JPH10307870A - 遺伝的アルゴリズムを用いた職場配置システムおよび記録媒体 - Google Patents

遺伝的アルゴリズムを用いた職場配置システムおよび記録媒体

Info

Publication number
JPH10307870A
JPH10307870A JP11775697A JP11775697A JPH10307870A JP H10307870 A JPH10307870 A JP H10307870A JP 11775697 A JP11775697 A JP 11775697A JP 11775697 A JP11775697 A JP 11775697A JP H10307870 A JPH10307870 A JP H10307870A
Authority
JP
Japan
Prior art keywords
workplace
gene
character string
workplaces
genetic algorithm
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
Application number
JP11775697A
Other languages
English (en)
Inventor
Katsuhiko Watanabe
克彦 渡辺
Hirotada Akagi
宏匡 赤木
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kajima Corp
Original Assignee
Kajima Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kajima Corp filed Critical Kajima Corp
Priority to JP11775697A priority Critical patent/JPH10307870A/ja
Publication of JPH10307870A publication Critical patent/JPH10307870A/ja
Pending legal-status Critical Current

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

(57)【要約】 【目的】最適な職場配置を迅速にかつ簡単に決定する職
場配置システムを提供すること。 【構成】遺伝子の初期集団を生成し(ステップ50
1)、終了条件を満足しない場合(ステップ502)、
各遺伝子に対して適応度を計算し(ステップ503)、
適応度に応じて親と成る遺伝子の選択を行い(ステップ
504)、さらに交叉処理(ステップ505)および突
然変異(ステップ505)の処理を終了条件として与え
られた世代数繰り替えし、適応度の高い職場配置を持つ
遺伝子を淘汰により得る。

Description

【発明の詳細な説明】
【0001】
【発明の属する技術分野】本発明は遺伝的アルゴリズム
を用いた職場配置システムに関するものである。
【0002】
【従来の技術】従来、手作業で職場の配置を決める場合
は、担当者の経験や勘、各職場からの要望に基づいて、
配置を仮に決めて、何度か入れ替えながら適当な配置を
決めた。職場数の多い場合には、この作業はさらに複雑
になるので、職場をグループにまとめてこのグループに
割り当てた後に、その内部を更に割り当てていく方法が
取られた。いずれの場合も試行錯誤を繰り返しながら、
人間の感覚から満足のいく配置かどうかの判断が定性的
に行われた。
【0003】また、モデルを設定して、数学的手法を用
いて計算により職場配置を決定する方法も行われ、その
ソフトが商用パッケージとして販売されているものもあ
る。しかし、モデルの条件設定が複雑で難しい上に、職
場数が多くなると急速に計算量が増加して、多くの計算
時間を要す。更に問題に応じて色々なソフトがある上
に、多岐にわたる手法の習熟が難しい。
【0004】
【発明が解決しょうとする課題】本発明はこのような問
題に鑑みてなされたもので、その目的とするところは、
最適な職場配置を迅速にかつ簡単に決定する職場配置シ
ステム提供することにある。
【0005】
【課題を解決するための手段】前述した目的を達成する
ために、第1の発明は特定の建物内の職場配置を支援ま
たは決定するシステムであって、前記建物の階数を並べ
て遺伝子数字列を形成し、前記遺伝子数字列を基にして
適応度が最適となる職場配置を決定することを特徴とす
る遺伝的アルゴリズムを用いた職場配置システムであ
る。また第2の発明は前記遺伝子の選択法の1つとして
職場間親近度と職場間移動頻度と職場の床面積を定量的
に考慮した適応度をパラメータとして用い、それに応じ
て遺伝子の選択淘汰を行うことを特徴とする遺伝的アル
ゴリズムを用いた職場配置システムである。さらに第3
の発明は人為的に前記遺伝的アルゴリズムのパラメータ
を調整したり、特定の職場の配置場所を指定しながら施
行させることができることを特徴とする遺伝的アルゴリ
ズムを用いた職場配置システムである。
【0006】
【発明の実施の形態】以下、本発明の実施の形態につい
て説明する。図1 は本発明の実施の形態に係る職場配置
システムのハードウエアの構成図であり、コンピュータ
1、ディスプレイ3、プリンタ5、マウス7、ワークス
テーション9からなる。ワークステーション9が遺伝的
アルゴリズムを用いて主な計算を行い、コンピュータ1
はワークステーション9と人間との間のデータ入力等を
行う。
【0007】8階建てのオフィスビルに、ある製造業の
13職場、を配置する例に付いて説明する。遺伝的アル
ゴリズムを用いた処理では、適応度を計算し、それによ
り選択処理を繰り返し行う。職場配置システムの適応度
として、職場面積、職場間親近度、職場間移動頻度があ
る。図2は各職場の面積の例を示す。職場には業務内容
により職場名が付けられ、さらに各職場に「1」から
「13」の職場番号を付け、職場で必要なオフィスの床
面積を調査して表示する。この職場番号を単位としてそ
れが配置される階数を決定する。
【0008】図3は職場間親近度の例を表す。職場間親
近度とは職場配置を行う組織体に聞き取り調査等を実施
し、職場番号によって表される2つの特定の職場がどの
程度近づくべきかを段階で表したものである。
【0009】図4は職場間移動頻度の例を表す。職場間
移動頻度とは、職場番号によって表される2つの特定の
職場間で人またはものの行き来がどの程度あるかを数値
で表したものである。
【0010】本発明では、一つの職場を一つの遺伝子と
対応させて、遺伝的アルゴリズムの技術を職場配置に応
用している。配置を検討する職場を「1」から順に付番
し、これを職場番号とする。さらに職場番号を遺伝子型
の先頭からの位置とし、それぞれの職場を配置する階数
を対応する職場番号の位置に置くことで遺伝子を形成
し、1つの個体を成す。図5は、本実施の形態における
遺伝的アルゴリズム(GA)の処理の概要を示すフロー
チャートである。主としてワークステーション9の処理
を示す。
【0011】図5に示すようにまず初期集団を形成する
(ステップ501)。初期集団とは初期の遺伝子の集合
を示す。遺伝子とは、職場番号を遺伝子型の先頭からの
位置とし、それぞれの職場を配置する階数を対応する職
場番号の位置に置いた数字列である。遺伝子は予め決め
られた個体数生成する。この個体数は後述する図10で
指定することもできる。図6は3階建ての建物に「1」
から「6」の6職場を配する場合の遺伝子列である。図
6(a)に示されるように、「1」から「6」までの職
場番号を有する職場を建物の1階から3階に配置する場
合を想定する。図6(b)に示されるように、「1」か
ら「6」の職場番号を有する職場に対応して配置階を記
述すると、図6(c)に示されるように、その配置階の
並びが遺伝子「132122」となる。尚本実施形態で
は、遺伝子文字列として「132122」のような数字
列を用いたが、その他の文字列を用いても良い。
【0012】次に図5において終了条件を満足するかど
うかを判断する(ステップ502)。終了条件とは、予
め決められた回数(世代数)繰り返されることである。
ステップ503からステップ506のループが1回終了
すると遺伝子が置き換わるので1世代とし、予め決めら
れた世代交代が完了すると終わりとする。この世代数は
後述する図10で指定することもできる。終了条件を満
足していない場合(ステップ502)、各遺伝子に対し
て適応度を計算する(ステップ503)。
【0013】適応度に付いて説明する。適応度とは遺伝
的アルゴリズムにおける各個体がどの程度問題に適合し
ているかを表す指標である。職場配置の場合、適応度は
不適応の度合いをぺナルティとして計算し、それが低い
ものを適応度が良いと見なす。職場配置の適応度は職場
間親近度、職場間移動頻度、職場面積の各々に対して、
各職場間距離を乗じた値の総和を求めて、これをぺナル
ティとして計算し、各々3つのぺナルティの加重和を各
個体のぺナルティとして個体数毎に計算する。
【0014】個別のぺナルティの計算法について説明す
る。まず、配置した2つの職場をi,jとして、職場間
親近度に関するぺナルティを求める。職場間親近度の大
きい職場同士は近くに、小さい職場は遠くに配置される
のが良い。そこで、式(1)で示すように、現個体のぺ
ナルティSrelationを最大のぺナルティTre
lationで割ったPrelationを職場間親近
度に関するぺナルティとする。
【数1】 式(1)を算出するにあたり、図3の値を用いる。
【0015】次に、同様にして職場間移動頻度に関する
ぺナルティを求める。職場間親近度と同様に、移動頻度
の多い職場同士はなるべく近くに配置し、小さい職場は
遠くに配置されるのが良い。そこで、式(4)で示すよ
うに、現個体のぺナルティSmovementを最大の
ぺナルティTmovementで割ったPmoveme
ntを職場間移動頻度に関するぺナルティとする。
【数2】 式(4)を算出するにあたり、図4の値を用いる。
【0016】最後に職場面積に対するぺナルティを床面
積からの職場面積のはみ出し具わいとして計算する。通
常は、配置された職場が実際のフロア面積に収まらない
場合は、配置不能として除く。遺伝的アルゴリズムでは
このような個体を致死遺伝子として扱い、初期遺伝子を
生成時に除外するかまたは、ぺナルティの寄与度を大き
くとって除去する。しかし、実際の場合、少々のはみ出
しはレイアウトを調整すれば、納まることもある。そこ
で本システムでは現実の配置を反映させてある程度のは
み出しを許容するようにぺナルティを設定する。もちろ
ん納まらない面積が小さいほど優れた個体とする。そこ
で、式(7)で示すように、現個体のぺナルティSov
erflowを最大のぺナルティToverflowで
割ったPoverflowを職場面積に関するぺナルテ
ィとする。
【数3】
【0017】こうして選られた3つのぺナルティPre
lation、Pmovement、Poverflo
wの各々に寄与度を掛けて、加えたPを各個体のぺナル
ティとする。 P=Prelation・Wrelation +Pmovement・Wmovement +Poverflow・Woverflow (11) ただし、Wrelation:職場間親近度のぺナルテ
ィに対する寄与度 Wmovement:職場間移動頻度のぺナルティに対
する寄与度 Woverflow:職場面積のぺナルティに対する寄
与度とする。 3つのぺナルティに対する3つの寄与度、職場間親近度
のぺナルティに対する寄与度、職場間移動頻度のぺナル
ティに対する寄与度、職場面積のぺナルティに対する寄
与度は後述するように、図10で任意に指定し、調整し
ながら実行できる。
【0018】このようにして、各遺伝子に対して適応度
が計算されると、適応度に応じて親と成る遺伝子を選択
し(ステップ504)、他の遺伝子を淘汰させる。選択
処理として、適応度比例戦略、期待値戦略、ランク戦
略、エリート保存戦略、トーナメント選択戦略等があ
る。本実施形態ではエリート保存戦略と適応度比例戦略
の混合戦略を用いる。エリート保存戦略は優秀な個体を
そのままコピーする処理であり、これにより早く解を収
束させることができる。
【0019】図7は適応度比例戦略の説明図である。適
応度比例戦略はルーレット戦略とも呼ばれ、例えば4個
の遺伝子ABCDがある時、適応度に応じてルーレット
を作成し、矢を2回放ち、2個の遺伝子を選択する。こ
の2つの混合戦略では、あらかじめ設定された割合だ
け、エリート保存戦略によってコピーし、残りを適応度
比例戦略で選ばれた個体に対して交叉、突然変異の操作
を行い、進化させていく。遺伝子は始めに作成された個
体数を維持する。
【0020】次に選択された遺伝子の数字列の部分を入
れ替え、異なる遺伝子を作る交叉処理を行う(ステップ
505)。交叉は二つの親の遺伝子を組み替えて子の遺
伝子を作る操作であり、単純交叉、複数点交叉、一様交
叉等がある。本実施の形態では一様交叉を採用する。図
8は交叉処理の説明図である。交叉処理ではステップ5
05で選択された2つの個体を父遺伝子i、母遺伝子j
とし、次に2つの子遺伝子k およびk’を生成する。例
えば、父遺伝子iが「43112344323221」
であり、母遺伝子jが「2231442431132
4」であるとする。
【0021】ここで遺伝子長と同じ長さのマスクと呼ば
れる「0」または「1」のビット列をランダムに発生さ
せる。子k はマスクが「1」の時は父遺伝子iから、マ
スクが「0」の時は母遺伝子jから遺伝子を受け継ぎ、
子k ’はマスクが「1」の時は母遺伝子iから、マスク
が「0」の時は父遺伝子jから遺伝子を受け継ぐ。この
ようにして、ステップ504で選択された2個の遺伝子
から交叉処理を経て、2つの子遺伝子k ,k ’が生成さ
れる。ステップ504,505の処理はより適応度の高
い遺伝子の部分がより多く子孫に繁栄するようになって
いる。
【0022】次に、ステップ505で選られた遺伝子に
対して、ある確率で遺伝子の数字列を変える突然変異の
処理を行う( ステップ505) 。図9は、突然変異を説
明する図である。ステップ505で得られた遺伝子に対
し、乱数で適当に位置即ち職場番号を決定し、その数字
を職場に与える階数の範囲で変更する。尚、突然変異の
処理は遺伝子の1%〜5%程度に対して行う。処理が終
了すると、ステップ502に戻り、ループが1回終了す
る。ループが1回終了すると遺伝子が置き換わるので1
世代とする。
【0023】以上の処理を繰り返し、指定された世代数
実行すると、終了する(ステップ502)。遺伝子は、
予め決められた個体数を維持しながら淘汰を繰り返し、
優秀な遺伝子が残り解が得られる。最後に残った遺伝子
の個体の中で最も良好な適応度(すなわち最も値の小さ
い適応度)の遺伝子を1つ選び、その職場配置をディス
プレイ3に図11のように表示する。
【0024】図10は遺伝的アルゴリズムの各パラメタ
を調整する図である。図10は、図5の処理が始まる前
に、ディスプレイ3に表示され、個体数および世代数、
遺伝子を選択する交叉法を指定でき、更に職場間親近
度、職場間移動頻度、職場面積の各々のぺナルティに対
しその寄与度も調整できる。
【0025】図11は職場配置図の例で、図5の処理が
終了した結果得られる。図11は図3に示す職場間親近
度、図4に示す職場間移動頻度、を入力データとし、個
体数を1,000、世代数を100として前述した処理
を実行した結果得られた。図11には職場配置とともに
適応度を示す評価関数も表示される。この場合、若干の
はみ出しはあるものの、条件を良く満たした妥当な配置
が得られている。条件から期待される通り、関係が強い
人事部、総務部、経理部あるいは設計部1部、設計部2
部、設計部3部はそれぞれ近くに配置されている。
【0026】図12はこの時の適応度(ぺナルティ)の
収束状況を示す世代グラフである。適応度は1世代毎に
全ての個体に付いて計算される。図12のAverage は各
世代の適応度の平均値であり、Bestはその世代の適応度
の最良値を示す。本システムでは適応度としてぺナルテ
ィを採用しているため値が低いものほど良い。図12か
らもこの配置は数値的に十分良いものであると客観的判
断ができる。
【0027】また、実際の運用では特定な職場を固定し
ながら、職場配置を決めることもできる。図13は固定
職場の設定図である。ディスプレイ3に表示される図1
3の画面により、例えば職場番号1の職場を1階に固定
して、図5の処理を実行させることができる。さらに、
図5で示される処理が終了した後、図14に示されるよ
うに、画面上でアイコンを使い手作業で職場を移動させ
ることもできる。適応度は計算され、画面に表示され
る。
【0028】本出願人は18回の建物に63職場を配置
する計算も行った。この場合条件を多く満たした配置が
得られた。ただし、中央の階に面積の小さい職場が多く
集まり、その周辺に面積の小さい職場が配置されてしま
う。これは、面積の小さい職場を中央へ配置すると多く
の職場間の距離が短くなり、結果としてぺナルティの値
が小さくなるためである。このため、(1)同一階に配
置された職場が、ある一筆書きの上にのると仮定して、
その線上での並び順を示す情報を遺伝子型に付加した
り、(2)職場間の隔たり(Dij)をフロア間の距離
から職場間の直交距離(=フロア間距離+1の線上での
職場の重心間距離×その寄与度)に変更すること等が考
えられる。また、本実施の形態では、コンピュータ1と
ワークステーション9を用いたが、1台のコンピュータ
で処理を行うこともできる。また前述した処理を行うプ
ログラムはCD−ROM等の記録媒体に記録可能であ
る。
【0029】
【発明の効果】以上説明したように、本発明によれば人
間の感覚的にも客観的数値上も最も適する職場配置を迅
速にかつ簡単に決定することができる。また、配置の決
定に関し人為的に発生する他の条件を加えることがで
き、運用方法の幅が広がった。
【図面の簡単な説明】
【図1】本実施の形態に係る職場配置システムのハード
ウエアの構成図
【図2】職場面積を示す図
【図3】職場間親密度を示す図
【図4】職場間移動度を示す図
【図5】本実施の形態の処理を示すフローチャート
【図6】遺伝子を示す図
【図7】ルーレット戦略を示す図
【図8】交叉の処理を示す図
【図9】突然変異の処理を示す図
【図10】GAパラメータを調整する画面の図
【図11】8階に3職場を配する職場配置の結果の図
【図12】適応度の収束状況を示す図
【図13】固定する職場を設定する画面の図
【図14】職場をアイコンで移動して設定させる職場配
置図
【符号の説明】
1………コンピュータ 3………ディスプレイ 5………プリンタ 7………マウス 9………ワークステーション

Claims (6)

    【特許請求の範囲】
  1. 【請求項1】建物内に複数の職場を配置するシステムで
    あって、どの職場を建物内のどの階に配置するかによっ
    て遺伝子文字列を生成し、前記遺伝子文字列を基にし
    て、遺伝的アルゴリズムを用いて最適の職場配置を決定
    することを特徴とする遺伝的アルゴリズムを用いた職場
    配置システム。
  2. 【請求項2】前記遺伝子文字列は職場毎に順に付された
    職場番号を遺伝子文字列の先頭からの位置とし、それぞ
    れの職場を配置する階を対応する前記職場番号の位置に
    置いたものであり、前記遺伝子文字列は1文字列で1個
    体を示し、初期段階で複数個体生成されることを特徴と
    する請求項1記載の遺伝的アルゴリズムを用いた職場配
    置システム。
  3. 【請求項3】前記遺伝的アルゴリズムは1個体中の複数
    の遺伝子のうち、所定の遺伝子を選択、交叉、突然変異
    させることにより遺伝子の淘汰を行うことを特徴とする
    請求項1記載の遺伝的アルゴリズムを用いた職場配置シ
    ステム。
  4. 【請求項4】前記遺伝子の選択法の1つとして職場間親
    近度と職場間移動頻度と職場の床面積を定量的に考慮し
    た適応度をパラメータとして用い、それに応じて遺伝子
    の淘汰を行うことを特徴とする請求項3記載の遺伝的ア
    ルゴリズムを用いた職場配置システム。
  5. 【請求項5】前記遺伝子の淘汰を多世代に渡り繰り返
    し、選られた個体の中で適応度の最も良好な個体の遺伝
    子を職場配置結果とすることを特徴とする請求項4記載
    の遺伝的アルゴリズムを用いた職場配置システム。
  6. 【請求項6】建物内に複数の職場を配置するシステムに
    おいて、どの職場を建物内のどの階に配置するかによっ
    て遺伝子文字列を生成し、前記遺伝子文字列を基にし
    て、遺伝的アルゴリズムを用いて最適の職場配置を決定
    する処理をコンピュータに行わせるプログラムを記録し
    た記録媒体。
JP11775697A 1997-05-08 1997-05-08 遺伝的アルゴリズムを用いた職場配置システムおよび記録媒体 Pending JPH10307870A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP11775697A JPH10307870A (ja) 1997-05-08 1997-05-08 遺伝的アルゴリズムを用いた職場配置システムおよび記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP11775697A JPH10307870A (ja) 1997-05-08 1997-05-08 遺伝的アルゴリズムを用いた職場配置システムおよび記録媒体

Publications (1)

Publication Number Publication Date
JPH10307870A true JPH10307870A (ja) 1998-11-17

Family

ID=14719555

Family Applications (1)

Application Number Title Priority Date Filing Date
JP11775697A Pending JPH10307870A (ja) 1997-05-08 1997-05-08 遺伝的アルゴリズムを用いた職場配置システムおよび記録媒体

Country Status (1)

Country Link
JP (1) JPH10307870A (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004334624A (ja) * 2003-05-09 2004-11-25 Equos Research Co Ltd データファイルの送信方法および送信プログラム
JP2017167924A (ja) * 2016-03-17 2017-09-21 ヤフー株式会社 判定装置、および判定方法
JP2019516148A (ja) * 2017-03-10 2019-06-13 東莞理工学院 遺伝的アルゴリズムに基づく大域的最適化、検索並びに機械学習法
JP2019212096A (ja) * 2018-06-06 2019-12-12 富士通株式会社 情報処理プログラム、情報処理方法、および情報処理装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004334624A (ja) * 2003-05-09 2004-11-25 Equos Research Co Ltd データファイルの送信方法および送信プログラム
JP4561044B2 (ja) * 2003-05-09 2010-10-13 株式会社エクォス・リサーチ データファイルの送信方法および送信プログラム
JP2017167924A (ja) * 2016-03-17 2017-09-21 ヤフー株式会社 判定装置、および判定方法
JP2019516148A (ja) * 2017-03-10 2019-06-13 東莞理工学院 遺伝的アルゴリズムに基づく大域的最適化、検索並びに機械学習法
JP2019212096A (ja) * 2018-06-06 2019-12-12 富士通株式会社 情報処理プログラム、情報処理方法、および情報処理装置

Similar Documents

Publication Publication Date Title
Balakrishnan et al. Genetic algorithms for product design
Norman et al. A genetic algorithm methodology for complex scheduling problems
US4967367A (en) Synthetic netlist system and method
US7668788B2 (en) Resource assignment optimization using direct encoding and genetic algorithms
Balakrishnan et al. A hybrid genetic algorithm for the dynamic plant layout problem
US7043461B2 (en) Process and system for developing a predictive model
Sakawa et al. Fuzzy programming for multiobjective 0–1 programming problems through revised genetic algorithms
Balakrishnan et al. FACOPT: a user friendly FACility layout OPTimization system
US6748574B2 (en) Method of and apparatus for determining an optimal solution to a uniform-density layout problem, and medium on which a program for determining the solution is stored
Tompkins et al. Genetic algorithms in optimizing simulated systems
Subrata et al. Artificial life techniques for load balancing in computational grids
US8055600B2 (en) Systems and methods for applying evolutionary search to generate robust search strategies
JPH10307870A (ja) 遺伝的アルゴリズムを用いた職場配置システムおよび記録媒体
Bartz-Beielstein Experimental analysis of evolution strategies: Overview and comprehensive introduction
JP4987275B2 (ja) 生産スケジューリング装置及び生産スケジューリング方法、並びにプログラム
JP2003141214A (ja) 生産計画作成システム、生産計画作成方法、および生産計画の作成をコンピュータに実行させるためのプログラム
Charon et al. Lamarckian genetic algorithmsapplied to the aggregation of preferences
Brintrup et al. Evaluation of sequential, multi-objective, and parallel interactive genetic algorithms for multi-objective optimization problems
US20050081173A1 (en) IC design planning method and system
Khoo et al. A tabu-enhanced genetic algorithm approach to agile manufacturing
JP3827635B2 (ja) コンピュータによる住戸プランニング方法および記憶媒体並びにプログラム
Kirby et al. Effects of mutation and random drift on Leonard's gene-for-gene coevolution model
Hasan et al. Hybrid genetic algorithm for solving job-shop scheduling problem
US9047569B2 (en) Genetic optimization method and system
GB2288675A (en) Elevator control system