JP2024072559A - 演算装置、計画立案支援方法及びプログラム - Google Patents

Abstract

【課題】不確実性を考慮した運用計画の作成時間を短縮することが可能な演算装置を提供する。【解決手段】シナリオ案生成部３３は、不確実性を確率で表現したリスク分布２１に基づいて、複数のシナリオ案を生成する。基準計画案生成部３４は、確定的なパラメータの値の範囲を示す計画案定義域２２に基づいて、基準計画案を生成する。近似評価部３５は、近似評価器２７を用いて、シナリオ案及び基準計画案を組み合わせた運用計画案を評価した近似評価結果を取得する。シナリオ案集約部３６は、近似評価結果に基づいて、シナリオ案を複数のシナリオグループに集約する。代表シナリオ選択部３７は、近似評価結果に基づいて、シナリオグループごとに、当該シナリオグループに所属しているシナリオ案のいずれかを代表シナリオとして選択する。【選択図】図２

Description

本開示は、演算装置、計画立案支援方法及びプログラムに関する。

サプライ・チェーン・マネジメント（supply chain management：ＳＣＭ）又は電力系統などの高い信頼性の確保が必要な複雑系システムの運用では、将来の不確実性をリスクとして考慮した運用計画の立案が必要である。不確実性は、将来の挙動を確率値又は確率分布で表現したパラメータを用いて表すことができる。しかしながら、このような確率的な挙動を示すパラメータを直接使用した運用計画の立案は非常に難しく、適用範囲が限られるという問題がある。このため、不確実性を表す方法としては、一般的に、発生し得る挙動のそれぞれを変動パターンとして示すパラメータの集合を用いて、不確実性を表す方法が採用されている。この場合、パラメータの変動パターンは、リスクシナリオと呼ばれる。リスクシナリオは確定的な値を有するため、運用計画の立案に適用することができる。しかしながら、不確実性を正確に評価するためには、不確実性に応じた十分多くのリスクシナリオを作成して評価する必要がある。

特許文献１には、複数種類の不確実性のそれぞれに対応する複数種類の単一リスクシナリオのそれぞれについて、最適な変動パターンを選択する最適化計算を行い、それらの最適化の結果に基づいて、全ての単一リスクシナリオからサブシナリオセットを選択し、そのサブシナリオセットを使用して、全体の最適化を行う技術が開示されている。

特表２０１８－５１９６０７号公報

しかしながら、特許文献１に記載の技術では、単一リスクシナリオの最適化計算を十分に高速に実行できることを前提として、各単一シナリオの最適化計算が行われている。そのため、単一シナリオの最適化計算に係る時間が長い複雑系システムなどには、特許文献１に記載の技術を適用することが難しいという問題がある。

本開示の目的は、不確実性を考慮した運用計画の作成時間を短縮することが可能な演算装置、計画立案支援方法及びプログラムを提供することである。

本開示の一態様に従う演算装置は、立案対象に対する運用計画の立案を支援する演算装置であって、前記立案対象に対する不確実性関する不確実性パラメータの値を確率で表現した不確実性情報に基づいて、前記不確実性パラメータの取り得る値を示す複数のシナリオ案を生成するシナリオ案生成部と、前記立案対象に関する前記不確実性パラメータを除く確定的パラメータの値の範囲を示す定義域情報に基づいて、前記確定的パラメータの取り得る値を示す複数の基準計画案を生成する基準計画案生成部と、前記シナリオ案と前記基準計画案との組み合わせである運用計画案を評価する厳密評価器にて複数の学習用の前記運用計画案を評価した厳密評価結果を学習した近似評価器を用いて、複数の評価用の前記運用計画案を評価した近似評価結果を取得する近似評価部と、前記近似評価結果に基づいて、前記シナリオ案を複数のグループに集約する集約部と、前記近似評価結果に基づいて、前記グループごとに、当該グループに所属しているシナリオ案のいずれかを代表シナリオとして選択する選択部と、を有する。

本発明によれば、不確実性を考慮した運用計画の作成時間を短縮することが可能になる。

本開示が適用可能な事例を説明するための図である。 第１の実施形態における演算装置の構成を示す構成図である。 リスク分布の一例を示す図である。 計画案定義域の一例を示す図である。 シナリオ生成条件の一例を示す図である。 ＫＰＩ指定情報の一例を示す図である。 学習データの一例を示す図である。 近似評価器情報の一例を示す図である。 第１の実施形態における全体処理を説明するためのフローチャートである。 近似評価器生成処理の一例を説明するためのフローチャートである。 シナリオ生成結果の一例を示す図である。 シナリオ集約結果の一例を示す図である。 シナリオ集約結果表示画面の一例を示す図である。 シナリオ分布表示画面の一例を示す図である。 シナリオ重み設定画面の一例を示す図である。 第２の実施形態における演算装置の構成を示す構成図である。 ユーザ指定シナリオ情報の一例を示す図である。 第３の実施形態における演算装置の構成を示す構成図である。 近似誤差評価条件の一例を示す図である。 第３の実施形態における全体処理を説明するためのフローチャートである。

以下、本開示の実施形態について図面を参照して説明する。

図１は、本開示の各実施形態に係る演算装置が適用可能な事例（立案対象）であるアプリケーションを説明するための図である。図１では、アプリケーションごとに、立案する運用計画の内容である計画内容、計画を立案する際に考慮する不確実性、及び、不確実性に対応するリスクシナリオが示されている。

図１のレコード１００のアプリケーションは「サプライチェーンにおける在庫管理」である。この場合、顧客又は店舗における需要をできるだけ少ない運用コスト（在庫金額）で満たすように、サプライチェーン内の各倉庫における商品別及び期間別の在庫数の計画である在庫配置計画が立案される。その際、顧客又は店舗から倉庫に要求される需要量は、在庫配置計画を立案する時点では一意に決定されていないため、不確実性となる。この場合、発生し得る需要量のパターンがリスクシナリオとなる。

図１のレコード１０１のアプリケーションは「送配電網制御」である。この場合、各期間及び各地域における電力需要に対して、火力発電所、原子力発電所、風力発電所及び太陽光発電所など各発電所の発電能力が釣り合うように、各期間及び各設備における発電量及び送電量に関する送配電網運用計画が立案される。その際、天候又は風速などによる発電量の変化、自然災害又は経年劣化などに起因する設備故障による送電可能量の変化などが不確実性となる。この場合、不確実性によって変化する各設備及び各期間における設備稼働状態がリスクパターンとなる。

図１のレコード１０２のアプリケーションは「生産管理」である。この場合、目標生産数に対して、各期間に各商品をどの設備でいくつ生産するかを示す計画が立案される。その際、生産された製品に含まれる不良品の量、つまり歩留まりが不確実性となる。この場合、不良品数がリスクシナリオとなる。

なお、図１で示したアプリケーションは単なる一例であり、本開示に係る演算装置は他のアプリケーションに対しても適用可能である。以下では、図１のレコード１００に示した「サプライチェーンにおける在庫管理」を例に挙げて本開示の実施形態を説明する。

（第１の実施形態）
以下、図２～図１５を参照しながら本開示の第１の実施形態について説明する。

図２は、本実施形態における演算装置の構成を示す構成図である。図２に示す演算装置１は、中央演算装置であるＣＰＵ（Central Processing Unit）１１、読み出し専用の記憶装置であるＲＯＭ（Read Only Memory）１２、不揮発性の記憶装置である記憶部１３、及び高速な読み書きが可能な記憶装置であるメモリ１４を備える。ＣＰＵ１１がＲＯＭ１２に格納されるプログラム（コンピュータプログラム）をメモリ１４に展開して実行することで後述する演算を行う。

演算装置１は、ＣＰＵ１１、ＲＯＭ１２及びメモリ１４の組み合わせの代わりに、書き換え可能な論理回路であるＦＰＧＡ（Field Programmable Gate Array）や特定用途向け集積回路であるＡＳＩＣ（Application Specific Integrated Circuit）により後述する機能を実現してもよい。また、演算装置１は、ＣＰＵ１１、ＲＯＭ１２及びメモリ１４の組み合わせの代わりに、異なる構成の組み合わせ、例えばＣＰＵ１１、ＲＯＭ１２及び記憶部１３とＦＰＧＡの組み合わせにより実現されてもよい。

記憶部１３は、リスク分布２１と、計画案定義域２２と、シナリオ生成条件２３と、ＫＰＩ（Key Performance Indicator）指定情報２４と、学習データ２５と、近似評価器情報２６と、近似評価器２７とを格納する。

リスク分布２１は、不確実性に関するパラメータである不確実性パラメータの値を確率で表現した不確実性情報である。計画案定義域２２は、不確実性パラメータとは異なる、確定的な値を有する確定的パラメータの値の範囲を示す定義域情報である。シナリオ生成条件２３は、不確実性パラメータの実現例（取り得る値）を示すシナリオ（リスクシナリオ）などを生成するための生成条件である。ＫＰＩ指定情報２４は、運用計画案を評価するための評価指標である評価ＫＰＩを指定する指標指定情報である。学習データ２５は、運用計画案を近似的に評価する近似評価モデルである近似評価器２７を生成するためのデータである。近似評価器情報２６は、近似評価器２７を規定する情報である。なお、近似評価器２７は、図２に便宜的に示しているが、その主要な構成は近似評価器情報２６である。

また、演算装置１は、機能的な構成として、厳密評価部３１と、近似評価器生成部３２と、シナリオ案生成部３３と、基準計画案生成部３４と、近似評価部３５と、シナリオ案集約部３６と、代表シナリオ選択部３７とを備える。これらの機能な構成は、上述したように、例えば、ＣＰＵ１１がＲＯＭ１２に格納されるプログラムをメモリ１４に展開して実行することで実現されるので、図２では便宜的にメモリ１４の内部に記載されている。

厳密評価部３１は、リスク分布２１及び計画案定義域２２に基づく学習用の運用計画案を評価することで、近似評価器２７を生成するための学習データ２５を生成する厳密評価器である。近似評価器生成部３２は、厳密評価部３１にて生成された学習データ２５を用いて、近似評価器２７を生成する。シナリオ案生成部３３は、リスク分布２１及びシナリオ生成条件２３に基づいて、不確実性パラメータの実現例（取り得る値）を示すシナリオ案を生成する。基準計画案生成部３４は、計画案定義域２２及びシナリオ生成条件２３に基づいて、確定的パラメータの実現例を示す基準計画案を生成する。運用計画案は、シナリオ案と基準計画案との組み合わせで構成される。

近似評価部３５は、シナリオ案及び基準計画案を組み合わせた運用計画案を近似的に評価する。シナリオ案集約部３６は、近似評価部３５の評価結果である近似評価結果に基づいて、シナリオ案を、複数のシナリオグループに集約する。代表シナリオ選択部３７は、近似評価部３５の評価結果である近似評価結果に基づいて、各シナリオグループに含まれるシナリオ案のいずれかを、それらのシナリオ案の代表となる代表シナリオとして選択する。

なお、演算装置１には、非一時的にコンピュータプログラム又はデータを記憶する記録媒体２が通信可能に接続されてもよい。記録媒体２は、記憶部１３及びメモリ１４に記憶されたコンピュータプログラム及びデータの少なくとも一部を格納させることができる。

図３は、リスク分布２１の一例を示す図である。図３に示すリスク分布２１は、フィールド２１１～２１４を含む。フィールド２１１は、不確実性パラメータであるリスク要素を格納する。リスク要素は、例えば、各商品の各期間における需要の予測である。フィールド２１２及び２１３は、リスク要素の取り得る値の範囲である発生範囲を格納する。具体的には、フィールド２１２は、発生範囲の下限値である数値下限を格納し、フィールド２１３は、発生範囲の上限値である数値上限を格納する。フィールド２１４は、発生範囲の需要が発生する確率である発生確率を格納する。

なお、図３で示したリスク分布２１は、単なる一例であり、他の形式で記述されてもよい。例えば、リスク分布２１は、リスク要素ごとに、そのリスク要素の値が従う確率分布の種類と、その確率分布を規定する規定値とを示してもよい。例えば、リスク要素の確率分布が正規分布で表現できる場合、確率分布の種類は「正規分布」、確率分布の規定値は「平均値」及び「標準偏差」を示す。なお、リスク分布２１の値は、過去の統計情報に基づいて設定されてもよいし、演算装置１のユーザにて設定されてもよい。

図４は、計画案定義域２２の一例を示す図である。図４に示す計画案定義域２２は、フィールド２２１～２２３を含む。フィールド２２１は、確定的パラメータである計画要素を格納する。計画要素は、例えば、各倉庫での各商品の各期間における在庫量の予測である。フィールド２２２及び２２３は、計画要素の取り得る値の範囲である定義域を格納する。具体的には、フィールド２２２は、定義域の下限値である数値下限を格納し、フィールド２２３は、定義域の上限値である数値上限を格納する。定義域は、過去の値の統計情報に基づいて設定されてもよいし、ユーザにて設定されてもよい。

図５は、シナリオ生成条件２３の一例を示す図である。図５に示すシナリオ生成条件２３は、シナリオ案生成部３３で生成する評価用のシナリオ案の数であるシナリオ案数Ｎ、基準計画案生成部３４で生成する評価用の基準計画案の数である基準計画数Ｍ、及び、シナリオ案集約部３６で生成されるシナリオグループの数であるシナリオ集約数Ｋなどを示す。

図６は、ＫＰＩ指定情報２４の一例を示す図である。図６に示すＫＰＩ指定情報２４は、フィールド２４１及び２４２を含む。フィールド２４１は、評価ＫＰＩの種類を格納する。図６の例では、評価ＫＰＩとしてコスト、ＣＯ_２量及び残業時間が示されているが、評価ＫＰＩはこれらの例に限らない。フィールド２４２は、評価ＫＰＩの重要度を示す重み値である評価重みを格納する。例えば、ＣＯ_２量にコストより２倍大きな評価重みを設定した場合、シナリオ生成において、ＣＯ_２量の１単位の変動とコストの２単位の変動とが等価に扱われ、ＣＯ_２量の変化を重視したシナリオ生成を行うことができる。

図７は、学習データ２５の一例を示す図である。学習データ２５には、予めデータが格納されてもよいし、近似評価器２７を生成する近似評価器生成処理の開始時点では空でもよい。また、学習データ２５は、運用計画の実現例である複数のサンプルデータ（以下、単にサンプルと呼ぶこともある）を含む。各サンプルは、厳密評価部３１に入力される入力データと厳密評価部３１から出力される出力データとを含む複数のデータを含む。入力データは、学習用の運用計画案であり、出力データは運用計画案を評価した評価ＫＰＩである。

具体的には、学習データは、フィールド２５１～２５４を含む。フィールド２５１は、サンプルを識別するための識別情報であるサンプルＩＤを格納する。フィールド２５２は、サンプルに含まれるデータの属性であるデータ属性を格納する。データ属性は、厳密評価部３１に入力される入力データである「入力」と、厳密評価部３１から出力される出力データである「出力」のいずれかを示す。フィールド２５３は、サンプルに含まれるデータを識別するための識別情報であるデータ名を格納する。フィールド２５４は、サンプルに含まれるデータの値であるデータ値を格納する。なお、同一のサンプルＩＤを有するサンプルにおいて、データ属性が「入力」のデータは、同一のタイミングで厳密評価部３１に入力される。

図８は、近似評価器情報２６の一例を示す図である。図８に示す近似評価器情報２６は、フィールド２６１及び２６２を含む。フィールド２６１は、近似評価器情報２６を構成する内部パラメータを識別するための識別情報である内部パラメータＩＤを格納する。フィールド２６２は、内部パラメータの値を格納する。

近似評価器２７は、近似評価器情報２６と、不図示の近似評価器２７の構造に関する情報とを組み合わせることで構成される。例えば、近似評価器２７は、ニューラルネットワークであり、そのニューラルネットワークの構造に関する情報と、ニューラルネットワークで使用されるパラメータを内部パラメータとして示す近似評価器情報２６とを組み合わせることで構成される。また、近似評価器２７は、多項式であり、その多項式の構造（数式の形）に関する情報と、多項式の係数を内部パラメータとして示す近似評価器情報２６とを組み合わせることで構成されてもよい。

図９は、演算装置１による全体処理を説明するためのフローチャートである。

全体処理におけるステップＳ４１では、近似評価器生成部３２は、厳密評価部３１を用いて学習データ２５を生成し、その学習データを用いて近似評価器２７を生成する近似評価器生成処理（図１０参照）を実行する。この近似評価器生成処理は、例えば、演算装置１がリスク分布２１を取得する前に予め実行されてもよい。

なお、厳密評価部３１は、運用計画案に対して、厳密な評価モデルを用いて演算コストが高い高精度な評価を行う。厳密評価部３１は、例えば、シミュレータである。一方、近似評価器２７は、運用計画案に対して、厳密評価部３１と比べて演算コストが低い簡易な評価を行う。演算コストは、例えば、計算量、計算時間、及び、計算に要する演算資源の量の少なくとも１つなどを示す。近似評価器２７は、シミュレータによる評価を近似的に行うニューラルネットワークのような機械学習モデルにて実現されてもよいし、厳密評価部３１よりも抽象的なシミュレーションモデルでもよいし、単純な数式などでもよい。

ステップＳ４２では、シナリオ案生成部３３は、リスク分布２１とシナリオ生成条件２３とに基づいて、複数（ここでは、Ｎ個）のシナリオ案を生成する（ステップＳ４２）。例えば、シナリオ案生成部３３は、シナリオ生成条件２３が示すシナリオ案数回（Ｎ回）、リスク分布２１の各リスク要素の値をシナリオ案の値であるシナリオ要素値としてランダムサンプリングすることで、Ｎ個のシナリオ案を生成する。なお、シナリオ案は、例えば、ＳＣＭにおける需要シナリオであり、シナリオ要素値は、ある商品のある時期の需要数である。なお、不確実性を正確に評価するためには、比較的多くのシナリオ案が生成されることが好ましい。

ステップＳ４３では、基準計画案生成部３４は、計画案定義域２２とシナリオ生成条件２３とに基づいて、複数（ここでは、Ｍ個）の基準計画案を生成する。例えば、基準計画案生成部３４は、シナリオ生成条件２３が示す基準計画数回（Ｍ回）、計画案定義域２２の計画要素の値を基準計画案の値である基準計画要素としてランダムサンプリングすることで、Ｍ個の基準計画案を生成する。基準計画案は、例えば、在庫配置計画であり、基準計画要素値は、ある倉庫における商品のある時期における在庫数である。なお、高リスクなシナリオを正確に選出するには、比較的多くの基準計画案を生成することが好ましい。

ステップＳ４４では、近似評価部３５は、ステップＳ４２で生成したＮ個のシナリオ案と、ステップＳ４３で生成したＭ個の基準計画案とを組合せた複数の運用計画案を入力データとして生成し、その入力データを近似評価器２７に入力して、運用計画案の評価ＫＰＩを近似的に算出した近似評価結果を取得する（ステップＳ４４）。入力データの作成方法としては、例えば、全てのシナリオ案と全ての基準計画案を組みわせて、Ｍ×Ｎ個の入力データを作成する方法でもよいし、ユーザにて選択された数のシナリオ案及び基準計画案の組み合わて入力データを作成する方法などでもよい。

なお、上述したように比較的多くのシナリオ案と基準計画案とを組合せて入力データを生成するため、入力データの数は非常に多くなる。例えば、評価ＫＰＩが３種類、基準計画案が１万通り、シナリオ案が１万通り存在する場合、近似評価部３５は評価ＫＰＩを算出する演算を３億回行うこととなる。この場合、全ての入力データを厳密評価部３１を用いて評価すると、膨大な演算コストが必要となる。仮に演算コストの制限がなければ、厳密評価部３１を用いてもよいが、実際には演算コストの制限があるため、非常に小さな演算コストでの評価が可能な近似評価器２７を用いることで、現実的な演算コストで、大量の運用計画案の評価が可能となる。

ステップＳ４５では、シナリオ案集約部３６は、近似評価部３５の近似評価結果とシナリオ生成条件２３とに基づいて、Ｎ個のシナリオ案を、複数（ここでは、Ｋ個）のシナリオグループに集約する。シナリオグループの数であるシナリオ集約数Ｋは、シナリオ案数Ｎよりも十分少ない。

例えば、シナリオ案ｉと基準計画案ｊを組合せた入力データを近似評価器２７に入力して得られたｈ番目の評価ＫＰＩに対する近似評価結果をｙ＿ｈｉｊとする。また、ｈ番目の評価ＫＰＩの評価重みをｗ＿ｈとし、評価ＫＰＩがＨ種類定義されているとする。このとき、シナリオ案ｉの評価ＫＰＩに対する影響度を示すリスク特徴量Ｖ＿ｉを、Ｖ＿ｉ＝｛ｗ＿ｈ×ｙ＿ｈｉｊ｝＝｛ｗ＿１×ｙ＿１ｉ１，ｗ＿１×ｙ＿１ｉ２，…，ｗ＿１×ｙ＿１ｉＭ，ｗ＿２×ｙ＿２ｉ１，ｗ＿２×ｙ＿２ｉ２，…，ｗ＿Ｈ×ｙ＿ＨｉＭ｝と定義すると、シナリオ案集約部３６は、各シナリオ案１～Ｎのリスク特徴量Ｖ＿１～Ｖ＿Ｎを取得することができる。リスク特徴量は、不確実性（リスク）の特徴を表し、リスク特徴量が類似するシナリオ案同士は、「基準計画案に対するリスクの傾向が類似している」ことを示す。シナリオ案集約部３６は、各シナリオ案１～Ｎのリスク特徴量Ｖ＿１～Ｖ＿Ｎと、シナリオ生成条件２３に基づいて、Ｎ個のシナリオ案をＫ個のシナリオグループに集約する集約処理を実行する。集約処理は、例えば、Ｋ－Ｍｅａｎｓ法、主成分分析法又はｔ－ＳＮＥ法などのクラスタリング手法を用いて実現できる。

また、以下の方法でシナリオ案が集約されてもよい。つまり、シナリオ案集約部３６は、評価ＫＰＩの種類ごとにリスク特徴量を分け、ｈ番目の評価ＫＰＩについてのシナリオ案ｉのリスク特徴量を、Ｖ＿ｈｉ＝｛ｙ＿ｈｉ１，ｙ＿ｈｉ２，…，ｙ＿ｈｉＭ｝と定義する。そして、シナリオ案集約部３６は、これらのリスク特徴量Ｖ＿ｈ１～Ｖ＿ｈＮとシナリオ生成条件２３とに基づいて、評価ＫＰＩごとに、Ｎ個のシナリオ案をＫ個のシナリオグループに集約する。このとき、ｈ番目の評価ＫＰＩにおけるシナリオ案ｉが所属するシナリオグループを２進数表現Ｇ＿ｈｉで表す。２進数表現Ｇ＿ｈｉは、ｈ番目の評価ＫＰＩにおけるシナリオ案ｉが所属するシナリオグループがＺ番目の場合、Ｚ番目の値が１、他の値が０となる。例えば、シナリオグループの数が４、Ｚが２の場合、２進数表現Ｇ＿ｈｉは｛０，１，０，０｝となる。シナリオ案集約部３６は、全ての評価ＫＰＩに対するシナリオｉのリスク特徴量を量Ｇ＿ｉ＝｛ｗ＿１×Ｇ＿１ｉ，ｗ＿２×Ｇ＿２ｉ，…，ｗ＿Ｈ×Ｇ＿Ｈｉ｝として算出し、このリスク特徴量に基づいて、Ｎ個のシナリオ案をＫ個のシナリオグループに集約する。

ステップＳ４６では、代表シナリオ選択部３７は、近似評価部３５の近似評価結果に基づいて、シナリオグループごとに、そのシナリオグループに所属しているシナリオ案のいずれかを代表シナリオとして選択する。ここでは、代表シナリオ選択部３７は、Ｋ個のシナリオグループのそれぞれから代表シナリオを１つ選択することで、Ｋ個の代表シナリオを選択する。

例えば、代表シナリオ選択部３７は、シナリオグループごとに、そのシナリオグループに所属している各シナリオ案のリスク特徴量に基づいて、代表シナリオを選択する。具体的には、代表シナリオ選択部３７は、各シナリオグループについて、そのシナリオグループに所属するシナリオ案の中から、シナリオ特徴量が最大のシナリオ案を、そのシナリオグループ内で最高リスクのシナリオ案として、代表シナリオに選択する。最高リスクのシナリオ案とは、運用計画案又は基準計画案に対して影響度が最も高いシナリオ案である。また、代表シナリオ選択部３７は、各シナリオグループについて、そのシナリオグループに所属するシナリオ案間の距離を算出し、全てのシナリオ案から等距離にある中心点から最も近いシナリオ案を代表シナリオとして選択してもよい。シナリオ案の距離は、例えば、コサイン類似度又はユークリッド距離などである。

ステップＳ４７では、代表シナリオ選択部３７は、選択したＫ個の代表シナリオを含む出力情報を出力して、処理を終了する。

なお、以上説明した全体処理は単なる一例であって、この例に限定されるものではない。例えば、ステップＳ４３では、シナリオ案生成部３３は、ステップＳ４２にて生成された各シナリオ案について、近似評価結果が最良となる（つまり、最も高くなる）計画要素の値を任意の探索アルゴリズムを用いて探索し、その探索結果を基準計画案として生成してもよい。この方法で生成された基準計画案は、各シナリオ案に対して最も影響度が低い基準計画案となるため、最終的な運用計画に近くなり、リスク評価の精度を向上させることが可能となる。

また、例えば、ステップＳ４２の処理とステップＳ４３の処理が行われる順番は逆でも
よい。この場合、ステップＳ４２において、シナリオ案生成部３３は、ステップＳ４３にて生成された各基準計画案について近似評価結果が最悪となる（つまり、最も低くなる）リスク要素の値を任意の探索アルゴリズムを用いて探索し、その探索結果をシナリオ案として生成してもよい。この方法で生成されたシナリオ案は、各基準計画案に対して最も影響度が高いシナリオ案となるため、リスク評価の精度を向上させることが可能となる。

以上の処理により数多くのシナリオから特徴的な代表シナリオを選択することが可能となるため、従来のように非常に多くのシナリオ案を評価しなくても、代表シナリオ群を評価することで、多様かつ高リスクな不確実性を評価した運用計画の立案が可能となる。したがって、不確実性を考慮した運用計画の作成時間を短縮することが可能になる。特に本実施形態で選択されたＫ個の代表シナリオは、Ｍ個のシナリオ案から評価ＫＰＩに対する影響度の観点から、その傾向が類似したシナリオ案を除外し、最も特徴的かつ互いに異なるシナリオ案を厳選したものである。このため、不確実性を考慮した運用計画の作成時間を短縮すると共に、生成する運用計画の不確実性に対する頑強さ（ロバスト性）も向上させることが可能となる。

図１０は、図９のステップＳ４１の近似評価器生成処理の一例を説明するためのフローチャートである。

ステップＳ４１１では、近似評価器生成部３２は、学習データを生成するための学習用の複数のシナリオ案である学習用シナリオ案を生成する。例えば、近似評価器生成部３２は、学習用シナリオ案を、リスク分布２１からランダムサンプリングすることで生成してもよいし、過去のリスク分布からランダムサンプリングすることで生成してもよいし、過去のリスク発生履歴から生成してもよい。

ステップＳ４１２では、近似評価器生成部３２は、学習データを生成するための学習用の複数の基準計画案である学習用基準計画案を生成する。例えば、近似評価器生成部３２は、計画案定義域２２からランダムサンプリングすることで生成してもよいし、過去の運用計画案から生成してもよい。

ステップＳ４１３では、近似評価器生成部３２は、学習用シナリオ案と学習用基準計画案とを組み合わせた学習用の運用計画案ごとに、その学習用の運用計画案を厳密評価部３１に入力し、厳密評価部３１からの出力を学習用の運用計画案に対する評価ＫＰＩとして取得する。このとき、厳密評価部３１を使用するため、学習用シナリオ案及び学習用運用計画案は、近似評価器２７で評価する評価用のシナリオ案及び基準計画案よりも少ないことが好ましい。例えば、評価ＫＰＩが３種類定義され、学習用シナリオ案が１０００通りあり、学習用基準計画案が１０００通りある場合、厳密評価部３１は、評価ＫＰＩを算出する演算を３００万回行うこととなる。

ステップＳ４１４では、近似評価器生成部３２は、学習用運用計画案ごとに、その学習用運用計画案と学習用運用計画案に対する評価ＫＰＩを１組のサンプルデータとして生成して学習データ２５に追加する。この場合、上記の例では、学習データの数は１００万となる。

ステップＳ４１５では、近似評価器生成部３２は、ステップＳ４１４にて生成した学習データ２５に基づいて、近似評価器２７を生成する。このように近似評価器２７が生成されるため、近似評価器２７を事前に用意しなくてもよくなる。また、基準計画案をｘ、シナリオ案をｓ、評価ＫＰＩをｙとすると、近似評価器２７は、次の式１における関数ｆに相当する。
ｙ≒ｆ（ｘ，ｓ）…（式１）

図１１及び図１２は、演算装置１の出力情報の一例を示す図である。

図１１は、出力情報であるシナリオ生成結果の一例を示す図である。図１１に示すシナリオ生成結果５０は、フィールド５０１～５０４を含む。フィールド５０１は、シナリオグループ（シナリオＧｒ．）を識別するためのシナリオグループＩＤを格納する。フィールド５０２は、シナリオグループの代表シナリオを識別するためのシナリオＩＤである代表シナリオＩＤを格納する。フィールド５０３は、代表シナリオに含まれるシナリオ要素を識別するためのシナリオ要素ＩＤを格納する。フィールド５０４は、シナリオ要素の値であるシナリオ要素値を格納する。

図１２は、出力情報であるシナリオ集約結果の一例を示す図である。図１２に示すシナリオ集約結果５１は、フィールド５１１～５１６を含む。フィールド５１１は、シナリオグループを識別するためのシナリオグループＩＤを格納する。フィールド５１２は、シナリオグループに含まれるシナリオ案を識別するためのシナリオＩＤを格納する。フィールド５１３は、基準計画案を識別するための基準計画案ＩＤを格納する。フィールド５１４は、評価ＫＰＩを識別する評価ＫＰＩＩＤを格納する。フィールド５１５は、フィールド５１２に格納されたシナリオＩＤのシナリオ案とフィールド５１３に格納された基準計画案ＩＤの基準計画案の組み合わせである運用計画案に対するリスク特徴量を格納する。フィールド５１６は、当該運用計画案に対する厳密評価結果（厳密評価値）が存在する場合、その厳密評価結果を格納する。厳密評価結果は、厳密評価部３１にて算出された評価ＫＰＩである。

図１３～図１５は、出力情報に基づく表示画面の一例を示す図である。

図１３は、シナリオ案集約部３６及び代表シナリオ選択部３７の処理結果を表示するためのシナリオ集約結果表示画面の一例を示す図である。図１３に示すシナリオ集約結果表示画面６０は、シナリオグループごとに、その代表シナリオの近似評価結果、シナリオグループに属するシナリオの近似評価結果の分布、代表シナリオの厳密評価結果などを示す。

図１４は、シナリオ案の間の関係を直感的に把握するためのシナリオ分布表示画面の一例を示す図である。図１４に示すのシナリオ分布表示画面６１は、各シナリオ案の距離関係を保ったまま、各シナリオ案を平面上に描画することで表現している。シナリオ分布表示画面６１では、同じシナリオグループに含まれるシナリオ案が同じ記号（例えば、円、四角及び三角など）で示され、さらに各シナリオグループの代表シナリオが示されている。なお、このような平面上への描画方法には、例えば、主成分分析又はｔ－ＳＮＥなどの次元削減手法が用いられる。

図１５は、シナリオ案の重みを設定するためのシナリオ重み設定画面の一例を示す図である。図１５に示すシナリオ重み設定画面６２は、シナリオ重みを設定するための設定部６２１と、設定したシナリオ重みにて代表シナリオの選択を実行させるための実行ボタン６２２とを含む。設定部６２１は、シナリオ案のシナリオＩＤごとに、そのシナリオ案が所属するシナリオグループのシナリオグループＩＤと、現在のシナリオ重みと、変更後のシナリオ重みとを示す。

シナリオ重みは、例えば、代表シナリオ選択部３７にて代表シナリオを選択するために使用される。例えば、代表シナリオ選択部３７は、代表シナリオを選択する際に、シナリオ間の距離として、シナリオ重みに基づく距離（例えば、重み付けユークリッド距離など）を算出する。この場合、シナリオ重みが大きいシナリオ案が代表シナリオとして選択されやすくなる。

（変形例１）
上述した第１の実施形態では、演算装置１は１つのハードウエア装置として説明した。しかしながら、演算装置１は複数のハードウエア装置から構成されてもよいし、各機能が異なるコンピュータによて実現されてもよい。この場合、演算装置１の機能はネットワークを介して互いに接続され、かつ、物理的に離れた場所に存在する複数のハードウエアにより実現されてもよい。

（第２の実施形態）
以下、図１６～図１７参照しながら本開示の第２の実施形態について説明する。以下では、第１の実施形態との相違点について主に説明する。本実施形態は、主にユーザが指定したシナリオ案を入力可能な点で第１の実施形態と異なる。

図１６は、第２の実施形態における演算装置１Ａの構成を示す構成図である。図１６に示す演算装置１Ａは、図２に示した第１の実施形態の演算装置１の構成に加えて、記憶部１３がユーザ指定シナリオ情報７０をさらに格納する点で異なる。

ユーザ指定シナリオ情報７０は、シナリオ案生成部３３にて生成されるシナリオ案の少なくとも一部を指定する指定情報である。ユーザ指定シナリオ情報７０にてＮ‘個のシナリオ案が指定された場合、シナリオ案生成部３３は、ユーザ指定シナリオ情報７０にて指定されたＮ’個のシナリオをシナリオ案として登録し、さらに残りのＮ－Ｎ’個のシナリオ案をリスク分布２１に基づいて生成する。

図１７は、ユーザ指定シナリオ情報７０の一例を示す図である。図１７に示すユーザ指定シナリオ情報７０は、フィールド７０１～７０３を含む。フィールド７０１は、ユーザにて指定されたシナリオである指定シナリオを識別するためのシナリオＩＤを格納する。フィールド７０２は、指定シナリオに含まれるシナリオ要素を識別するためのシナリオ要素ＩＤを格納する。フィールド７０３は、シナリオ要素の値であるシナリオ要素値を格納する。

以上説明したように本実施形態によれば、シナリオ案生成部３３は、ユーザから指定されたシナリオ案を含む所定個（Ｎ個）のシナリオ案を生成する。したがって、重要なシナリオ案などを考慮することが可能となるため、不確実性に対する頑強さをより向上させることが可能となる。

（第３の実施形態）
以下、図１８～図２０を参照しながら本開示の第３の実施形態について説明する。以下では、第１の実施形態との相違点について主に説明する。本実施形態は、主に、演算処理中に、厳密評価部３１の評価結果を用いて、近似評価部３５内の近似評価器２７を逐次更新することで、近似評価器２７の精度を向上させる点で第１の実施形態と異なる。

図１８は、第２の実施形態における演算装置１Ｂの構成を示す構成図である。図１８に示す演算装置１Ｂは、図２に示した第１の実施形態の演算装置１の構成に加えて、記憶部１３に近似誤差評価条件８１をさらに格納し、また、機能的な構成として近似誤差評価部８２及び近似評価器更新部８３をさらに備える。

近似誤差評価条件８１は、厳密評価結果と近似評価結果との誤差である近似誤差を評価するための評価条件を示す。

図１９は、近似誤差評価条件８１の一例を示す図である。図１９に示す近似誤差評価条件８１は、評価条件として、計算時間上限Ｔと許容近似誤差幅εとを含む。計算時間上限Ｔは、代表シナリオの選択に係る処理時間の許容上限値である。許容近似誤差幅εは、近似誤差の許容値である。

近似誤差評価部８２は、代表シナリオ選択部３７にて選択された代表シナリオと、基準計画案生成部３４にて生成された基準計画案のいずれかとを組み合わせた確認用の運用計画案の厳密評価結果と近似評価結果との誤差である近似誤差を評価する誤差評価部である。近似評価器更新部８３は、近似誤差評価部８２の評価結果に基づいて、近似評価器２７を更新する更新部である。

図２０は、演算装置１Ｂによる全体処理を説明するためのフローチャートである。

先ず、第１の実施形態の全体処理におけるステップＳ４１～Ｓ４６の処理（図９参照）が実行され、その後、ステップＳ７１の処理が実行される。

ステップＳ７１は、厳密評価部３１は、ステップＳ４６にて生成された代表シナリオｉと、任意の基準計画案ｊとを組み合わせた確認用の運用計画案を評価した評価ＫＰＩを厳密評価結果として算出する。ここで、ｈ番目の評価ＫＰＩについての厳密評価結果をＹ＿ｈｉｊと定義する。このとき、厳密評価部３１の演算は、代表シナリオｉと基準計画案のいずれか１以上との組み合わせについて実施されればよい。つまり、厳密評価部３１の演算は、代表シナリオｉと全ての基準計画案との組合せについて実施されてもよいし、代表シナリオｉと一部の基準計画案との組み合わせについて実施されてもよい。

ステップＳ７２では、近似誤差評価部７２は、各評価ＫＰＩについて、ステップＳ７１にて計算された厳密評価結果Ｙ＿ｈｉｊと、ステップＳ４４にて計算された近似評価結果ｙ＿ｈｉｊとの近似誤差を評価し、その近似誤差が近似誤差評価条件８１を満たしているかを判断する。

近似誤差ｅは、例えば、平均絶対誤差率である。この場合、近似誤差ｅは、以下の式２で定義される。
ｅ＝ΣＥ［｜Ｙ＿ｈｉｊ－ｙ＿ｈｉｊ｜］…（式２）
ここで、｜ｘ｜はｘの絶対値を表し、Ｅ［ｘ］はｘの平均値を表す。この場合、許容近似誤差幅εは、近似誤差ｅ（平均絶対誤差率）の上限値である近似誤差上限値を示す。また、近似誤差評価部７２は、近似誤差ｅが近似誤差上限値よりも小さいか否かと、この時点までの計算時間（ステップＳ４１又はＳ４２の処理が実行されてから現時点までの時間）が計算時間上限Ｔよりも大きいか否かとを判断する。

近似誤差評価部７２は、近似誤差ｅの合計値が近似誤差上限値よりも小さい場合、又は、計算時間ｔが計算時間上限Ｔよりも大きい場合、近似誤差評価条件８１を満たすと判断して、図９で説明したステップＳ４７の処理に進む。また、近似誤差評価部７２は、近似誤差ｅの合計値が近似誤差上限値以上の場合、及び、計算時間ｔが計算時間上限Ｔ未満の場合、ステップＳ７３の処理に進む。

ステップＳ７３では、近似評価器更新部６３は、ステップＳ７１で計算した評価用の運用計画案の厳密評価結果Ｙ＿ｈｉｊとその評価用の運用計画案との組み合わせをサンプルとして学習データ２５に追加する。そして、近似評価器更新部６３は、その学習データを用いて近似評価器２７を更新し、ステップＳ４２の処理に戻る。

この更新処理は、例えば、追加されたサンプルを含む学習データ２５全体を用いてステップＳ４１で説明した近似評価器生成処理と同様な処理が再度実行されることで実現されてもよい。また、更新処理は、処理の高速化のために、追加されたサンプルとそれに類似するサンプルのみを用いて行われてもよい。また、更新処理は、近似評価器２７の一部のパラメータのみを更新可能として、学習データ２５を用いて行われてもよい。

以上説明したように本実施形態によれば、近似誤差が大きい場合、厳密評価結果を用いて近似評価器２７を更新することが可能となるため、近似誤差が小さくなるように近似評価器２７を更新することが可能となる。したがって、近似評価器２７による評価性能を向上させることが可能となる。

なお、上述した各実施形態及び変形例において、機能ブロックの構成は単なる一例である。別々の機能ブロックとして示したいくつかの機能構成を一体に構成してもよいし、１つの機能ブロック図で表した構成を２以上の機能に分割してもよい。また各機能ブロックが有する機能の一部を他の機能ブロックが備える構成としてもよい。

また、上述した各実施形態及び変形例において、プログラムはＲＯＭ１２に格納されるとしたが、プログラムは記憶部１３に格納されていてもよい。また、演算装置１が不図示の入出力インタフェースを備え、必要なときに入出力インタフェースと演算装置１が利用可能な媒体を介して、他の装置からプログラムが読み込まれてもよい。ここで媒体とは、例えば入出力インタフェースに着脱可能な記憶媒体、又は通信媒体、すなわち有線、無線、光などのネットワーク、又は当該ネットワークを伝搬する搬送波やディジタル信号、を指す。また、プログラムにより実現される機能の一部又は全部がハードウエア回路やＦＰＧＡにより実現されてもよい。

上述した各実施形態及び変形例は、それぞれ組み合わせてもよい。上記では、種々の実施形態及び変形例を説明したが、本発明はこれらの内容に限定されるものではない。本発明の技術的思想の範囲内で考えられるその他の態様も本発明の範囲内に含まれる

１、１Ａ、１Ｂ：演算装置 １１：ＣＰＵ １２：ＲＯＭ １３：記憶部 １４：メモリ ２１：リスク分布 ２２：計画案定義域 ２３：シナリオ生成条件 ２４：ＫＰＩ指定情報 ２５：学習データ ２６：近似評価器情報 ２７：近似評価器 ３１：厳密評価部 ３２：近似評価器生成部 ３３：シナリオ案生成部 ３４：基準計画案生成部 ３５：近似評価部 ３６：シナリオ案集約部 ３７：代表シナリオ選択部 ５０：シナリオ生成結果 ５１：シナリオ集約結果 ６０：シナリオ集約結果表示画面 ６１：シナリオ分布表示画面 ６２：シナリオ重み設定画面 ６３：近似評価器更新部 ７０：ユーザ指定シナリオ情報 ７２：近似誤差評価部 ８１：近似誤差評価条件 ８２：近似誤差評価部 ８３：近似評価器更新部

Claims (10)

1. 立案対象に対する運用計画の立案を支援する演算装置であって、
   前記立案対象に対する不確実性に関する不確実性パラメータの値を確率で表現した不確実性情報に基づいて、前記不確実性パラメータの取り得る値を示す複数のシナリオ案を生成するシナリオ案生成部と、
   前記不確実性パラメータとは異なる前記立案対象に関する確定的パラメータの値の範囲を示す定義域情報に基づいて、前記確定的パラメータの取り得る値を示す複数の基準計画案を生成する基準計画案生成部と、
   前記シナリオ案と前記基準計画案との組み合わせである運用計画案を評価する厳密評価器にて複数の学習用の前記運用計画案を評価した厳密評価結果を学習した近似評価器を用いて、複数の評価用の前記運用計画案を評価した近似評価結果を取得する近似評価部と、
   前記近似評価結果に基づいて、前記シナリオ案を複数のグループに集約する集約部と、
   前記近似評価結果に基づいて、前記グループごとに、当該グループに所属しているシナリオ案のいずれかを代表シナリオとして選択する選択部と、を有する演算装置。
2. 学習用の前記シナリオ案及び学習用の前記基準計画案の組み合わせを前記学習用の運用計画案として前記厳密評価器に評価させて、前記近似評価器を生成する近似評価器生成部をさらに有する、請求項１に記載の演算装置。
3. 前記集約部は、前記近似評価結果に基づいて、前記シナリオ案ごとに、当該シナリオ案の前記近似評価結果に対する影響度を算出し、当該影響度に基づいて、前記シナリオ案を複数のグループに集約する、請求項１に記載の演算装置。
4. 前記選択部は、前記グループごとに、当該グループに所属しているシナリオ案の影響度に基づいて、前記代表シナリオを選択する、請求項３に記載の演算装置。
5. 前記シナリオ案生成部は、複数の前記基準計画案のそれぞれについて、前記近似評価結果が最も低くなる前記不確実性パラメータの値を探索し、当該探索結果を前記シナリオ案として生成する、請求項１に記載の演算装置。
6. 前記基準計画案生成部は、複数の前記シナリオ案のそれぞれについて、前記近似評価結果が最も高くなる前記確定的パラメータの値を探索し、当該探索結果を前記基準計画案として生成する、請求項１に記載の演算装置。
7. 前記シナリオ案生成部は、ユーザから指定されたシナリオ案を含む所定個のシナリオ案を生成する、請求項１に記載の演算装置。
8. 前記代表シナリオと前記基準計画案のいずれかとを組み合わせた確認用の運用計画案の前記厳密評価結果と前記近似評価結果との誤差を評価する誤差評価部と、
   前記誤差評価部の評価結果に基づいて、前記近似評価器を更新する更新部とを有する、請求項１に記載の演算装置。
9. 立案対象に対する運用計画の立案を支援する演算装置による計画立案支援方法であって、
   前記立案対象に対する不確実性関する不確実性パラメータの値を確率で表現した不確実性情報に基づいて、前記不確実性パラメータの取り得る値を示す複数のシナリオ案を生成し、
   前記不確実性パラメータとは異なる前記立案対象に関する確定的パラメータの値の範囲を示す定義域情報に基づいて、前記確定的パラメータの取り得る値を示す複数の基準計画案を生成する基準計画案生成し、
   前記シナリオ案と前記基準計画案との組み合わせである運用計画案を評価する厳密評価器にて複数の学習用の前記運用計画案を評価した厳密評価結果を学習した近似評価器を用いて、複数の評価用の前記運用計画案を評価した近似評価結果を取得し、
   前記近似評価結果に基づいて、前記シナリオ案を複数のグループに集約し、
   前記近似評価結果に基づいて、前記グループごとに、当該グループに所属しているシナリオ案のいずれかを代表シナリオとして選択する、計画立案支援方法。
10. 立案対象に対する運用計画の立案を支援するコンピュータに、
    前記立案対象に対する不確実性関する不確実性パラメータの値を確率で表現した不確実性情報に基づいて、前記不確実性パラメータの取り得る値を示す複数のシナリオ案を生成するシナリオ案生成部と、
    前記不確実性パラメータとは異なる前記立案対象に関する確定的パラメータの値の範囲を示す定義域情報に基づいて、前記確定的パラメータの取り得る値を示す複数の基準計画案を生成する基準計画案生成部と、
    前記シナリオ案と前記基準計画案との組み合わせである運用計画案を評価する厳密評価器にて複数の学習用の前記運用計画案を評価した厳密評価結果を学習した近似評価器を用いて、複数の評価用の前記運用計画案を評価した近似評価結果を取得する近似評価部と、
    前記近似評価結果に基づいて、前記シナリオ案を複数のグループに集約する集約部と、
    前記近似評価結果に基づいて、前記グループごとに、当該グループに所属しているシナリオ案のいずれかを代表シナリオとして選択する選択部と、を実現させるためのプログラム。

Images