JP2753021B2 - 対話型システム - Google Patents

Description

【発明の詳細な説明】 ［発明の目的］ （産業上の利用分野） 本発明は、例えば株売買に関する意志決定支援、PID
制御におけるゲイン選択およびエレベータ群管理システ
ムにおける制御パラメータの調整等に適用される対話型
システムに関する。

（従来の技術） 人間は脳内に、ある意志決定の対象であるシステムの
概略的な、すなわち傾向を把握したモデルを有すると考
えられている。この意志決定を行う際、人間はそのモデ
ルを用いて複数の条件に対する推論、すなわち「もし…
（条件）…だったら…（結果）…になるだろう」といっ
た連想的な推論を行い、その中で最適と思われる結果あ
るいは複数の準最適な結果の組合せに基づき、自分が選
択すべき条件を決定するといった迅速な処理を行ってい
る。

また人間は、その決定された意志により引起こされた
事象を分析することによって、上述のモデルを即座に修
正する機能を備えている。

一方、従来から社会システムや工業システム、なかで
も特に大規模あるいは複雑な対象モデルに対する意志決
定や制御を行う場合、予めこれら対象モデルの厳密なモ
デルを構築し、そのモデルに対してオペレータが入力す
るあらゆる条件下でのシミュレーションを行い、それら
の結果を検討することによって意志や制御方式、制御パ
ラメータを決定するような対話型シミュレーションシス
テムが提案されている。

例えば、エレベータ群管理システムにおいては、ホー
ルにおける利用者の呼び（ホール呼び）に対し、運転中
の複数のエレベータのうち最適と思われるものを選択
し、そのサービスに割り当てる。しかしながら「最適」
の選好構造は、そのエレベータ群の利用者の考えに依存
し、その考えは一般にあいまいなものであるため、オペ
レータがこの「最適」基準を制御パラメータで調整する
機能を備えたものが多い。従来は、一般的な条件下でシ
ミュレーションを行い、その結果から利用者の選好構造
に適合する制御パラメータを対話的に決定する手法が用
いられていた（飛田他；多目標なエレベータ個性化知能
群管理システムの制御方法決定手法、第31回自動制御連
合講演会予稿集、T.Yamaguchi et,al;Fuzzy Predict an
d Control Method and Its Application,IEE Int.Conf.
CONTROL88、石川他；エレベータ群管理シミュレーショ
ンによる制御知識の抽出、日本シミュレーション学会第
７回シミュレーション・テクノロジー・コンファレンス
予稿集等）。

しかしながら、このような従来の手法によれば、オペ
レータが入力する１つの条件に対して、少なくとも１回
のシミュレーションが必要となる。一般に、対象モデル
が大規模あるいは複雑になるほど、考えられる条件が増
加し、１回のシミュレーションに要する時間が長くなる
ことを考慮すると、１回の意志決定（あるいは制御パラ
メータの選択）にかかる時間は膨大なものとなるととも
に、それを担うCPUへの負担も重くなってしまうといっ
た問題がある。このことは、システムの実用性に関わる
重要な点であり、例えば対象モデルの挙動に対応してリ
アルタイムで動作をするような意志決定システムや制御
システムの実現は困難になる。

また一般に対象モデルをモデル化するモデル部は、実
システムを完全に記述することができないため、シミュ
レーション結果の信頼性が低い。このとき、決定された
意志あるいは制御パラメータが結果として不具合を生じ
た場合、そのことを考慮してモデル部を自動的に修正す
るといった機能の実現も難しい。

（発明が解決しようとする課題） このように、上述した従来の手法では、対象モデルの
挙動に対応してリアルタイムで動作をするような意志決
定システムや制御システムの実現が困難であり、また決
定された意志あるいは制御パラメータが結果として不具
合を生じた場合、そのことを考慮してモデル部を自動的
に修正するといった機能の実現も困難であった。

本発明は、このような事情に基づき成されたもので、
応答速度がよく、リアルタイムで解を得ることができる
モデル化システム及び対象システムモデリング方法を提
供することを目的とする。

また、本発明の目的は、モデル化されたシステムの学
習が不十分な場合であってもある程度の解を得ることが
できるモデル化システム及び対象システムモデリング方
法を提供することにある。

［発明の構成］ （課題を解決するための手段） 請求項１記載の発明では、モデリングの対象である外
部装置に対する制御パラメータを決定する対話型システ
ムであって、前記外部装置の運行結果としての応答信号
を入力する第１の入力手段と、オペレータから前記制御
パラメータの候補を入力する第２の入力手段と、前記入
力された応答信号及び制御パラメータの候補を複数のあ
いまい区分に分割する前件部と、前記あいまい区分に基
づいて分割された領域に対応する複数の部分システムを
有し、与えられた入力値に従って該部分システム毎に部
分出力値を出力する後件部と、前記前件部の各あいまい
区分と前記後件部の各部分システムとの相互間を、所定
の結合状態によって結合する結合手段と、前記部分シス
テムのうち結合状態が所定以下の第１の部分システムに
対して前記入力値が与えられたとき、引き込み連想を行
うことによって前記第１の部分システムの領域に隣接す
る領域の第２の部分システムより出力値を得る手段と、
前記出力値を前記オペレータに提示する手段と、前記オ
ペレータの指示に応じて、前記出力値に対応する制御パ
ラメータを前記外部装置に対する制御パラメータと決定
する手段とを具備することを特徴とする、対話型システ
ムが提供される。

請求項２記載の発明では、モデリングの対象である外
部装置に対する制御パラメータを決定する対話型システ
ムであって、前記外部装置の運行結果としての応答信号
を入力する第１の入力手段と、オペレータから前記制御
パラメータの候補を入力する第２の入力手段と、前記入
力された応答信号及び制御パラメータの候補を複数のあ
いまい区分に分割する前件部と、前記あいまい区分に基
づいて分割された領域に対応する複数の部分システムを
有し、与えられた入力値に従って該部分システム毎に部
分出力値を出力する後件部と、前記前件部の各あいまい
区分と前記後件部の各部分システムとの相互間を、学習
状態によって示される所定の結合状態によって結合する
結合手段と、前記部分システムのうち第２の部分システ
ムに対してシステム同定を行うための学習を行う学習手
段と、前記部分システムのうち上記の学習がされなかっ
た第１の部分システムに対して前記入力値が与えられた
とき、引き込み連想を行うことによって前記第１の部分
システムの領域に隣接する領域の第２の部分システムよ
り出力値を得る手段と、前記出力値を前記オペレータに
提示する手段と、前記オペレータの指示に応じて、前記
出力値に対応する制御パラメータを前記外部装置に対す
る制御パラメータと決定する手段とを具備することを特
徴とする、対話型システムが提供される。

（作用） 本発明では、対象システムの複数の特徴パラメータの
うち一部の特徴パラメータを使ってモデル化すると共
に、モデル化したシステムを複数に分割して例えば分割
したものをそれぞれニューラルネットワークにより構成
したので、応答速度がよく、リアルタイムで解を得るこ
とができる。

また、部分システムのうち例えば学習がされなかった
一の部分システムに対して入力値が与えられたとき、こ
の部分システムに隣接する他の部分システムによって引
き込み連想を行い、出力値を得るように構成したので、
例えばモデル化されたシステムの学習が不十分な場合で
あってもある程度の解を得ることができる。

（実施例） 以下、本発明の実施例の詳細を図面に基づいて説明す
る。

第１図は、本発明をエレベータ群管理システム（以
下、単に管理システムという）に適用した場合の一実施
例を示すものである。同図に示すように、管理システム
には、表示装置１、入力装置２、応答推論装置３、デー
タ通信装置４および外部装置５が備えられている。

表示装置１は、オペレータ６に対し、応答推論装置３
からの制御パラメータ決定支援情報信号S3に基づいて、
例えば第２図に示すような制御パラメータ決定支援情報
を表示する。

入力装置２は、例えばキーボード2aおよびマウス2bを
有しており、オペレータ６からの入力、すなわち制御パ
ラメータ候補信号S1および制御パラメータ決定信号S4を
応答推論装置３に送出する。応答推論装置３は、オペレ
ータ６が入力装置２を操作して入力した制御パラメータ
候補信号S1およびデータ通信装置４からの対象システム
特徴信号S2に基づいて、外部装置５の応答を推論し、こ
の推論の経過および推論結果を適宜、制御パラメータ決
定支援情報信号S3として表示装置１に送出する。また応
答推論装置３は、入力装置２から入力される制御パラメ
ータ決定信号S4を受取ると、この制御パラメータ決定信
号S4により指定される制御パラメータ候補信号S1を制御
パラメータ信号S5としデータ通信装置４を介して外部装
置５に送出する。

外部装置５は、例えばエレベータ群を対象モデルと
し、現在の対象モデルとしての特徴を対象システム特徴
信号S2として応答推論装置３に送出するとともに、デー
タ通信装置４を介して応答推論装置３から送出される制
御パラメータ信号S5を受取り、この制御パラメータ信号
S5に基づいて運行する。また適宜その運行結果を対象シ
ステム応答信号S6として応答推論装置３に入力する。

ここで、応答推論装置３について詳しく説明する。応
答推論装置３は、対象システム特徴信号S2に基づき推論
を行う。ここで推論結果をｙ、入力をｘとすると後述す
るそのモデル部は、 ｙ＝ｆ（ｘ） …（１） の関数の形式で表される。ここで、ｙ＝（y1,y2,y3,y4,
y5）^Ｔ、ｘ＝（c,a）^Ｔとする。

推論結果ｙのうち、y1,y2,y3は利用者の待ち時間に関
するもので、それぞれ30秒以内、30秒〜60秒、60秒を越
える待ち時間の発生率を表す。ちなみに人間がエレベー
タを待つ場合、約30秒まではほとんど待たされたと感じ
ず、約60秒を越えるととても長く待たされたと感じるこ
とが知られている。これらの３値は利用者の満足度を考
えるうえで特に重要なものである。またy4は平均乗合
率、y5は平均サービス時間（利用者がホールで呼びを押
してからエレベータを降りるまでの平均時間）であり、
これらも利用者の満足度に関係する。

一方、入力ｘ中のc,aはそれぞれｃ＝（c1,c2,c3）、
ａ＝（a1,a2,a3,a4,a5）とする。ｃはシステム条件で需
要を示しており、これはシステムの状態を最も特徴づけ
るものである。c1,c2,c3は、それぞれ平均乗客発生間隔
（秒/1人）、基準階における乗客発生間隔、基準階へ向
かう乗客発生間隔である。

また、ａは制御パラメータである。a1,a2,a3は、待ち
時間に関するパラメータであり、それぞれ「早く応答す
る呼び」を優先、「長待ち呼びを減らすこと」を優先、
「最大の待ちを救済すること」を優先するパラメータで
ある。これらはy1、y2、y3との関係が強い。a4は「乗合
率を減らす効果」をもち、a5は「平均サ−ビス時間を軽
減する効果」をもつ。これらは、y4,y5との関係が強
い。

そして、応答推論装置３は、次のような構成をとる。

第３図は、ある対象モデル10のモデル化システムを示
す。応答推論装置３は、このシステムのシステムのシス
テムモデリングブロック７に相当し、モデル部8aおよび
学習部９より構成される。

学習部９のｕより初期入力ｕを与え、対象モデル10の
入／出力のペア（x,y^*）とモデル部8aの出力ｙとを学習
部９に蓄え、その偏差ｅをモデル部8aに取り込み、モデ
ル部8aを偏差ｅの原因情報αに基づき修正する。初期入
力は、対象モデル10により異なるが、ダイナミクスをも
つ場合は、インパルス、ステップ、ランプあるいはＭ系
列信号などを与える。

その後、外部コントローラ11を接続し、対象モデル10
の入／出力ペア（x,y^*）とモデル出力ｙより上記同様に
偏差ｅの原因情報αに基づき、偏差ｅを小さくするよう
に学習する。以上により、対象モデル10がモデル部8aと
してモデル化（同定）される。

第４図は、上記同様の方法で対象モデル10の逆モデル
を同定するものである。

第５図は、上記のモデル部8aおよび逆モデル部8bの構
造を示すもので、これらはif部（前件部）12およびthen
部（後件部）13を有する実体部14とif部12およびthen部
13を接続する記憶部15とからなる。

If部12は、対象モデル10を“あいまい”に１つのニュ
ーラルネットモデルまたは複数のニューラルネットモデ
ルが結合されたもの、あるいは可変パラメータにより合
成される１つの関数モデルまたは複数の関数モデルが結
合されたもの（以下「ニューラルネットモデルの構造
体」と呼ぶ）である。

またthen部13は、それぞれのシステム区分に対応する
モデル記述部であり、これらもニューラルネットモデル
の構造体である。

記憶部15は、ニューラルネットモデルの構造体であ
る。

なお、実体部14および記憶部15は、同様にニューラル
ネットモデル（または可変パラメータにより合成される
関数モデル）で結合されている。また図中符号16は、出
力を得るための出力合成ニューラルネットモデル（また
は可変パラメータにより合成される関数モデル）であ
り、ここで、出力を得る場合の上述の偏差ｅの原因情報
αは、出力に寄与した構造体を特定するものである。

次に、このような構成のモデル部8a（あるいは逆モデ
ル部8b）の動作について説明する。なお、以下の説明は
ファジィ推論に照らし合わせて行うが、それは本発明の
本質ではない。

まず、上記のif部12とthen部13の構造体を用い、If−
then型のファジィプロダクションルールに似た表現でモ
デル化を行う。

ここで、ルール表現の一例を示すと、 R1:if（x1＝N ＆ x2＝Ｎ）then y＝FNN（ｘ） …（２） である。x1およびx2は入力（対象システムの特徴）、Ｎ
はネガティブ（negative）という特徴を表現するラベル
で、ファジィ推論では対象システムの特徴を区分化する
メンバシップ関数で定義される。また、ｙは出力ベクト
ル、fNNは入力ベクトルｘからの出力を求める関数であ
る。

上述のx1,x2,xは、システム状態入力や、そのｎステ
ップ過去のデータや、それらの合成値を用いることも多
い。

fNN（ｘ）が線形関数である場合は、ファジィモデル
と呼ばれているが、ここではfNN（ｘ）を線形関数に限
定せずにダイナミクスを表現する状態方程式とする。

ここで、x1に対するＮおよびx2に対するＮのメンバシ
ップ関数や出力関数fNN（ｘ）にはニューラルネットモ
デルの構造体を用い、x1＝Ｎおよびx2＝Ｎとｙ＝fNN
（ｘ）との関係は記憶部15のニューラルネットモデルの
構造体により表現されている。

すなわち、第６図は、その一例を示すもので、If部12
は、x1に関してX11とX12、x2に関してX21とX22の特徴付
けをそれぞれ行っている。

例えば、X11,X21をＮ（ネガティブ）、X12,X22をＰ
（ポジティブ）で表現する。また（x1＝N ＆ x2＝Ｎ）
に対応し、記憶部15のZ1によりy1＝fNN（ｘ）（ただ
し、ｘ＝［x1,x2,x3］^Ｔで、fNN（ｘ）はニューラルネ
ットにより構成されている関数）とその寄与度Ry₁が決
まる。また、ここで説明を容易にするために、Ｎ（ネガ
ティブ）、Ｐ（ポジティブ）の意味的表現を取入れると
次のようになる。

X11,X21→Ｎ（ネガティブ） X12,X22→Ｐ（ポジティブ） Z1→NNルールで y1＝fNN（ｘ） Z2→NPルールで y2＝fNP（ｘ） Z3→PNルールで y3＝fPN（ｘ） Z4→PPルールで y4＝fPP（ｘ） Z5→Ｎφルール（x1＝Ｎの汎用ルール）で y5＝fNφ（ｘ） Z6→Ｐφルール（x1＝Ｐの汎用ルール）で y6＝fPφ（ｘ） Z7→φＮルール（x2＝Ｎの汎用ルール）で y7＝ｆφＮ（ｘ） Z8→φＰルール（x2＝Ｐの汎用ルール）で y8＝ｆφＰ（ｘ） これらのうち、Z5〜Z8は汎用的なルールとなり、複数
の条件に寄与するものである。

第７図は、モデル部8aの学習のジェネラルフローチャ
ートを示すものである。

すなわち、まず構造決定を行い（ステップ701）、モ
デル部8aの詳細な枠組みを決定する。

ここでは、例えば第８図に示すような４つのルールを
構成するニューラルネット構造体を枠組みとして用意
し、x1およびx2についての区分化をそれぞれN,Pの２種
とし、さらにそれぞれに対応するfNN（ｘ）〜fPP（ｘ）
の構成を用意する。また出力はy1〜y4を合成し求めるも
のとする。

ステップ702の初期学習においては、区分化のメンバ
シップ関数N,PとルールZ1,Z4およびy1＝fNN（ｘ）,y4＝
fPP（ｘ）の関数の内容をある程度学習させる。この例
においては、それぞれのニューラルネット構造体に対
し、その関数を模擬するように、入出力データを用いて
プロパゲーションを行い学習させる（ここで、プロパゲ
ーション法の代表的なものには、バックプロパゲーショ
ン法やカウンタプロパゲーション法がある）。また区分
化の方法は適当と思われる最小単位で区分化する。

後述するモデル出力（ステップ704）において、モデ
ルの出力値を得る場合、その区分化（前件部）に対応す
る正確な知識（後件部）がない場合は、近い前件部で正
確な後件部をもつルールを引込み、出力を得る。またそ
の後、その前件部に対応する後件部を自己学習するよう
になっているため、上述のように適当と思われる最小単
位で区分化する。

ここで、区分化のメンバシップ関数を表現するニュー
ラルネットの一例を第９図に示す。

この例では３層構造であるが、一般的にはｎ層構造が
考えられる。最下位のS1〜Sk3は入力を感じるセンサニ
ューロンであり、第10図（ｂ）に示すような特性をも
つ。

中間層N1〜Nk1,P1〜Pk2、上位層X11,X12のニューロン
は、例えばシグモイド関数の特性をもっており、入力x1
に対する区分化が第10図 （ａ）のようになるように設定されている（ただし、フ
ァジィ値入力の場合は、それに対応できるような関数が
ネットに学習されている）。

第10図に示すメンバシップ関数の入出力データは、学
習用教師データとして保存される。学習可能な後件部の
ニューラルネット構造体も同様に教師データ（入／出力
のペアデータ）が与えられ、学習され、そのデータが保
存される。

このような設定によるニューラルネットの動特性の例
は、次の通りである。ただし、説明を簡容化するために
第８図のルール上の前件部を示すネットの結合の一例を
示す。

Ｘ（ｔ＋１）＝ｆ（A1 X（ｔ）＋A2 u（ｔ）＋A3 Z
（ｔ）） …（３） Ｚ（ｔ＋１）＝ｆ（A4 Z（ｔ）＋A5 X（ｔ））…（４） ただし、ｆ（ｘ）はシグモイド関数、ｔは時刻、Ｘ＝
［X11,X12,X21,X22］^Ｔ、Ｚ＝［Z1,Z2,Z3,Z4］^Ｔであ
り、これらはそれぞれのニューロンの活性度を示す。

またA1〜A5のマトリクスは、そのニューロン間の重み
付けの結合を示すもので、その一例は、 であるが、その設定値は条件により異なる。ｕはＸへの
下層からの入力値を示す。

これらのマトリクスと第６図におけるネットワークと
の対応は次の通りである。

A2は、第６図のC1,C2の出力に対応するもので、X11,X
12への入力を示す。

A1,A3,A5は、第６図のnetxyzに対応しており、A1は特
徴Ｘの同じカテゴリーの排他の結合である。

A3,A5は、記憶Ｚと、特徴Ｘとの対応関係を示し、関
連する部分は強め合い、関係しない部分は零で、逆関係
の部分は弱め合うようになっている（後件部のネットも
同様な結合である）。

A4は、第６図のnetzに対応する部分で、記憶Ｚの保持
的結合と、他のものを弱める結合でできている。ここで
示す結合は、ほんの一例であり、各種の結合が考えられ
る。通常のファジィ推論を行う場合は、第６図のnetxyz
は、特徴Ｘ（前件部）→記憶Ｚ→出力ｙ（後件部）の一
方向のネットで十分であり、この場合は第６図のnetzは
ファジィ推論の関係を出力するニューラルネットワーク
とする。

ここで示した相互の結合は、出力を推論するうえで、
引込みの連想機能および安定機能を実現する。さらに、
ＸとＺとの関係の強さやＺとｙとの関係の強さが、その
条件におけるX,yの対応するニューラルネット構造体の
もつ関数の“確からしさ”の情報となっている。ただ
し、この“確からしさ”の情報の表現方法は簡容な一例
であり、ファジィ推論を模擬する場合は、出力値を補正
する別のニューラルネット構造体が用いられる。

さらに、出力値ｙを合成するニューラルネットワーク
（第６図のnety）は、この例ではそれぞれの寄与の度合
Ryiに重み付けした合成値を求めるネットワークとなっ
ているが、その他、minかつmax関数を用いたネットワー
ク等も用いられる。

以上が、ステップ702の説明である。

次に、オンライン学習時の動作の説明を行う。

第７図における（ステップ703）〜（ステップ707）が
その動作を示す。

まず、ステップ703において、対象モデルのその時刻
（またはその状態における一定の時系列データとして）
の入／出力のデータ（x,y^*）を得る。次に、ステップ70
4において、モデルに同様の入力を与え、その出力デー
タｙを得る。またそのとき寄与した構造体の情報αを得
る。ステップ705において、データを保存する。これが
一定量に達した場合はオンライン学習を行う（ステップ
707）。

ここで、記憶からの連想によるモデル出力（ステップ
704）とそのデータを用いたオンライン学習（ステップ7
07）について、さらに詳細に説明する。

初期学習において、区分化のメンバシップ関数N,P
と、出力関数fNN,fPPが学習されており、すでに“確か
らしさ”が高くなっているとする。この場合、Z1,Z4とR
y1,Ry4との相互の結合が強い。このため知識記憶状態
は、第11図に示すように、fNN,fPPとが表に現われてい
る。

ここで、x1＝P,x2＝Ｎの入力があったとする。モデル
の出力としてはfPNの記憶が小さいため、fNNとfPPを連
想し、それらの合成の出力ｙを発生する。これは、記憶
Z3と出力の寄与度Ry3との結合が相互に弱いために、Ry1
とRy4とがやや活性化するためである（これが、情報α
となる）。このように、過去において学習された“確か
な”記憶から連想しモデル出力を行う。

さらにダイナミクスの学習において、一連の入／出力
に対し、記憶部15と実体部14（前件部、後件部）との間
に安定的な一定の関係形成（α）が行われるため、その
関数を学習するうえで有利となる。

ステップ707のオンライン学習においては、モデル出
力の基準値以上の寄与の情報αと、それぞれの寄与した
構造体の出力データyiと対象モデルの出力ｙとのエラー
量eiを修正する。ここでの修正量は、その記憶に対する
ニューラルネットブロックyiの“確からしさ"Pyiに反比
例し、寄与した割合αｉに比例した修正量epiとなり、
次式で表される。

epi αｉ・ei/（ni−Pyi） …（５） 上式でniはyiに関係する記憶の数であり、この例では
ni＝１である。

（５）式の修正量は場合によっては、 e^*pi＝fe（epi） …（６） とした非線形関数feを用いて変換した新たな修正量e^*pi
を用いる場合もある。

この修正量epi（あるいはe^*pi）で保存用学習データ
を修正し、再学習を行う（バックプロパゲーション
等）。また“確からしさ"Pyiは、 ΔPyi＝fpy（lf,epi） …（７） となり、（７）式のように、li:学習回数とepi:エラー
量に関係した関数fpyにより修正量ΔPyiが求められ修正
される。確からしさPyiが、学習回数liに比例して大き
く、エラー量eiに比例して小さくするように関数fpyは
決められる。

一方、区分化のメンバシップ関数（ニューラルネット
構造体）の“確からしさ"Pxjiが低く、その区分化を学
習する場合は、そのカテゴリーｊ内の出力Xjiの移動ベ
クトル方向と移動量とを求める。

それは、出力のエラーｅを良好にするベクトル方向と
して求められる（Xjiのベクトル方向を仮定しΔXji移動
した場合のｅの変化分Δｅの量を用いる）。

Δｅが良い方向となる移動方向へ、そのｅに比例し、
“確からしさ"Pxjiに反比例する修正量mPxjiだけ移動さ
せた場合、 mPxji oαji e/nji Pxji …（８） となる。ただし、αjiはそのメンバシップ関数の寄与
度、njiはそのメンバシップ関数が結合している記憶ネ
ット数である。

メンバシップ関数の出力値Xjiは、メンバシップ関数m
jiとその入力xjにより、 xji＝mji（xj） …（９） として決まるが、入力xjの値の周辺［xji−δ,xji＋
δ］（δは定数）についても（８）式による修正を加え
る。従って、メンバシップ関数mjiは入力xjの付近で連
続的に修正したものとなる。

メンバシップ関数の修正法は、その他に関数の位置を
移動するものや、高さや幅をかえるもの等があり、これ
らはバックプロパゲーション等の学習法により、目標関
数に模擬される。

このような構成の応答推論装置３を備えた管理システ
ムは、次のような動作を行う。

オペレータ６は、例えば第12図に示す手順に従って制
御パラメータ決定処理を実行する。

すなわち、ステップ121において制御パラメータ決定
処理を開始し、ステップ122において表示装置１に出力
される現在の状況、すなわち外部装置５から送られてく
る対象システム特徴信号S2が示す対象システムの特徴や
制御パラメータ決定支援情報信号S3が示す制御パラメー
タ候補に対する推論経過および結果を目視確認する。そ
の後、オペレータ６は、ステップ123に移って入力装置
２から制御パラメータ候補を入力し、これを制御パラメ
ータ候補信号S1として応答推論装置３に送出し、ステッ
プ124に移る。

ステップ124において、オペレータ６は、入力装置２
から制御パラメータ候補を制御パラメータとして決定す
る（「決定」）か、あるいはその制御パラメータ候補に
より運行結果の推論を行う（「推論」）かを入力する。

ここで、オペレータ６が「決定」を選択した場合に
は、ステップ125に移って決定された制御パラメータを
制御パラメータ信号S5としデータ通信装置４を介して外
部装置５へ送出し、ステップ126において制御パラメー
タ決定処理を終了する。

これに対して、ステップ124においてオペレータ６が
「推論」を選択した場合には、処理はステップ127に移
り、応答推論装置３が制御パラメータ信号S1に対する対
象システム応答の推論を行い、その後上述のステップ12
2に戻って処理を続行する。

また応答推論装置３は、一定時間あるいは所定運行回
数毎に外部装置５から送られてくる対象システム応答信
号S6に基づいて、上述の手法により、モデル部8aを誤差
に比例し、確からしさに反比例する度合で修正する。

このように、本実施例の管理システムでは、対象モデ
ルの運行状況にオンラインでリアルタイムに対応し、対
話的に制御パラメータの推論、決定が行え、また内部モ
デルの修正を実行できるエレベータ群管理システムを実
現することができる。

なお、本実施例では、外部装置５として対象モデル自
体を用いた場合について説明したが、この例に限らず磁
気ディスク記憶装置等を用い、磁気ディスク等の記憶媒
体を介して対象モデルと通信するようにしても、上述と
ほぼ同様の効果を得ることもできる。

また本実施例では、推論応答装置３のモデル部8aの出
力ｙを５次元のベクトル［y1,y2,y3,y4,y5］^Ｔとした
が、他の次元でもよい。入力ｘも同様でc,aはいかなる
次元でもよい。

また本実施例では、オペレータが常時システムを監視
し、対象モデルの状況の変化を把握して制御パラメータ
を決定する必要があるが、これに加えて利用者の選好構
造をマクロに記述したデータを予め設定しておくことに
より、対象モデルの状況変化に応じ自動的に制御パラメ
ータを推論、決定する機能をもたせてもよい。

さらに、本実施例では、本発明をエレベータ群管理シ
ステムに適用した場合について説明したがこの例に限ら
ず、例えばポートフォリオ分析システム等の他の分野に
亘って適用してもよい。

［発明の効果］ 以上説明したように、本発明によれば、応答速度がよ
く、リアルタイムで解を得ることができ、また例えばモ
デル化されたシステムの学習が不十分な場合であっても
ある程度の解を得ることができる。

【図面の簡単な説明】

第１図は本発明をエレベータ群管理システムに適用した
場合の一実施例を示す構成図、第２図は第１図の表示装
置に表示される制御パラメータ決定支援情報の一例を示
す図、第３図および第４図は第１図の応答推論装置の構
成を示すブロック図、第５図はおよび第６図は第３図お
よび第４図のモデル部の詳細を示す図、第７図は第３図
および第４図の学習部のジェネラルフローチャート、第
８図は第３図および第４図の学習部が構造を決定する際
のルールの一例を示す図、第９図は第５図の構造体の一
例としてニューラルネットを適用した場合の図、第10図
（ａ）（ｂ）は第９図のニューラルネットの特性を示す
図、第11図は知識の記憶状態を示す図、第12図は第１図
のエレベータ群管理システムの動作を示すフローチャー
トである。 １……表示装置、２……入力装置、2a……キーボード、
2b……マウス、３……応答推論装置、４……データ通信
装置、５……外部装置、６……オペレータ、７……シス
テムモデリングブロック、8a,8b……モデル部、９……
学習部、10……対象モデル、11……外部コントローラ

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】モデリングの対象である外部装置に対する
   制御パラメータを決定する対話型システムであって、 前記外部装置の運行結果としての応答信号を入力する第
   １の入力手段と、 オペレータから前記制御パラメータの候補を入力する第
   ２の入力手段と、 前記入力された応答信号及び制御パラメータの候補を複
   数のあいまい区分に分割する前件部と、 前記あいまい区分に基づいて分割された領域に対応する
   複数の部分システムを有し、与えられた入力値に従って
   該部分システム毎に部分出力値を出力する後件部と、 前記前件部の各あいまい区分と前記後件部の各部分シス
   テムとの相互間を、所定の結合状態によって結合する結
   合手段と、 前記部分システムのうち結合状態が所定以下の第１の部
   分システムに対して前記入力値が与えられたとき、引き
   込み連想を行うことによって前記第１の部分システムの
   領域に隣接する領域の第２の部分システムより出力値を
   得る手段と、 前記出力値を前記オペレータに提示する手段と、 前記オペレータの指示に応じて、前記出力値に対応する
   制御パラメータを前記外部装置に対する制御パラメータ
   と決定する手段と を具備することを特徴とする対話型システム。
2. 【請求項２】モデリングの対象である外部装置に対する
   制御パラメータを決定する対話型システムであって、 前記外部装置の運行結果としての応答信号を入力する第
   １の入力手段と、 オペレータから前記制御パラメータの候補を入力する第
   ２の入力手段と、 前記入力された応答信号及び制御パラメータの候補を複
   数のあいまい区分に分割する前件部と、 前記あいまい区分に基づいて分割された領域に対応する
   複数の部分システムを有し、与えられた入力値に従って
   該部分システム毎に部分出力値を出力する後件部と、 前記前件部の各あいまい区分と前記後件部の各部分シス
   テムとの相互間を、学習状態によって示される所定の結
   合状態によって結合する結合手段と、 前記部分システムのうち第２の部分システムに対してシ
   ステム同定を行うための学習を行う学習手段と、 前記部分システムのうち上記の学習がされなかった第１
   の部分システムに対して前記入力値が与えられたとき、
   引き込み連想を行うことによって前記第１の部分システ
   ムの領域に隣接する領域の第２の部分システムより出力
   値を得る手段と、 前記出力値を前記オペレータに提示する手段と、 前記オペレータの指示に応じて、前記出力値に対応する
   制御パラメータを前記外部装置に対する制御パラメータ
   と決定する手段と を具備することを特徴とする対話型システム。