するために使用される。なお、本開示に係る決定スキーム決定装置は、多段階確率計画問題の解を求めるために使用され、具体的な応用ケースとは関係がない。
以上は本開示に係る決定スキーム決定装置が在庫管理における注文計画決定に使用されることを開示しているが、本開示に係る決定スキーム決定装置は、多段階不確定の確率変数に基づいて決定変数を決定することに関する限り、他の応用シナリオに適用されてもよい。
例えば、電力業界における各場所に発電所を設置する問題では、不確定的な確率変数は、将来の電力消費量であってもよく、決定変数は、発電所を建設する時期及び必要な発電所の規模であってもよい。
例えば、株式投資の分野では、投資収益を最大化する必要があり、不確定的な確率変数は、株式の将来の価格シーケンスであってもよく、決定変数は、いつどのくらいの株式を購入するかであってもよい。
例えば、化学合成の分野では、反応器内の化学反応に適切な温度が必要であり、様々な天候(太陽、雪など)が温度に大きな影響を与えるため、反応器の多段階の原料供給を制御する必要がある。ここで、不確定的な確率変数は、将来の可能性のある温度であってもよく、決定変数は、反応器を加熱又は冷却する時間であってもよい。
<3.シナリオ木の生成>
通常、MSSPの問題の解を求めるために、シナリオ木を入力として使用する場合が多い。シナリオ木は、不確定的なパラメータの可能な値及び発生確率を効果的に記述するための木状のデータ構造である。
通常、MSSPの問題の解を求めるために、シナリオ木を入力として使用する場合が多い。シナリオ木は、不確定的なパラメータの可能な値及び発生確率を効果的に記述するための木状のデータ構造である。
本開示に係る決定スキーム決定装置である解求め装置は、不確定的なパラメータの可能な値及び発生確率の木状のデータ構造にのみ依存し、具体的なシナリオ木の生成アルゴリズムとは関係がない。従って、以下は、シナリオ木の基本概念を紹介するために、簡単なシナリオ木の生成の例を説明し、具体的なアルゴリズムに限定されない。
以下は、図4を参照しながらシナリオ木の生成の例示的なプロセスを説明する。図4は、本開示の実施例に係る使用されるシナリオ木の生成の原理を示す図である。まず、複数の予測モデル及び履歴データ(履歴シーケンス)に基づいて、複数の時点における予測結果を生成する。そして、前の時点の可能な値が次の時点の全ての可能な値に接続され、このプロセスでは、次の時点のノードが複数部複製され、ノードの数が増加する。最後の時点まで上記のプロセスを時間の順序に従って繰り返す。
シナリオ木を取得した後、木の根ノードから葉ノードへの各径路は、[d1,…,dT]の1つの可能な値のシナリオである。ここで、シナリオ確率pb(si)は、単純に等しい確率であると仮定してもよい。なお、シナリオによっては、pb(si)の確率が等しくない場合もある。
例えば、図4の例では、9個のシナリオs1からs9が生成される。例えば、シナリオs1では、予測シーケンス[d1,d2,d3]は[3,2,5]であり、対応する確率はpb(s1)であり、シナリオs2では、予測シーケンス[d1,d2,d3]は[3,2,3]であり、対応する確率はpb(s2)であり、シナリオs3では、予測シーケンス[d1,d2,d3]は[3,2,4]であり、対応する確率はpb(s3)である。
各シナリオに対応する問題は、確定性の最適化問題であり、その目的関数は式(1)に類推することができる。全ての可能なシナリオの所望の最適化問題の目的関数は、式(2)に類推することができる。
なお、図4は、三分木を用いて9個のシナリオを構築する状況のみを示しているが、実際には、シナリオ木の木形状及びシナリオ木の構築方法は、限定されず、各シナリオの根ノードから葉ノードまでの階層数(Tの数、例えば図4では、根ノードから葉ノードまでの階層数は3である)は一致すればよい。
<4.粒子群最適化アルゴリズムの紹介>
本開示に係る決定スキーム決定装置は、最適化問題の解を求めるために粒子群最適化(particle swarm optimization:PSO)アルゴリズムを採用してもよい。以下は、図5を参照しながら粒子群最適化アルゴリズムの原理を説明する。図5は、本開示の実施例に係る使用される粒子群最適化アルゴリズムの原理を示す図である。
本開示に係る決定スキーム決定装置は、最適化問題の解を求めるために粒子群最適化(particle swarm optimization:PSO)アルゴリズムを採用してもよい。以下は、図5を参照しながら粒子群最適化アルゴリズムの原理を説明する。図5は、本開示の実施例に係る使用される粒子群最適化アルゴリズムの原理を示す図である。
粒子群最適化アルゴリズムは、一連の粒子の位置を解空間内の候補解として初期化して、単純なルールに従って各粒子の速度及び解空間内の位置を更新する。各粒子の動きは、それ自体の過去の最適な解空間位置及び全ての粒子の過去の最適位置の影響を受ける。位置の品質は、該位置に対応する解の目的関数値により評価され、最終的な全ての粒子のうちの最適位置を粒子群最適化アルゴリズムの出力結果とする。従来のPSOの式は、以下の通りである。
・各粒子の速度更新式:
vj(k+1)=w*vj(k)+c1*r1*(pj(k)-xj(k))+c2*r2*(pg(k)-xj(k))
ここで、w、c1、c2はそれぞれ重みパラメータであり、r1、r2は0-1の一様分布に従う一様分布であり、kは反復回数インデックスであり、粒子の更新回数を示し、xj(k)、vj(k)はそれぞれj個目の粒子のk回目の更新後の位置及び速度ベクトルを表し、pj(k)はj個目の粒子のk回目の更新までの最適履歴位置であり、pg(k)は全ての粒子のk回目の更新までの最適位置である。
vj(k+1)=w*vj(k)+c1*r1*(pj(k)-xj(k))+c2*r2*(pg(k)-xj(k))
ここで、w、c1、c2はそれぞれ重みパラメータであり、r1、r2は0-1の一様分布に従う一様分布であり、kは反復回数インデックスであり、粒子の更新回数を示し、xj(k)、vj(k)はそれぞれj個目の粒子のk回目の更新後の位置及び速度ベクトルを表し、pj(k)はj個目の粒子のk回目の更新までの最適履歴位置であり、pg(k)は全ての粒子のk回目の更新までの最適位置である。
これは、現時点における全ての粒子の最適位置である。
従って、全ての時点の全ての粒子の最適位置(グループ最適位置)は次の通りである。
pg(k+1)=max(pg(k),p’g(k+1))。
具体的には、図5には各粒子の運動原理を示す。図5に示すように、w*vj(k)は粒子自体の慣性力であり、c1*r1*(pj(k)-xj(k))は粒子自体の過去の最適位置の粒子に対する引力であり、c2*r2*(pg(k)-xj(k))は全ての粒子の過去の最適位置の粒子に対する引力であり、三者のベクトルモーメントの合計は粒子の更新速度(方向及び大きさを含む)を構成する。
以降の説明の便宜上、本開示は、次の数学記号が定義されている。
・PSOの粒子位置行列:P,行列のサイズは[粒子数,決定変数の次元]、
・PSOの粒子速度行列:V,行列のサイズは[粒子数、決定変数の次元]、
・PSOが現在の回数kまで反復し、全ての粒子の過去の最適位置が取得された際の粒子位置行列Pg(最適なものは必ずしもk回目の反復にあるとは限らない)。
・PSOの粒子速度行列:V,行列のサイズは[粒子数、決定変数の次元]、
・PSOが現在の回数kまで反復し、全ての粒子の過去の最適位置が取得された際の粒子位置行列Pg(最適なものは必ずしもk回目の反復にあるとは限らない)。
・PSOが現在の回数kまで反復し、全ての粒子の過去の最適位置が取得される際の粒子速度行列Vg(最適なものは必ずしもk回目の反復にあるとは限らない)。
<5.第1の具体的な実施例>
(決定スキーム決定装置のフレームワーク)
本開示に係る決定スキーム決定装置は、シナリオ木及び粒子群最適化アルゴリズムに基づいており、その全体的なフレームワークは以下の通りである。
(決定スキーム決定装置のフレームワーク)
本開示に係る決定スキーム決定装置は、シナリオ木及び粒子群最適化アルゴリズムに基づいており、その全体的なフレームワークは以下の通りである。
シナリオ木における各シナリオ(即ち、根ノードから葉ノードまでの経路)について粒子群最適化アルゴリズムを使用して、対応するシナリオについて全ての粒子の過去の最適位置が得られた際の粒子の位置及び速度の行列Pg
1(si)及びVg
1(si)を取得する。上記の注文計画のケースでは、この場合の行列のサイズは[粒子数,T]である。例えば、図4において生成されたシナリオ木の場合、行列の次元は[粒子数,3]である。
本実施例では、各シナリオにおけるPSOは、第1層PSOの解求めは、第1の層PSOである。ここで、全てのシナリオで使用されるPSOの調整可能なパラメータ、即ち粒子数が同一である必要があり、且つ、解求め装置が最初に実行される際に、第1の層の全てのPSO粒子の初期位置と速度がランダムに初期化される。例えば、上記の注文計画のケースの例では、第1の層のPSOの各シナリオの目的関数は、注文計画のケースの式(1)に対応する。
シナリオ木におけるシナリオ間の非葉ノード間の共有関係を使用して、第2の層PSOアルゴリズムの粒子に対して位置と速度を初期化する。第2の層のPSOアルゴリズムには1つのPSOのみが含まれ、対応する粒子の位置と速度の行列P2とV2のサイズは[粒子数,シナリオ木におけるノード数]である。第2の層PSOの粒子数も第1層の全てのPSOの粒子数と同一である。第2の層PSOアルゴリズムの入力位置行列を最適化することによって得られた最適位置行列は、例えば注文量に関する最終的な決定スキームなどの最終的な決定スキームを取得するために使用されてもよい。
以下は、上記の図3について説明された注文計画のケース及び図4について説明された生成されるシナリオ木構造を参照しながら、本実施例に係る決定スキーム決定装置の構成及び決定スキーム決定装置により実行される処理の流れを引き続き詳細に説明する。
(決定スキーム決定装置の構成の例)
以下は、図6乃至図8を参照しながら、図1に示す決定スキーム決定装置100の一例である本開示の第1の具体的な実施例に係る決定スキーム決定装置600の構成の例を詳細に説明する。図6は、本開示の第1の具体的な実施例に係る決定スキーム決定装置600の構成を示すブロック図であり、図7は、決定スキーム決定装置600の原理を示す概略図であり、図8は、決定スキーム決定装置600における併合部の動作を示す概略図である。
(決定スキーム決定装置の構成の例)
以下は、図6乃至図8を参照しながら、図1に示す決定スキーム決定装置100の一例である本開示の第1の具体的な実施例に係る決定スキーム決定装置600の構成の例を詳細に説明する。図6は、本開示の第1の具体的な実施例に係る決定スキーム決定装置600の構成を示すブロック図であり、図7は、決定スキーム決定装置600の原理を示す概略図であり、図8は、決定スキーム決定装置600における併合部の動作を示す概略図である。
図6に示すように、決定スキーム決定装置600は、取得部610、割り当て部620、第1の計算部630、併合部640及び第2の計算部650を含んでもよい。ここで、第1の計算部630は、第1の層PSO部1~第1の層PSO部Mを含んでもよく、第2の計算部650は、第2の層PSO部651及び決定変数計算部652を含んでもよい。
取得部610は、決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得してもよい。例えば、取得部610は、上記の図4を参照しながら説明された9つのシナリオにおける9個の予測シーケンス([3,2,5]、[3,2,3]、[3,2,4]、[3,5,5]、[3,5,3]、[3,5,4]、[3,3,5]、[3,3,3]、[3,3,4])及び各予測シーケンスにそれぞれ対応する確率pb(s1)~pb(s9)を取得してもよい。なお、ここで、9つの予測シーケンス及び対応する確率は、単なる一例である。取得部610は、実際の応用ニーズに応じて、予測モデル及び履歴シーケンスに基づいて生成された複数の時点における予測結果に基づいてシナリオ木を構築し、異なるシナリオにおける複数の予測シーケンス及び各予測にそれぞれ対応する確率を取得してもよい。
次に、割り当て部620は、M個のシナリオのうちの各シナリオにN個の具体的な決定スキームをそれぞれ割り当ててもよい。ここで、N個の具体的な決定スキームは、計算空間におけるN個の粒子の位置行列を用いて表され、N個の粒子のそれぞれの計算空間における位置は、対応する具体的な決定スキームを表す。
例えば、割り当て部620は、M個のシナリオの位置制約条件により定義されたそれぞれの所定領域内に、位置行列を構成するN個の粒子の位置ベクトルを、N個の具体的な決定スキームとしてそれぞれランダムに割り当ててもよい。例えば、図7では、3つのシナリオs1、s2、s3における位置制約条件により定義されるそれぞれの所定領域、即ち、3つのシナリオの可能な領域が2次元的に示されている。シナリオの可能な領域は、該シナリオにおけるN個の粒子が存在できる位置を表す。図7の上の図に示すように、割り当て部620は、シナリオの可能な領域にN個の粒子の位置行列をランダムに割り当ててもよい。なお、説明のために、図7の上の図は、単にグループ最適位置を有する粒子の位置移動を例示的に示している。図7の上の図に示される平行な斜線で塗りつぶされた円は、割り当て部620により割り当てられる粒子の初期位置を例示的に表す。
また、割り当て部620により得られた位置行列の形は、図8の右上に示す位置行列と類似しており、行列の大きさは[粒子数,T]である。図8の左のシナリオ木構造は、例えば3つの時点における需要に対する予測のみが含まれているため、この例では、Tは3であり、即ち、この例の位置行列の大きさは[N,3]である。従って、各シナリオにおける各粒子の位置は(x1,x2,x3)で定義され、ここで、(x1,x2,x3)は、例えば注文量シーケンスなどの最適化する必要のある決定変数を表す。
また、割り当て部620は、各シナリオにおけるN個の粒子に速度を割り当て、即ち、各シナリオにおけるN個の粒子の速度行列を生成してもよい。例えば、割り当て部620は、適切な範囲内で粒子の速度をランダムに割り当ててもよい。
従って、割り当て部620は、各シナリオにおけるN個の粒子の位置行列及び速度行列を取得して、第1の計算部630に提供してもよい。
次に、第1の計算部630における各第1の層PSO部は、M個のシナリオのうちの各シナリオについて各シナリオに対応するグループ最適決定スキームをそれぞれ取得してもよい。例えば、図7の上の図に示すように、シナリオs1、s2、s3においてグループ最適位置は五芒星で表される。各シナリオにおける初期位置行列に基づいて図5について説明された粒子群最適化アルゴリズムにより各シナリオにおけるグループ最適位置を取得してもよい。
具体的には、第1の層PSO部1~第1の層PSO部Mの各第1の層のPSO部は、粒子群最適化アルゴリズム(上記の<4.粒子群最適化アルゴリズムの紹介>における式)を使用して、M個のシナリオのうちの各シナリオのN個の粒子の位置行列及び速度行列を複数回反復的に計算して更新してもよい。複数回の反復的計算の後、第1の計算部630は、各シナリオにおける全ての時点の全ての粒子の最適位置(グループ最適位置)を取得し、複数回の反復により得られた位置行列のうちの、グループ最適位置を含む位置行列を、グループ最適位置行列(グループ最適決定スキーム)として選択してもよい。
各第1の層のPSO部は、M個の予測シーケンスに対応する第1の目的関数を使用して、M個のシナリオのそれぞれに対応するグループ最適位置行列を取得してもよい。例えば、第1の層のPSO部は、上記の図3を参照しながら説明された注文計画のケースの式(1)、即ちf(x)を使用して、各シナリオにおけるグループ最適位置を取得し、即ちf(x)をできる限り小さくする注文量シーケンス(x1,x2,x3)を選択してもよい。
同様に、図8の右上の部分に示すように、第1の計算部630は、各シナリオs1~s9についてのグループ最適位置行列Pg
1(S1)~Pg
1(S9)(3つのみが示されている)を取得してもよい。ここで、上付き文字1は、第1の計算部における第1層PSOの計算結果を表す。
また、第1の計算部630は、各シナリオにおける群最適位置行列に対応する速度行列Vg
1(s1)~Vg
1(s9)を取得し、取得された各シナリオにおけるグループ最適行列及び速度行列を併合部640に提供する。
次に、併合部640は、M個のシナリオのグループ最適決定スキーム及びM個の予測シーケンスに基づいてシナリオ組み合わせ位置行列P2を取得してもよい。例えば、図7の中央の図に示すように、シナリオs1、s2、s3のグループ最適位置行列は、1つのシナリオ組み合わせ位置行列(図7の中央の図ではグリッド線で塗りつぶされた円で表される)に組み合わせられている。
併合部640は、M個の予測シーケンスにより構築された木構造に基づいて、M個のシナリオのグループ最適位置行列を組み合わせてシナリオ組み合わせ位置行列を取得する。
具体的には、図8に示すように、左図では、非葉ノードx21
*は、シナリオs1、s2、s3により同時に所有されている。また、x21
*は、シナリオの第1層の位置行列Pg
1(s1)、Pg
1(s2)、Pg
1(s3)にそれぞれ対応するx2列に対応する。s1、s2、s3がx2列の決定スキームを決定する際に、依存するパラメータの値は全て[3,2]である。同一のパラメータの値に基づいて所望の意思決定を行う際に複数の決定スキームが発生することは不合理である。従って、図8の右半分では、併合演算によりPg
1(s1)、Pg
1(s2)、Pg
1(s3)のx2列を併合してP2のx21列の初期値とする必要がある。
同様に、併合演算により、Pg
1(s4)、Pg
1(s5)、Pg
1(s6)のx2列を併合してP2のx22列の初期値とし、Pg
1(s7)、Pg
1(s8)、Pg
1(s9)のx2列を併合してP2のx23列の初期値とし、Pg
1(s1)、Pg
1(s2)、Pg
1(s3)、Pg
1(s4)、Pg
1(s5)、Pg
1(s6)、Pg
1(s7)、Pg
1(s8)、Pg
1(s9)のx1列を併合してP2のx11列の初期値とし、Pg
1(s1)~Pg
1(s9)のx3列のそれぞれをP2のx31列~x39列の初期値としてもよい。従って、併合部640は、シナリオ組み合わせ位置行列P2を取得してもよい。図8の例では、シナリオの組み合わせ位置行列P2の大きさは[N,13]であり、ここで、13はシナリオ木におけるノード数に対応する。
決定変数の値のタイプに応じて、具体的な併合演算のルールは次の通りである。
・x21が0-1の決定変数である場合、投票方法(0と1の値頻度)を使用して値を併合する。
・x21が整数の決定変数である場合、確率(即ち、シナリオ確率pb(si))を使用して平均値が最も近くなるようにし、或いは平均値を切り上げ又は切り捨てる。
ここで、併合によりx21を生成する演算のルールのみを示している。なお、演算のルールは、P2の併合により生成する必要のある他の列、例えば列x11、列x22及び列x23にも適用されてもよい。
また、併合部640は、併合を完了した後、P2における各行(即ち、各粒子)が最適化の制約条件を満すか否か(即ち、粒子の位置が最適化の制約条件を満たすか否か)をチェックしてもよい。
・行(即ち、粒子の位置)が制約条件を満たす場合、後処理を行わない。
・行が制約条件を満たさない場合、繰り返しサンプリングにより該行を再初期化し、繰り返し停止条件はサンプリングにより生成された行が制約条件を満たすことである。
また、併合部640は、第1の計算部630により提供された速度行列を初期化して、組み合わせ速度行列V2を取得してもよい。
例えば、併合部640は、速度行列を併合する際に、Vg
1(s1)、Vg
1(s2)、Vg
1(s3)のv2列の平均値を求め、設定された最大速度パラメータvmaxに基づいて粒子速度をカットしてもよい。次の式(5)で表される。
同様に、併合部640は、Vg
1(s4)、Vg
1(s5)、Vg1(s6)のv2列に対して上記の処理を実行して(平均値を求め、設定された最大速度パラメータvmaxに基づいて粒子速度をカットする)V2のv22列の初期値とし、Vg
1(s7)、Vg
1(s8)、Vg1(s9)のv2列に対して上記の処理を実行してV2のv23列の初期値とし、Vg
1(s1)、Vg
1(s2)、Vg
1(s3)、Vg
1(s4)、Vg
1(s5)、Vg
1(s6)、Vg
1(s7)、Vg
1(s8)、Vg
1(s9)のv1列に対して上記の処理を実行してV2のv11列の初期値とし、Vg
1(s1)~Vg
1(s9)のv3列のそれぞれをV2のv31列~v39列の初期値としてもよい。従って、併合部640は、組み合わせ位置行列V2を取得することができる。
併合部640は、得られたシナリオ組み合わせ位置行列P2及び組み合わせ速度行列V2を第2の計算部650に提供してもよい。
なお、ここで、併合部640が第1の計算部630により提供された速度行列を併合して組み合わせ速度行列を取得することを検討しているが、直接シナリオ組み合わせ位置行列P2に対応するN個の粒子を一定の範囲内で速度をランダムに割り当て、N個の粒子の速度行列を取得してもよい。この場合、併合部640は、得られたシナリオ組み合わせ位置行列P2及びランダムに値が割り当てられた速度行列V2を第2の計算部650に提供してもよい。
次に、第2の計算部650は、シナリオ位置行列P2及び確率に基づいて最終的な決定スキームを取得してもよい。例えば、図7の下の図に示すように、シナリオ組み合わせ位置行列を複数回最適化してグループ最適位置(五芒星)を取得する。
具体的には、第2の計算部650における第2の層PSO部651は、併合部640により提供された粒子位置及び速度行列P2とV2を初期粒子状態として使用して、PSOアルゴリズムを使用してシナリオ木に対応する所望の決定スキームの全ての粒子の最適位置pg
2に対応する位置及び速度行列Pg
2、Vg
2を取得してもよい。
第2の計算部650は、M個の予測シーケンス及び対応する確率に対応する第2の目的関数を使用して最終的な決定スキームを取得してもよい。例えば、第2の層PSO部651では、第2の目的関数は、上記の注文計画のケースの式(2)、即ちF(x)に対応する。第2の目的関数は、F(x)を可能な限り小さくする決定変数、例えば注文量シーケンス[x11
*,x21
*,…,x39
*]を取得するために使用される。
第2の層PSO部651は、第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置を選択し、最適位置を有する粒子により表される決定変数[x11
*,x21
*,…,x39
*]を決定変数計算部652に提供してもよい。
決定変数計算部652に供給された決定変数[x11
*,x21
*,…,x39
*]の大きさは[1,13]であるため、決定変数計算部652は、該決定変数に対して次元削減処理を行い、実際の予測段階数(例えば、この例では3である)と一致する決定変数を取得して、最終的な決定スキームを取得する。
上記の式では、xt(s)は時点tに対応する全てのノードでの決定量を表し、pb(s)はノードに対応する確率を表す。例えば、決定変数計算部652は、x11
*を時点t=1における決定変数x1
*とし、x21
*、x22
*及びx23
*と対応するノードでの確率との積の和を時点t=2における決定変数x2
*とし、x31
*、x32
*、x33
*、x34
*、x35
*、x36
*
、x37
*、x38
*及びx39
*と対応するノードでの確率との積の和を時点t=3における決定変数x3
*としてもよい。
例えば、図8の左部分に示されるシナリオ木から取得された9つのシナリオの確率が等しい確率であると仮定し、即ち、pb(s1)~pb(s9)の確率がそれぞれ1/9である場合、ノードx31
*、x32
*、x33
*、x34
*、x35
*、x36
*
、x37
*、x38
*及びx39
*での確率はそれぞれ1/9であり、ノードx21
*での確率はノードx31
*、x32
*及びx33
*での確率の和、即ち1/3である。同様に、ノードx22
*での確率は、ノードx34
*、x35
*及びx36
*での確率の和、即ち1/3である。従って、ノードx23
*での確率は1/3である。
従って、決定変数計算部652は、t=1、2、3の場合の決定変数[x1
*,x2
*,x3
*]、即ち最終的な決定スキームを取得することができる。
或いは、実際の応用では、決定変数計算部652は、取得された決定変数[x11
*,x21
*,…,x39
*]に対して上記の処理を実行しなくてもよい。
例えば、時間の経過とともに、時点t=1及びt=2における予測系列の対応する値が知られるようになった場合、既知の予測シーケンス対応する値に基づいて時点t=3における決定変数を計算してもよい。上記の注文計画の例では、図8に示すように、時点t=2における需要量が2であると決定された場合、時点t=3におけるx31
*、x32
*及びx33
*の期待値(x31
*、x32
*及びx33
*と対応するノードでの確率との積の和)を求めて時点t=3における所望の決定変数(注文量)を決定する。
この場合、決定変数計算部652は、時点t=3における注文量、即ち最終決定スキームを取得することができる。
本開示に係る決定スキームの決定装置は、多階層の計算構造(第1の計算部及び第2の計算部)を形成することができ、まず、第1の計算部により各シナリオの具体的な決定スキームを最適化し、次に、第2の計算部により予測シーケンス及び対応する確率に基づいて各シナリオの最適化後の結果に関するシナリオ組み合わせ決定スキームをさらに最適化して最終的な決定スキームを取得する。ここで、第1の計算部の最適化により、各シナリオの最適決定スキームを取得することができ、第2の計算部の最適化により、各シナリオの確率が考慮された、意思決定問題全体にとって最適な最終的な決定スキームを取得することができる。これによって、最終的な決定スキームに対する多階層の最適化を実現することができる。また、PSOは数式表現式と無関係であるため、本開示に係る決定スキーム決定装置600は、複雑な大規模の最適化問題に適用することができる。
(処理流れの例)
図9は、本開示の第1の具体的な実施例に係る方法を示すフローチャートである。
図9は、本開示の第1の具体的な実施例に係る方法を示すフローチャートである。
図9に示すように、本開示の実施例に係る方法は、ステップS210から開始する。ステップS210において、決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得する。
次に、ステップS220において、各シナリオにN個の粒子の位置行列をそれぞれ割り当てる。
次に、ステップS230において、各シナリオについて各シナリオに対応するグループ最適位置行列を取得する。
次に、ステップS240において、M個のシナリオのグループ最適位置行列及びM個の予測シーケンスに基づいてシナリオ組み合わせ位置行列を取得する。
次に、ステップS250において、シナリオ組み合わせ位置行列及び確率に基づいて最終的な決定スキームを取得する。この後、プロセスは終了する。
本開示の実施例に係る方法の上記のステップは、例えば、図1~図8を参照しながら説明された決定スキーム決定装置により実行されてもよく、関連する詳細は既に詳細に説明されており、ここでその説明を省略する。
これによって、本開示に係る決定スキーム決定方法は、最終的な決定スキームに対する多階層の最適化を実現することができる。また、PSOは数式表現式と無関係であるため、本開示に係る決定スキーム決定方法は、複雑な大規模の最適化問題に適用することができる。
<6.第2の具体的な実施例>
(決定スキーム決定装置のフレームワーク)
本開示の第2の具体的な実施例に係る決定スキーム決定装置の基本的な構成は、第1の具体的な実施例に係る決定スキーム決定装置の基本的な構成と同様であり、その差異として、決定スキーム決定装置は、最初に動作する際に、第1層の全てのPSO粒子の初期位置及び速度がランダムに初期化され、後続の反復では第2層のPSOの最適化結果により反復の初期化が行われる。
(決定スキーム決定装置のフレームワーク)
本開示の第2の具体的な実施例に係る決定スキーム決定装置の基本的な構成は、第1の具体的な実施例に係る決定スキーム決定装置の基本的な構成と同様であり、その差異として、決定スキーム決定装置は、最初に動作する際に、第1層の全てのPSO粒子の初期位置及び速度がランダムに初期化され、後続の反復では第2層のPSOの最適化結果により反復の初期化が行われる。
以下は、決定スキーム決定装置の構成及び決定スキーム決定装置により実行される処理の流れを詳細に説明する。
(決定スキーム決定装置の構成の例)
以下は、図10~図12を参照しながら本開示の第2の具体的な実施例に係る決定スキーム決定装置1000の構成の例を詳細に説明する。図10は、本開示の第2の具体的な実施例に係る決定スキーム決定装置1000の構成を示すブロック図であり、図11は、本開示の第2の具体的な実施例に係る決定スキーム決定装置1000の原理を示す概略図であり、図12は、本開示の第2の具体的な実施例に係る決定スキーム決定装置1000における再割り当て部の動作を示す概略図である。
以下は、図10~図12を参照しながら本開示の第2の具体的な実施例に係る決定スキーム決定装置1000の構成の例を詳細に説明する。図10は、本開示の第2の具体的な実施例に係る決定スキーム決定装置1000の構成を示すブロック図であり、図11は、本開示の第2の具体的な実施例に係る決定スキーム決定装置1000の原理を示す概略図であり、図12は、本開示の第2の具体的な実施例に係る決定スキーム決定装置1000における再割り当て部の動作を示す概略図である。
図10に示すように、決定スキーム決定装置1000は、取得部1010、割り当て部1020、第1の計算部1030、併合部1040、第2の計算部1050、再割り当て部1060及びサンプリング部1070を含んでもよい。決定スキーム決定装置600と同様に、第1の計算部1030は、第1の層PSO部1~第1の層PSO部Mを含んでもよく、第2の計算部1050は、第2の層PSO部1051及び決定変数計算部1052を含んでもよい。
なお、取得部1010、割り当て部1020、第1の計算部1030、併合部1040、第2の計算部1050、第1の層PSO部1~第1の層PSO部M、第2の層PSO部1051及び決定変数計算部1052は、図6における取得部610、割り当て部620、第1の計算部630、併合部640、第2の計算部650、第1の層PSO部1~第1の層PSO部M、第2の層PSO部651及び決定変数計算部652と同様であるため、その説明を適宜省略する。
取得部1010は、決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得してもよい。例えば、取得部1010は、上記の図4を参照しながら説明された9つのシナリオにおける9個の予測シーケンス([3,2,5]、[3,2,3]、[3,2,4]、[3,5,5]、[3,5,3]、[3,5,4]、[3,3,5]、[3,3,3]、[3,3,4])及び各予測シーケンスにそれぞれ対応する確率pb(s1)~pb(s9)を取得してもよい。
次に、割り当て部1020は、M個のシナリオのうちの各シナリオにN個の具体的な決定スキームをそれぞれ割り当ててもよい。ここで、N個の具体的な決定スキームは、計算空間におけるN個の粒子の位置行列を用いて表され、N個の粒子のそれぞれの計算空間における位置は、対応する具体的な決定スキームを表す。
また、割り当て部1020は、各シナリオにおけるN個の粒子に速度を割り当て、即ち、各シナリオにおけるN個の粒子の速度行列を生成してもよい。
従って、割り当て部1020は、各シナリオにおけるN個の粒子の位置行列及び速度行列を取得して、第1の計算部1030に提供してもよい。
次に、第1の計算部1030における各第1の層PSO部は、M個のシナリオのうちの各シナリオについて各シナリオに対応するグループ最適決定スキームをそれぞれ取得してもよい。例えば、図11の左上の図に示すように、シナリオs1、s2、s3においてグループ最適位置は五芒星で表され、各シナリオにおける初期位置行列(図11の左上の図では、平行な斜線で塗りつぶされた円で例示的に示されるグループ最適位置を有する粒子の初期位置)に基づいて図5について説明された粒子群最適化アルゴリズムにより各シナリオにおけるグループ最適位置(五芒星)を取得してもよい。
具体的には、第1の層PSO部1~第1の層PSO部Mの各第1の層のPSO部は、粒子群最適化アルゴリズム(上記の<4.粒子群最適化アルゴリズムの紹介>における式)を使用して、M個のシナリオのうちの各シナリオのN個の粒子の位置行列及び速度行列を複数回反復的に計算して更新してもよい。複数回の反復的計算の後、第1の計算部1030は、各シナリオにおける全ての時点の全ての粒子の最適位置(グループ最適位置)を取得し、複数回の反復により得られた位置行列のうちの、グループ最適位置を含む位置行列を、グループ最適位置行列(グループ最適決定スキーム)として選択してもよい。
各第1の層のPSO部は、M個の予測シーケンスに対応する第1の目的関数を使用して、M個のシナリオのそれぞれに対応するグループ最適位置行列を取得してもよい。例えば、第1の層のPSO部は、上記の注文計画のケースの式(1)、即ちf(x)を使用して、各シナリオにおけるグループ最適位置を取得し、即ちf(x)をできる限り小さくする注文量シーケンス(x1,x2,x3)を選択してもよい。
これによって、第1の計算部1030は、各シナリオs1~s9についてのグループ最適位置行列Pg
1(S1)~Pg
1(S9)を取得してもよい。
また、第1の計算部1030は、各シナリオにおける群最適位置行列に対応する速度行列Vg
1(s1)~Vg
1(s9)を取得し、取得された各シナリオにおけるグループ最適行列及び速度行列を併合部1040に提供する。
次に、併合部1040は、M個のシナリオのグループ最適決定スキーム及びM個の予測シーケンスに基づいてシナリオ組み合わせ位置行列P2を取得してもよい。例えば、図11の右上の図に示すように、シナリオs1、s2、s3のグループ最適位置行列は、1つのシナリオ組み合わせ位置行列(図11の右上の図ではグリッド線で塗りつぶされた円で表される)に組み合わせられている。以上は、図8を参照しながら詳細に説明されている併合部の操作は、併合部1040に同様に適用されてもよい。
また、同様に、併合部1040は、第1の計算部1030により提供された速度行列を初期化して(併合部640による速度行列に対する初期化)、組み合わせ速度行列V2を取得し、得られたシナリオ組み合わせ位置行列P2及び組み合わせ速度行列V2を第2の計算部1050に提供してもよい。
次に、第2の計算部1050における第2の層PSO部1051は、シナリオ位置行列P2及び確率に基づいてグループ最適位置を含むシナリオ組み合わせ位置行列を取得してもよい。例えば、図11の右下の図に示すように、シナリオ組み合わせ位置行列を複数回最適化してグループ最適位置(五芒星)を取得する。
具体的には、第2の計算部1050における第2の層PSO部1051は、併合部1040により提供された粒子位置及び速度行列P2とV2を初期粒子状態として使用して、PSOアルゴリズムを使用してシナリオ木に対応する所望の決定スキームの全ての粒子の最適位置pg
2に対応する位置及び速度行列Pg
2、Vg
2を取得してもよい。
第2の層PSO部1051は、M個の予測シーケンス及び対応する確率に対応する第2の目的関数を使用してグループ最適位置を含むシナリオ組み合わせ位置行列を取得してもよい。例えば、第2の層PSO部1051では、第2の目的関数は、上記の注文計画のケースの式(2)、即ちF(x)に対応する。第2の目的関数は、F(x)を可能な限り小さくする決定変数、例えば注文量シーケンス[x11
*,x21
*,…,x39
*]を取得するために使用される。
第2の層PSO部1051は、第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置及び最適位置を含むシナリオ組み合わせ位置行列Pg
2を選択してもよい。
また、第2の層PSO部1051は、最適位置を含むシナリオ組み合わせ位置行列Pg
2及び対応する速度行列Vg
2を再割り当て部1060に提供してもよい。
次に、再割り当て部1060は、最適位置を含むシナリオ組み合わせ位置行列Pg
2に基づいて各シナリオにN個の粒子の位置行列を再び割り当ててもよい。例えば、図11の左下の図に示すように、最適位置を含むシナリオ組み合わせ位置行列に基づいてシナリオs1、s2、s3に各シナリオのN個の粒子の初期状態を再び割り当ててもよい。
具体的には、図12を参照しながら再割り当て部1060の動作を詳細に説明する。
再割り当て部1060は、M個の予測シーケンスにより構築された木構造に基づいて、各シナリオについて、最適位置を含むシナリオ組み合わせ位置行列の一部を、シナリオに対応する位置行列としてそれぞれ割り当ててもよい。
具体的には、再割り当て部1060は、シナリオ木構造に基づいてPg
2及びVg
2における対応する列を各シナリオの位置及び速度行列P1(si)及びV1(si)に分解し、P1(si)及びV1(si)を新しい反復ラウンドの第1の層のPSOの初期粒子の位置及び速度行列としてもよい。例えば、図12は、第2の層のPSO粒子の位置行列Pg
2の列x21の分解プロセスの概略図を示している。
図12に示すように、左の図では、非葉ノードx21
*は、シナリオs1、s2、s3により同時に所有される。この場合、Pg
2の列x21は、所在するシナリオに対応する位置行列P1(s1)、P1(s2)及びP1(s3)に対応する列x2に分解される。また、示されていないが、非葉ノードx22
*は、シナリオs4、s5、s6により同時に所有される。この場合、Pg
2の列x22は、所在するシナリオに対応する位置行列P1(s4)、P1(s5)及びP1(s6)に対応する列x2に分解される。また、示されていないが、根ノードx11
*は、シナリオs1~s9により同時に所有される。この場合、Pg
2の列x11は、所在するシナリオに対応する位置行列P1(s1)~P1(s9)に対応する列x1に分解される。また、示されていないが、葉ノードx31
*は、シナリオs1により所有される。この場合、Pg
2の列x31は、所在するシナリオに対応する位置行列P1(s1)に対応する列x3に分解される。
このルールに従って、Pg
2における全ての列は、対応するシナリオの粒子群位置行列の対応する列に割り当てられる。これによって、各シナリオのN個の粒子の位置行列P1(si)を取得することができる。
次に、全てのシナリオの粒子群アルゴリズムの初期粒子位置行列位置P1(si)を取得した後、サンプリング部1070は、各シナリオに再び割り当てられた位置行列を再サンプリングして各シナリオの新しい位置行列を取得してもよい。再び割り当てられた位置行列における要素が対応するシナリオの位置制約条件を満たさない場合、位置制約条件を満たさない要素を再サンプリングして各シナリオの新しい位置行列を取得する。例えば、サンプリング部1070は、各シナリオの位置制約条件により定義されたそれぞれの所定領域内に、位置制約条件を満たさない要素に値をランダムに設定してもよい。
具体的には、サンプリング部1070は、各シナリオにおける制約条件に従って、P1(si)の各行に対応する粒子位置を調整してもよく、具体的な調整ステップは以下の通りである。
・行(即ち、粒子の位置)が制約条件を満たす(即ち、可能な領域にある)場合、後処理を行わない。
・行が制約条件を満たさない場合、繰り返しサンプリングにより該行を再初期化し、繰り返し停止条件はサンプリングにより生成された行が制約条件を満たすことである。
このように、各シナリオにおける最終的な粒子群最適化粒子の初期位置行列P1(si)が取得された。
また、再割り当て部1060により第2層PSOの粒子速度行列Vg
2の列x21に対して実行される分解は、位置行列Pg
2の列x21に対して実行される分解と同様である。上記の分解規則に従って、Vg
2における全ての列は、対応するシナリオの粒子群速度行列の対応する列に割り当てられる。このように、各シナリオのN個の粒子の速度行列V1(si)を得ることができる。分解後、サンプリング部1070は、設定された最大速度パラメータvmaxを使用して粒子速度をトリミングし、各シナリオにおける粒子群最適化粒子の最終的な初期速度行列V1(si)を取得する。
サンプリング部1070は、第1の層に対応するシナリオのPSOを初期化するために、処理後の各シナリオの位置行列P1(si)及び速度行列V1(si)を第1の計算部1030に提供してもよい。例えば、図11の左下の図及び左上の図に示すように、シナリオs1、s2、s3の新しい位置行列及び速度行列に基づいて第1の層PSOを初期化する。
或いは、再割り当て部1060は、各シナリオのN個の粒子の速度行列V1(si)を得るために、一定の範囲内で各シナリオのN個の粒子に速度をランダムに割り当ててもよい。この場合、サンプリング部1070は、再割り当て部1060により提供されたランダムに割り当てられた速度行列V1(si)を第1の計算部1030に提供してもよい。
第1の計算部1030は、入力されたM個のシナリオの入力粒子の位置行列P1(si)及び速度行列V1(si)に対して粒子群最適化処理をそれぞれ実行する。
即ち、決定スキーム決定装置1000は、所定の繰り返し回数に達し、或いは目的関数の式(2)の値の変動が閾値よりも小さくなり、即ち最適位置が所定の程度に収束するまで、新しい位置行列及び速度行列について、第1の計算部1030により実行されるグループ最適位置行列を取得する処理、併合部1040により実行されるシナリオ組み合わせ位置行列を取得する処理、第2の計算部1050により実行される最適位置を含むシナリオ組み合わせ位置行列を取得する処理、再割り当て部1060により実行される再割り当て処理、及びサンプリング部1070により実行される再サンプリング処理を繰り返し実行する。
第2の計算部1050における第2の層PSO部1051により最終的に得られた最適位置を有する粒子により表される決定変数が[x11
*,x21
*,…,x39
*]であると仮定すると、第2の層PSO部1051は、決定変数[x11
*,x21
*,…,x39
*]を決定変数計算部1052に供給する。
次に、決定変数計算部1052は、複数回の繰り返し操作後に得られた最適位置により最終的な決定スキームを取得する。以上は、第1の具体的な実施例に係る決定変数計算部の動作を詳細に説明しており、これは同様に決定変数計算部1052にも適用されてもよい。
第2の具体的な実施例に係る決定スキーム決定装置1000は、第2段階のPSOの最適化結果を使用して第1段階のPSOの入力を初期化し、2つの段階間に相互初期化メカニズムを形成することで、複数回の反復的計算により最終的な決定スキームを最適化することができる。
(処理流れの例)
図13は、本開示の第2の実施例に係る方法を示すフローチャートである。
図13は、本開示の第2の実施例に係る方法を示すフローチャートである。
図13に示すように、本開示の実施例に係る方法は、ステップS310から開始する。ステップS310において、決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得する。
次に、ステップS320において、各シナリオにN個の粒子の位置行列をそれぞれ割り当てる。
次に、ステップS330において、各シナリオについて各シナリオに対応するグループ最適位置行列を取得する。
次に、ステップS340において、M個のシナリオのグループ最適位置行列及びM個の予測シーケンスに基づいてシナリオ組み合わせ位置行列を取得する。
次に、ステップS350において、シナリオ組み合わせ位置行列及び確率に基づいて、最適位置及び最適位置を含むシナリオ組み合わせ位置行列を取得する。
次に、ステップS360において、最適位置が所定の程度に収束しており、或いは所定の繰り返し回数に達したか否かを判断する。
最適位置が所定の程度に収束しておらず、且つ所定の繰り返し回数に達していないと判断された場合、ステップS370において、各シナリオにN個の粒子の位置行列を再び割り当てる。
次に、ステップS380において、各シナリオに再び割り当てられた位置行列を再サンプリングして各シナリオの新しい位置行列を取得する。
次に、ステップS360において最適位置が所定の程度に収束しており、或いは所定の繰り返し回数に達したと判断されるまで、新しい位置行列について、ステップS330においてグループ最適位置行列を取得し、ステップS340においてシナリオ組み合わせ位置行列を取得し、ステップS350において最適位置及び最適位置を含むシナリオ構成位置行列を取得し、ステップS370において再割り当てを行い、ステップS380において再サンプリングを行うステップを繰り返し実行する。
次に、ステップS390において、複数回の繰り返し操作後に得られた最適位置により最終的な決定スキームを取得する。
この後、プロセスは終了する。
本開示の実施例に係る方法の上記のステップは、例えば、図10~図12を参照しながら説明された決定スキーム決定装置により実行されてもよく、関連する詳細は既に詳細に説明されており、ここでその説明を省略する。
第2の具体的な実施例に係る決定スキーム決定方法は、第2段階のPSOの最適化結果を使用して第1段階のPSOの入力を初期化し、2つの段階間に相互初期化メカニズムを形成することで、複数回の反復的計算により最終的な決定スキームを最適化することができる。
<7.決定スキームの決定装置のコンピュータ構成の例>
なお、本開示の方法の各処理は、各種の機器が読み取り可能な記憶媒体に記憶されたコンピュータ実行可能なプログラムにより実現されてもよい。
なお、本開示の方法の各処理は、各種の機器が読み取り可能な記憶媒体に記憶されたコンピュータ実行可能なプログラムにより実現されてもよい。
また、本開示の目的は、上記実行可能なプログラムコードを記憶した記憶媒体をシステム又は装置に直接的又は間接的に提供し、該システム又は装置におけるコンピュータ又は中央処理装置(CPU)が該プログラムコードを読み出して実行することによって実現されてもよい。この場合は、該システム又は装置はプログラムを実行可能な機能を有すればよく、本開示の実施形態はプログラムに限定されない。また、該プログラムは任意の形式であってもよく、例えばオブジェクトプログラム、インタプリタによって実行されるプログラム、又はオペレーティングシステムに提供されるスクリプトプログラム等であってもよい。
上記の機器が読み取り可能な記憶媒体は、各種のメモリ、記憶部、半導体装置、光ディスク、磁気ディスク及び光磁気ディスクのようなディスク、並びに情報を記憶可能な他の媒体等を含むが、これらに限定されない。
また、コンピュータがインターネット上の対応するウェブサイトに接続され、本開示のコンピュータプログラムコードをコンピュータにダウンロード、インストール、そして実行することによって、本開示の実施形態を実現することができる。
図14は、本開示の実施例に係る決定スキームの決定装置及び方法を実現可能な汎用パーソナルコンピュータの例示的な構成を示すブロック図である。
図14に示すように、CPU1401は、読み出し専用メモリ(ROM)1402に記憶されているプログラム、又は記憶部1408からランダムアクセスメモリ(RAM)1403にロードされたプログラムにより各種の処理を実行する。RAM1403には、必要に応じて、CPU1401が各種の処理を実行するに必要なデータが記憶されている。CPU1401、ROM1402、及びRAM1403は、バス1404を介して互いに接続されている。入力/出力インターフェース1405もバス1404に接続されている。
入力部1406(キーボード、マウスなどを含む)、出力部1407(ディスプレイ、例えばブラウン管(CRT)、液晶ディスプレイ(LCD)など、及びスピーカなどを含む)、記憶部1408(例えばハードディスクなどを含む)、通信部1409(例えばネットワークのインタフェースカード、例えばLANカード、モデムなどを含む)は、入力/出力インターフェース1405に接続されている。通信部1409は、ネットワーク、例えばインターネットを介して通信処理を実行する。必要に応じて、ドライバ1410は、入力/出力インターフェース1405に接続されてもよい。取り外し可能な媒体1411は、例えば磁気ディスク、光ディスク、光磁気ディスク、半導体メモリなどであり、必要に応じてドライバ1410にセットアップされて、その中から読みだされたコンピュータプログラムは必要に応じて記憶部1408にインストールされている。
ソフトウェアにより上記処理を実施する場合、ネットワーク、例えばインターネット、又は記憶媒体、例えば取り外し可能な媒体1411を介してソフトウェアを構成するプログラムをインストールする。
なお、これらの記憶媒体は、図14に示されている、プログラムを記憶し、機器と分離してユーザへプログラムを提供する取り外し可能な媒体1411に限定されない。取り外し可能な媒体1411は、例えば磁気ディスク(フロッピーディスク(登録商標)を含む)、光ディスク(光ディスク-読み出し専用メモリ(CD-ROM)、及びデジタル多目的ディスク(DVD)を含む)、光磁気ディスク(ミニディスク(MD)(登録商標))及び半導体メモリを含む。或いは、記憶媒体は、ROM1402、記憶部1408に含まれるハードディスクなどであってもよく、プログラムを記憶し、それらを含む機器と共にユーザへ提供される。
なお、本開示のシステム及び方法では、各ユニット又は各ステップを分解且つ、或いは再組み合わせてもよい。これらの分解及び/又は再組み合わせは、本開示と同等であると見なされる。また、本開示の方法は、明細書に説明された時間的順序で実行するものに限定されず、他の時間的順序で順次、並行、又は独立して実行されてもよい。このため、本明細書に説明された方法の実行順序は、本開示の技術的な範囲を限定するものではない。
以上は図面を参照しながら本開示の実施例を詳細に説明しているが、上述した実施形態及び実施例は単なる例示的なものであり、本開示を限定するものではない。当業者は、特許請求の範囲の主旨及び範囲内で本開示に対して各種の修正、変更を行ってもよい。これらの修正、変更は本開示の保護範囲に含まれるものである。
<8.付記>
また、上述の各実施例を含む実施形態に関し、更に以下の付記を開示する。
(付記1)
決定スキームの決定装置であって、
前記決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得する取得部と、
各シナリオにN個の具体的な決定スキームをそれぞれ割り当てる割り当て部と、
各シナリオについて各シナリオに対応するグループ最適決定スキームを取得する第1の計算部と、
前記M個のシナリオのグループ最適決定スキーム及び前記M個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得する併合部と、
前記シナリオ組み合わせ決定スキーム及び前記確率に基づいて最終的な決定スキームを取得する第2の計算部と、を含み、
M及びNは、0より大きい自然数である、装置。
(付記2)
前記予測シーケンスは、特定の品物又は業務の需要に関する需要シーケンスであり、
前記決定スキームの決定は、M個の需要シーケンス及び対応する確率に基づいて、前記特定の品物又は業務に関する特定の目標を最適化するための決定変数を決定することである、付記1に記載の装置。
(付記3)
前記N個の具体的な決定スキームは、計算空間におけるN個の粒子の位置行列を用いて表され、
前記N個の粒子のそれぞれの前記計算空間における位置は、対応する具体的な決定スキームを表す、付記1又は2に記載の装置。
(付記4)
前記第1の計算部は、前記M個の予測シーケンスに対応する第1の目的関数を使用してM個のシナリオのそれぞれに対応するグループ最適位置行列を取得し、
前記第2の計算部は、前記M個の予測シーケンス及び対応する確率に対応する第2の目的関数を使用して前記最終的な決定スキームを取得する、付記3に記載の装置。
(付記5)
前記第2の計算部は、前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置を選択し、前記最適位置により前記最終的な決定スキームを取得する、付記4に記載の装置。
(付記6)
前記第2の計算部は、前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置及び前記最適位置を含むシナリオ組み合わせ位置行列を選択し、
前記装置は、
前記最適位置を含むシナリオ組み合わせ位置行列に基づいて各シナリオにN個の粒子の位置行列を再び割り当てる再割り当て部と、
各シナリオに再び割り当てられた位置行列を再サンプリングして各シナリオの新しい位置行列を取得するサンプリング部と、をさらに含み、
前記最適位置が所定の程度に収束し、或いは所定の繰り返し回数に達するまで、前記装置は、新しい位置行列について、前記第1の計算部により実行されるグループ最適位置行列を取得する処理、前記併合部により実行されるシナリオ組み合わせ位置行列を取得する処理、前記第2の計算部により実行される前記最適位置を含むシナリオ組み合わせ位置行列を取得する処理、前記再割り当て部により実行される再割り当て処理、及び前記サンプリング部により実行される再サンプリング処理を繰り返し実行し、
前記第2の計算部は、前記処理の繰り返しを停止した後に得られた最適位置により、前記最終的な決定スキームを取得する、付記4に記載の装置。
(付記7)
前記再割り当て部は、前記M個の予測シーケンスにより構築された木構造に基づいて、各シナリオについて、前記最適位置を含むシナリオ組み合わせ位置行列の一部を、シナリオに対応する位置行列としてそれぞれ割り当てる、付記6に記載の装置。
(付記8)
前記併合部は、前記M個の予測シーケンスにより構築された木構造に基づいて、前記M個のシナリオのグループ最適位置行列を組み合わせてシナリオ組み合わせ位置行列を取得する、付記3に記載の装置。
(付記9)
決定スキームの決定方法であって、
前記決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得するステップと、
各シナリオにN個の具体的な決定スキームをそれぞれ割り当てるステップと、
各シナリオについて各シナリオに対応するグループ最適決定スキームを取得するステップと、
前記M個のシナリオのグループ最適決定スキーム及び前記M個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得するステップと、
前記シナリオ組み合わせ決定スキーム及び前記確率に基づいて最終的な決定スキームを取得するステップと、を含み、
M及びNは、0より大きい自然数である、方法。
(付記10)
前記N個の具体的な決定スキームは、計算空間におけるN個の粒子の位置行列を用いて表され、
前記N個の粒子のそれぞれの前記計算空間における位置は、対応する具体的な決定スキームを表す、付記9に記載の方法。
(付記11)
各シナリオにN個の具体的な決定スキームをそれぞれ割り当てるステップは、
前記M個のシナリオの位置制約条件により定義されたそれぞれの所定領域内に、前記位置行列を構成する前記N個の粒子の位置ベクトルを、前記N個の具体的な決定スキームとしてそれぞれランダムに割り当てるステップ、を含む、付記10に記載の方法。
(付記12)
前記M個の予測シーケンスに対応する第1の目的関数を使用してM個のシナリオのそれぞれに対応するグループ最適位置行列を取得し、
前記M個の予測シーケンス及び対応する確率に対応する第2の目的関数を使用して前記最終的な決定スキームを取得する、付記10に記載の方法。
(付記13)
前記最終的な決定スキームを取得するステップは、
前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置を選択し、前記最適位置により前記最終的な決定スキームを取得するステップ、を含む、付記12に記載の方法。
(付記14)
前記最終的な決定スキームを取得するステップは、
前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置及び前記最適位置を含むシナリオ組み合わせ位置行列を選択し、
前記方法は、
前記最適位置を含むシナリオ組み合わせ位置行列に基づいて各シナリオにN個の粒子の位置行列を再び割り当てるステップと、
各シナリオに再び割り当てられた位置行列を再サンプリングして各シナリオの新しい位置行列を取得するステップと、
前記最適位置が所定の程度に収束し、或いは所定の繰り返し回数に達するまで、新しい位置行列について、グループ最適位置行列を取得するステップ、シナリオ組み合わせ位置行列を取得するステップ、前記最適位置を含むシナリオ組み合わせ位置行列を取得するステップ、再割り当てのステップ、及び再サンプリングのステップを繰り返し実行するステップ、をさらに含み、
前記最終的な決定スキームを取得するステップは、複数回の繰り返し操作後に得られた最適位置により前記最終的な決定スキームを取得するステップ、をさらに含む、付記12に記載の方法。
(付記15)
各シナリオにN個の粒子の位置行列を再び割り当てるステップは、
前記M個の予測シーケンスにより構築された木構造に基づいて、各シナリオについて、前記最適位置を含むシナリオ組み合わせ位置行列の一部を、シナリオに対応する位置行列としてそれぞれ割り当てる、付記14に記載の方法。
(付記16)
再サンプリングのステップは、
再び割り当てられた位置行列における要素が対応するシナリオの位置制約条件を満たさない場合、前記位置制約条件を満たさない要素を再サンプリングして各シナリオの新しい位置行列を取得するステップ、を含む、付記14に記載の方法。
(付記17)
前記位置制約条件を満たさない要素を再サンプリングすることは、各シナリオの位置制約条件により定義されたそれぞれの所定領域内に、前記位置制約条件を満たさない要素に値をランダムに設定することを含む、付記16に記載の方法。
(付記18)
各シナリオについてグループ最適位置行列を取得するステップは、
前記M個のシナリオのそれぞれについて、前記第1の目的関数に従ってN個の粒子の位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られた位置行列により構成された複数の位置行列から最適位置を選択ステップと、
前記最適位置を含む位置行列を前記各シナリオのグループ最適位置行列として取得するステップと、を含む、付記12に記載の方法。
(付記19)
シナリオ組み合わせ位置行列を取得するステップは、
前記M個の予測シーケンスにより構築された木構造に基づいて、前記M個のシナリオのグループ最適位置行列を組み合わせてシナリオ組み合わせ位置行列を取得するステップ、を含む、付記10に記載の方法。
(付記20)
機器読み取り可能な命令コードを記憶しているプログラムプロダクトが記録された機器読み取り可能な記憶媒体であって、前記命令コードがコンピュータにより読み取られて実行される際に、前記コンピュータに付記9乃至19の何れかに記載の方法を実行させることができる、記憶媒体。
また、上述の各実施例を含む実施形態に関し、更に以下の付記を開示する。
(付記1)
決定スキームの決定装置であって、
前記決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得する取得部と、
各シナリオにN個の具体的な決定スキームをそれぞれ割り当てる割り当て部と、
各シナリオについて各シナリオに対応するグループ最適決定スキームを取得する第1の計算部と、
前記M個のシナリオのグループ最適決定スキーム及び前記M個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得する併合部と、
前記シナリオ組み合わせ決定スキーム及び前記確率に基づいて最終的な決定スキームを取得する第2の計算部と、を含み、
M及びNは、0より大きい自然数である、装置。
(付記2)
前記予測シーケンスは、特定の品物又は業務の需要に関する需要シーケンスであり、
前記決定スキームの決定は、M個の需要シーケンス及び対応する確率に基づいて、前記特定の品物又は業務に関する特定の目標を最適化するための決定変数を決定することである、付記1に記載の装置。
(付記3)
前記N個の具体的な決定スキームは、計算空間におけるN個の粒子の位置行列を用いて表され、
前記N個の粒子のそれぞれの前記計算空間における位置は、対応する具体的な決定スキームを表す、付記1又は2に記載の装置。
(付記4)
前記第1の計算部は、前記M個の予測シーケンスに対応する第1の目的関数を使用してM個のシナリオのそれぞれに対応するグループ最適位置行列を取得し、
前記第2の計算部は、前記M個の予測シーケンス及び対応する確率に対応する第2の目的関数を使用して前記最終的な決定スキームを取得する、付記3に記載の装置。
(付記5)
前記第2の計算部は、前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置を選択し、前記最適位置により前記最終的な決定スキームを取得する、付記4に記載の装置。
(付記6)
前記第2の計算部は、前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置及び前記最適位置を含むシナリオ組み合わせ位置行列を選択し、
前記装置は、
前記最適位置を含むシナリオ組み合わせ位置行列に基づいて各シナリオにN個の粒子の位置行列を再び割り当てる再割り当て部と、
各シナリオに再び割り当てられた位置行列を再サンプリングして各シナリオの新しい位置行列を取得するサンプリング部と、をさらに含み、
前記最適位置が所定の程度に収束し、或いは所定の繰り返し回数に達するまで、前記装置は、新しい位置行列について、前記第1の計算部により実行されるグループ最適位置行列を取得する処理、前記併合部により実行されるシナリオ組み合わせ位置行列を取得する処理、前記第2の計算部により実行される前記最適位置を含むシナリオ組み合わせ位置行列を取得する処理、前記再割り当て部により実行される再割り当て処理、及び前記サンプリング部により実行される再サンプリング処理を繰り返し実行し、
前記第2の計算部は、前記処理の繰り返しを停止した後に得られた最適位置により、前記最終的な決定スキームを取得する、付記4に記載の装置。
(付記7)
前記再割り当て部は、前記M個の予測シーケンスにより構築された木構造に基づいて、各シナリオについて、前記最適位置を含むシナリオ組み合わせ位置行列の一部を、シナリオに対応する位置行列としてそれぞれ割り当てる、付記6に記載の装置。
(付記8)
前記併合部は、前記M個の予測シーケンスにより構築された木構造に基づいて、前記M個のシナリオのグループ最適位置行列を組み合わせてシナリオ組み合わせ位置行列を取得する、付記3に記載の装置。
(付記9)
決定スキームの決定方法であって、
前記決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得するステップと、
各シナリオにN個の具体的な決定スキームをそれぞれ割り当てるステップと、
各シナリオについて各シナリオに対応するグループ最適決定スキームを取得するステップと、
前記M個のシナリオのグループ最適決定スキーム及び前記M個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得するステップと、
前記シナリオ組み合わせ決定スキーム及び前記確率に基づいて最終的な決定スキームを取得するステップと、を含み、
M及びNは、0より大きい自然数である、方法。
(付記10)
前記N個の具体的な決定スキームは、計算空間におけるN個の粒子の位置行列を用いて表され、
前記N個の粒子のそれぞれの前記計算空間における位置は、対応する具体的な決定スキームを表す、付記9に記載の方法。
(付記11)
各シナリオにN個の具体的な決定スキームをそれぞれ割り当てるステップは、
前記M個のシナリオの位置制約条件により定義されたそれぞれの所定領域内に、前記位置行列を構成する前記N個の粒子の位置ベクトルを、前記N個の具体的な決定スキームとしてそれぞれランダムに割り当てるステップ、を含む、付記10に記載の方法。
(付記12)
前記M個の予測シーケンスに対応する第1の目的関数を使用してM個のシナリオのそれぞれに対応するグループ最適位置行列を取得し、
前記M個の予測シーケンス及び対応する確率に対応する第2の目的関数を使用して前記最終的な決定スキームを取得する、付記10に記載の方法。
(付記13)
前記最終的な決定スキームを取得するステップは、
前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置を選択し、前記最適位置により前記最終的な決定スキームを取得するステップ、を含む、付記12に記載の方法。
(付記14)
前記最終的な決定スキームを取得するステップは、
前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置及び前記最適位置を含むシナリオ組み合わせ位置行列を選択し、
前記方法は、
前記最適位置を含むシナリオ組み合わせ位置行列に基づいて各シナリオにN個の粒子の位置行列を再び割り当てるステップと、
各シナリオに再び割り当てられた位置行列を再サンプリングして各シナリオの新しい位置行列を取得するステップと、
前記最適位置が所定の程度に収束し、或いは所定の繰り返し回数に達するまで、新しい位置行列について、グループ最適位置行列を取得するステップ、シナリオ組み合わせ位置行列を取得するステップ、前記最適位置を含むシナリオ組み合わせ位置行列を取得するステップ、再割り当てのステップ、及び再サンプリングのステップを繰り返し実行するステップ、をさらに含み、
前記最終的な決定スキームを取得するステップは、複数回の繰り返し操作後に得られた最適位置により前記最終的な決定スキームを取得するステップ、をさらに含む、付記12に記載の方法。
(付記15)
各シナリオにN個の粒子の位置行列を再び割り当てるステップは、
前記M個の予測シーケンスにより構築された木構造に基づいて、各シナリオについて、前記最適位置を含むシナリオ組み合わせ位置行列の一部を、シナリオに対応する位置行列としてそれぞれ割り当てる、付記14に記載の方法。
(付記16)
再サンプリングのステップは、
再び割り当てられた位置行列における要素が対応するシナリオの位置制約条件を満たさない場合、前記位置制約条件を満たさない要素を再サンプリングして各シナリオの新しい位置行列を取得するステップ、を含む、付記14に記載の方法。
(付記17)
前記位置制約条件を満たさない要素を再サンプリングすることは、各シナリオの位置制約条件により定義されたそれぞれの所定領域内に、前記位置制約条件を満たさない要素に値をランダムに設定することを含む、付記16に記載の方法。
(付記18)
各シナリオについてグループ最適位置行列を取得するステップは、
前記M個のシナリオのそれぞれについて、前記第1の目的関数に従ってN個の粒子の位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られた位置行列により構成された複数の位置行列から最適位置を選択ステップと、
前記最適位置を含む位置行列を前記各シナリオのグループ最適位置行列として取得するステップと、を含む、付記12に記載の方法。
(付記19)
シナリオ組み合わせ位置行列を取得するステップは、
前記M個の予測シーケンスにより構築された木構造に基づいて、前記M個のシナリオのグループ最適位置行列を組み合わせてシナリオ組み合わせ位置行列を取得するステップ、を含む、付記10に記載の方法。
(付記20)
機器読み取り可能な命令コードを記憶しているプログラムプロダクトが記録された機器読み取り可能な記憶媒体であって、前記命令コードがコンピュータにより読み取られて実行される際に、前記コンピュータに付記9乃至19の何れかに記載の方法を実行させることができる、記憶媒体。
Claims (10)
- 決定スキームの決定装置であって、
前記決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得する取得部と、
各シナリオにN個の具体的な決定スキームをそれぞれ割り当てる割り当て部と、
各シナリオについて各シナリオに対応するグループ最適決定スキームを取得する第1の計算部と、
前記M個のシナリオのグループ最適決定スキーム及び前記M個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得する併合部と、
前記シナリオ組み合わせ決定スキーム及び前記確率に基づいて最終的な決定スキームを取得する第2の計算部と、を含み、
M及びNは、0より大きい自然数である、装置。 - 前記予測シーケンスは、特定の品物又は業務の需要に関する需要シーケンスであり、
前記決定スキームの決定は、M個の需要シーケンス及び対応する確率に基づいて、前記特定の品物又は業務に関する特定の目標を最適化するための決定変数を決定することである、請求項1に記載の装置。 - 前記N個の具体的な決定スキームは、計算空間におけるN個の粒子の位置行列を用いて表され、
前記N個の粒子のそれぞれの前記計算空間における位置は、対応する具体的な決定スキームを表す、請求項1又は2に記載の装置。 - 前記第1の計算部は、前記M個の予測シーケンスに対応する第1の目的関数を使用してM個のシナリオのそれぞれに対応するグループ最適位置行列を取得し、
前記第2の計算部は、前記M個の予測シーケンス及び対応する確率に対応する第2の目的関数を使用して前記最終的な決定スキームを取得する、請求項3に記載の装置。 - 前記第2の計算部は、前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置を選択し、前記最適位置により前記最終的な決定スキームを取得する、請求項4に記載の装置。
- 前記第2の計算部は、前記第2の目的関数に従ってシナリオ組み合わせ位置行列を複数回反復的に最適化し、複数回の反復の各反復後に得られたシナリオ組み合わせ位置行列により構成された複数のシナリオ組み合わせ位置行列から最適位置及び前記最適位置を含むシナリオ組み合わせ位置行列を選択し、
前記装置は、
前記最適位置を含むシナリオ組み合わせ位置行列に基づいて各シナリオにN個の粒子の位置行列を再び割り当てる再割り当て部と、
各シナリオに再び割り当てられた位置行列を再サンプリングして各シナリオの新しい位置行列を取得するサンプリング部と、をさらに含み、
前記最適位置が所定の程度に収束し、或いは所定の繰り返し回数に達するまで、前記装置は、新しい位置行列について、前記第1の計算部により実行されるグループ最適位置行列を取得する処理、前記併合部により実行されるシナリオ組み合わせ位置行列を取得する処理、前記第2の計算部により実行される前記最適位置を含むシナリオ組み合わせ位置行列を取得する処理、前記再割り当て部により実行される再割り当て処理、及び前記サンプリング部により実行される再サンプリング処理を繰り返し実行し、
前記第2の計算部は、前記処理の繰り返しを停止した後に得られた最適位置により、前記最終的な決定スキームを取得する、請求項4に記載の装置。 - 前記再割り当て部は、前記M個の予測シーケンスにより構築された木構造に基づいて、各シナリオについて、前記最適位置を含むシナリオ組み合わせ位置行列の一部を、シナリオに対応する位置行列としてそれぞれ割り当てる、請求項6に記載の装置。
- 前記併合部は、前記M個の予測シーケンスにより構築された木構造に基づいて、前記M個のシナリオのグループ最適位置行列を組み合わせてシナリオ組み合わせ位置行列を取得する、請求項3に記載の装置。
- 決定スキームの決定方法であって、
前記決定スキームの決定に関連するM個のシナリオにおけるM個の予測シーケンス及び各予測シーケンスにそれぞれ対応する確率を取得するステップと、
各シナリオにN個の具体的な決定スキームをそれぞれ割り当てるステップと、
各シナリオについて各シナリオに対応するグループ最適決定スキームを取得するステップと、
前記M個のシナリオのグループ最適決定スキーム及び前記M個の予測シーケンスに基づいてシナリオ組み合わせ決定スキームを取得するステップと、
前記シナリオ組み合わせ決定スキーム及び前記確率に基づいて最終的な決定スキームを取得するステップと、を含み、
M及びNは、0より大きい自然数である、方法。 - 機器読み取り可能な命令コードを記憶しているプログラムプロダクトが記録された機器読み取り可能な記憶媒体であって、前記命令コードがコンピュータにより読み取られて実行される際に、前記コンピュータに請求項9に記載の方法を実行させることができる、記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110177334.6 | 2021-02-07 | ||
CN202110177334.6A CN114912647A (zh) | 2021-02-07 | 2021-02-07 | 用于决定决策的装置、方法和机器可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022121390A true JP2022121390A (ja) | 2022-08-19 |
Family
ID=82762130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022013558A Pending JP2022121390A (ja) | 2021-02-07 | 2022-01-31 | 決定スキームの決定装置、方法及び機器読み取り可能な記憶媒体 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2022121390A (ja) |
CN (1) | CN114912647A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115431174A (zh) * | 2022-09-05 | 2022-12-06 | 昆山市恒达精密机械工业有限公司 | 一种用于中板研磨控制的方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2320332A1 (en) * | 2009-11-05 | 2011-05-11 | BAE Systems PLC | Generating a set of solutions to a multi-objective problem |
CN107506956B (zh) * | 2017-06-12 | 2018-06-15 | 合肥工业大学 | 基于改进粒子群算法供应链生产运输协同调度方法及系统 |
CN110796373B (zh) * | 2019-10-30 | 2023-06-02 | 国网辽宁省电力有限公司阜新供电公司 | 面向风电消纳的多阶段场景生成电热系统优化调度方法 |
CN110889541A (zh) * | 2019-11-18 | 2020-03-17 | 国网江苏省电力有限公司电力科学研究院 | 一种电力系统风险调度决策方法及装置 |
CN110989343B (zh) * | 2019-11-25 | 2020-08-28 | 中国人民解放军国防科技大学 | 一种基于强化学习的多阶段装备组合规划方法 |
CN111242368B (zh) * | 2020-01-09 | 2024-03-15 | 中央财经大学 | 一种基于场景推演的物流配送调度算法 |
CN111586720B (zh) * | 2020-05-11 | 2022-04-22 | 重庆邮电大学 | 一种多小区场景下的任务卸载和资源分配的联合优化方法 |
CN111697572B (zh) * | 2020-06-15 | 2021-09-17 | 西安交通大学 | 基于多阶段随机规划理论的电源及电力流结构优化方法 |
CN112306015A (zh) * | 2020-10-12 | 2021-02-02 | 重庆大学 | 一种云制造环境下基于贝叶斯网络的机床装备资源优化决策方法 |
-
2021
- 2021-02-07 CN CN202110177334.6A patent/CN114912647A/zh active Pending
-
2022
- 2022-01-31 JP JP2022013558A patent/JP2022121390A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115431174A (zh) * | 2022-09-05 | 2022-12-06 | 昆山市恒达精密机械工业有限公司 | 一种用于中板研磨控制的方法及系统 |
CN115431174B (zh) * | 2022-09-05 | 2023-11-21 | 昆山市恒达精密机械工业有限公司 | 一种用于中板研磨控制的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114912647A (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel hybrid method of forecasting crude oil prices using complex network science and artificial intelligence algorithms | |
Chaharsooghi et al. | An effective ant colony optimization algorithm (ACO) for multi-objective resource allocation problem (MORAP) | |
Bertsimas et al. | Optimization-based scenario reduction for data-driven two-stage stochastic optimization | |
Cordeau et al. | An integrated model for logistics network design | |
Zhao et al. | Using a grey model optimized by differential evolution algorithm to forecast the per capita annual net income of rural households in China | |
Rahme et al. | Auction learning as a two-player game | |
Gan et al. | A hybrid algorithm to optimize RBF network architecture and parameters for nonlinear time series prediction | |
JPS62502580A (ja) | 効率的資源割り当てのための方法及び装置 | |
Nguyen et al. | A hybrid generational genetic algorithm for the periodic vehicle routing problem with time windows | |
Ojha et al. | A multi-item transportation problem with fuzzy tolerance | |
Mehmanpazir et al. | Development of an evolutionary fuzzy expert system for estimating future behavior of stock price | |
Zhang et al. | A new fuzzy QoS-aware manufacture service composition method using extended flower pollination algorithm | |
Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
Bekiroglu et al. | Predictive analytics of crude oil prices by utilizing the intelligent model search engine | |
Karimi-Nasab et al. | A random search heuristic for a multi-objective production planning | |
Pal et al. | Fuzzy time series model for unequal interval length using genetic algorithm | |
Bayley et al. | A hybrid Benders approach for coordinated capacitated lot-sizing of multiple product families with set-up times | |
JP2022121390A (ja) | 決定スキームの決定装置、方法及び機器読み取り可能な記憶媒体 | |
Barr et al. | A computational theory of the firm | |
Nowak et al. | A trade-off multiobjective dynamic programming procedure and its application to project portfolio selection | |
Feng et al. | Factor investing: Hierarchical ensemble learning | |
Chen et al. | Capacity planning with ant colony optimization for TFT-LCD array manufacturing | |
Ekin et al. | Augmented nested sampling for stochastic programs with recourse and endogenous uncertainty | |
Mehdizadeh et al. | Three metaheuristic algorithms for solving the multi-item capacitated lot-sizing problem with product returns and remanufacturing | |
Alamdari et al. | Deep reinforcement learning in seat inventory control problem: an action generation approach |