JPH1153191A - 最適グループ化のルール自動抽出方法及び最適配置システム - Google Patents
最適グループ化のルール自動抽出方法及び最適配置システムInfo
- Publication number
- JPH1153191A JPH1153191A JP9205654A JP20565497A JPH1153191A JP H1153191 A JPH1153191 A JP H1153191A JP 9205654 A JP9205654 A JP 9205654A JP 20565497 A JP20565497 A JP 20565497A JP H1153191 A JPH1153191 A JP H1153191A
- Authority
- JP
- Japan
- Prior art keywords
- rule
- grouping
- elements
- past
- constituent elements
- 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
Abstract
(57)【要約】
【課題】 熟練者にインタビューを行なうことなく、熟
練者が無意識に使っているグループ化ルールを含めて、
すべての有用な最適グループ化のルールを抽出する最適
グループ化のルール自動抽出方法を提供することを目的
とする。 【解決手段】 過去の集合の要素配置事例を記憶する過
去事例メモリ１２と、新たな集合の構成要素を記憶する
新事例メモリ１３と、前記過去事例メモリからの要素配
置事例から各構成要素間の距離をグループにするかしな
いかの判断基準として抽出したルール抽出するルール抽
出手段１８と、抽出されたルールに基づいて、新たな集
合の構成要素をグループ化できる要素対を推論する推論
手段１６と、推論した要素対に対してグループ化するグ
ループ化手段１７と、新たにグループ化された構成要素
を近くに配置する配置手段１９とを備えることにより、
最適に配置することができる。
練者が無意識に使っているグループ化ルールを含めて、
すべての有用な最適グループ化のルールを抽出する最適
グループ化のルール自動抽出方法を提供することを目的
とする。 【解決手段】 過去の集合の要素配置事例を記憶する過
去事例メモリ１２と、新たな集合の構成要素を記憶する
新事例メモリ１３と、前記過去事例メモリからの要素配
置事例から各構成要素間の距離をグループにするかしな
いかの判断基準として抽出したルール抽出するルール抽
出手段１８と、抽出されたルールに基づいて、新たな集
合の構成要素をグループ化できる要素対を推論する推論
手段１６と、推論した要素対に対してグループ化するグ
ループ化手段１７と、新たにグループ化された構成要素
を近くに配置する配置手段１９とを備えることにより、
最適に配置することができる。
Description
【０００１】
【発明の属する技術分野】本発明は、集合の構成要素を
最適にグループ化するためのルールを、過去の集合の要
素配置事例から自動抽出するための最適グループ化のル
ール自動抽出方法およびそれを応用した最適配置システ
ムに関する。
最適にグループ化するためのルールを、過去の集合の要
素配置事例から自動抽出するための最適グループ化のル
ール自動抽出方法およびそれを応用した最適配置システ
ムに関する。
【０００２】
【従来の技術】グループ化とは、多くの構成要素が存在
する集合に対して、要素間の関係が深い、要素間の属性
の値が類似している、あるいは、ある属性の値が共通で
ある、等によって、それら要素を一塊（仮想的な要素）
として扱い、問題を簡単化することである。グループ化
によって問題を簡単化できれば、実質の要素数が減少す
るため、より高速に、より最適な解を求めることができ
る。例えば、特開平４−２３１７３号公報に開示されて
いる基板配線システムでは、配線基板（集合）上でｎ個
の配線接続ポイント（構成要素）を配線する問題に対し
て、図４に示すように一筆書きのように配線接続ポイン
ト（構成要素）をつなぐと必ずしも最短の配線長になら
ないため、図５に示すように接続ポイント間の距離があ
る基準値δ以下であればそれらの接続ポイントを一塊に
グループ化し、１つの仮想的な接続ポイントとして扱う
ことで、最短の配線長を実現している。
する集合に対して、要素間の関係が深い、要素間の属性
の値が類似している、あるいは、ある属性の値が共通で
ある、等によって、それら要素を一塊（仮想的な要素）
として扱い、問題を簡単化することである。グループ化
によって問題を簡単化できれば、実質の要素数が減少す
るため、より高速に、より最適な解を求めることができ
る。例えば、特開平４−２３１７３号公報に開示されて
いる基板配線システムでは、配線基板（集合）上でｎ個
の配線接続ポイント（構成要素）を配線する問題に対し
て、図４に示すように一筆書きのように配線接続ポイン
ト（構成要素）をつなぐと必ずしも最短の配線長になら
ないため、図５に示すように接続ポイント間の距離があ
る基準値δ以下であればそれらの接続ポイントを一塊に
グループ化し、１つの仮想的な接続ポイントとして扱う
ことで、最短の配線長を実現している。
【０００３】同様に、例えば、多数の部品（構成要素）
が存在するプリント基板の部品配置問題に対しては、関
係の深い部品対をグループ化し、扱う要素の数を実質減
少させることにより、配置問題の解をより高速に、より
最適に求めることができる。
が存在するプリント基板の部品配置問題に対しては、関
係の深い部品対をグループ化し、扱う要素の数を実質減
少させることにより、配置問題の解をより高速に、より
最適に求めることができる。
【０００４】例えば、（吉村宏之、三浦伸治、プリント
基板設計ＣＡＤへのＡＩからのアプローチ、人工知能学
会全国大会（第１０回）チュートリアル、トラック１−
２、１９９６）によれば、グループ化するかしないかの
判断は、データベースに蓄積されたグループ化ルールと
要素対の属性とを比較し、一致すればその要素対をグル
ープ化し、実質の部品点数（要素数）を減少させる方法
であった。前述の基板配線システムの例でいえば、接続
ポイント間の距離に対する基準値δをデータベース（ま
たはメモリ等）に蓄えておき、要素間の距離がこの基準
値δ以下であることが、グループ化ルールに相当する。
プリント基板の部品配置問題等の複雑な問題では、グル
ープ化ルールは単に基準値δのようなスカラーを求める
のではなく、要素対の属性を考慮して、より細かなグル
ープ化ルールを抽出しなければ、実用的なグループ化が
望めない。従来、これらのルールは熟練者へのインタビ
ューによって抽出されている。
基板設計ＣＡＤへのＡＩからのアプローチ、人工知能学
会全国大会（第１０回）チュートリアル、トラック１−
２、１９９６）によれば、グループ化するかしないかの
判断は、データベースに蓄積されたグループ化ルールと
要素対の属性とを比較し、一致すればその要素対をグル
ープ化し、実質の部品点数（要素数）を減少させる方法
であった。前述の基板配線システムの例でいえば、接続
ポイント間の距離に対する基準値δをデータベース（ま
たはメモリ等）に蓄えておき、要素間の距離がこの基準
値δ以下であることが、グループ化ルールに相当する。
プリント基板の部品配置問題等の複雑な問題では、グル
ープ化ルールは単に基準値δのようなスカラーを求める
のではなく、要素対の属性を考慮して、より細かなグル
ープ化ルールを抽出しなければ、実用的なグループ化が
望めない。従来、これらのルールは熟練者へのインタビ
ューによって抽出されている。
【０００５】
【発明が解決しようとする課題】しかしながら、熟練者
へのインタビューにより抽出したグループ化ルールを用
いて要素のグループ化を行なっても、必ずしも熟練者が
満足できる納得する結果にはならないという課題があっ
た。つまり、グループ化が十分でないため、そのグルー
プ化に基づいて同一グループの要素を近くに自動配置を
行なっても、満足な配置結果にならないことが多かっ
た。これは、熟練者が無意識に使っているグループ化ル
ールがあり、熟練者へのインタビューによるグループ化
ルールの抽出方法では、これら無意識のグループ化ルー
ルが抽出できない課題があった。
へのインタビューにより抽出したグループ化ルールを用
いて要素のグループ化を行なっても、必ずしも熟練者が
満足できる納得する結果にはならないという課題があっ
た。つまり、グループ化が十分でないため、そのグルー
プ化に基づいて同一グループの要素を近くに自動配置を
行なっても、満足な配置結果にならないことが多かっ
た。これは、熟練者が無意識に使っているグループ化ル
ールがあり、熟練者へのインタビューによるグループ化
ルールの抽出方法では、これら無意識のグループ化ルー
ルが抽出できない課題があった。
【０００６】本発明は、熟練者にインタビューを行なう
ことなく、熟練者が無意識に使っているグループ化ルー
ルを含めて、すべての有用な最適グループ化のルールを
抽出する最適グループ化のルール自動抽出方法を提供す
ることを目的とする。
ことなく、熟練者が無意識に使っているグループ化ルー
ルを含めて、すべての有用な最適グループ化のルールを
抽出する最適グループ化のルール自動抽出方法を提供す
ることを目的とする。
【０００７】
【課題を解決するための手段】上記課題を解決するため
に本発明は、複数の構成要素によって構成された集合の
構成要素を最適にグループ化する最適グループ化のルー
ル抽出方法において、少なくとも過去の集合の要素配置
事例から各構成要素間の距離をグループにするかしない
かの判断基準としてルールの抽出を行なうことを特徴と
する最適グループ化のルール自動抽出方法を提供でき
る。
に本発明は、複数の構成要素によって構成された集合の
構成要素を最適にグループ化する最適グループ化のルー
ル抽出方法において、少なくとも過去の集合の要素配置
事例から各構成要素間の距離をグループにするかしない
かの判断基準としてルールの抽出を行なうことを特徴と
する最適グループ化のルール自動抽出方法を提供でき
る。
【０００８】さらに、複数の構成要素によって構成され
た集合の構成要素の最適配置システムであって、過去の
集合の要素配置事例を記憶する過去事例メモリと、新た
な集合の構成要素を記憶する新事例メモリと、前記過去
事例メモリからの要素配置事例から各構成要素間の距離
をグループにするかしないかの判断基準として抽出した
ルール抽出するルール抽出手段と、前記ルール抽出手段
からのルールに基づいて、前記新事例メモリからの新た
な集合の構成要素をグループ化できる要素対を推論する
推論手段と、前記推論手段で推論した要素対に対してグ
ループ化するグループ化手段と、前記グループ化手段で
新たにグループ化された構成要素を近くに配置する配置
手段とを備えることを特徴とする最適配置システムを提
供できる。
た集合の構成要素の最適配置システムであって、過去の
集合の要素配置事例を記憶する過去事例メモリと、新た
な集合の構成要素を記憶する新事例メモリと、前記過去
事例メモリからの要素配置事例から各構成要素間の距離
をグループにするかしないかの判断基準として抽出した
ルール抽出するルール抽出手段と、前記ルール抽出手段
からのルールに基づいて、前記新事例メモリからの新た
な集合の構成要素をグループ化できる要素対を推論する
推論手段と、前記推論手段で推論した要素対に対してグ
ループ化するグループ化手段と、前記グループ化手段で
新たにグループ化された構成要素を近くに配置する配置
手段とを備えることを特徴とする最適配置システムを提
供できる。
【０００９】
【発明の実施の形態】本発明の請求項１に記載の発明
は、複数の構成要素によって構成された集合の構成要素
を最適にグループ化する最適グループ化のルール抽出方
法において、少なくとも過去の集合の要素配置事例から
各構成要素間の距離をグループにするかしないかの判断
基準としてルールの抽出を行なうもので、各構成要素間
の距離をグループにするかしないかの判断基準として過
去の集合の要素配置事例から自動的にルールの抽出を行
なうことにより、熟練者にインタビューを行なうことな
く、熟練者が無意識に使っているグループ化ルールを含
めて、すべての有用なグループ化ルールが最適に抽出す
るという作用を有する。
は、複数の構成要素によって構成された集合の構成要素
を最適にグループ化する最適グループ化のルール抽出方
法において、少なくとも過去の集合の要素配置事例から
各構成要素間の距離をグループにするかしないかの判断
基準としてルールの抽出を行なうもので、各構成要素間
の距離をグループにするかしないかの判断基準として過
去の集合の要素配置事例から自動的にルールの抽出を行
なうことにより、熟練者にインタビューを行なうことな
く、熟練者が無意識に使っているグループ化ルールを含
めて、すべての有用なグループ化ルールが最適に抽出す
るという作用を有する。
【００１０】請求項２に記載の発明は、複数の構成要素
によって構成された集合の構成要素を最適にグループ化
する最適グループ化のルール抽出方法において、少なく
とも過去の集合の要素配置事例から各構成要素間の類似
度をグループにするかしないかの判断基準としてルール
の抽出を行なうもので、各構成要素間の類似度をグルー
プにするかしないかの判断基準として過去の集合の要素
配置事例から自動的にルールの抽出を行なうことによ
り、熟練者にインタビューを行なうことなく、熟練者が
無意識に使っているグループ化ルールを含めて、すべて
の有用なグループ化ルールが最適に抽出するという作用
を有する。
によって構成された集合の構成要素を最適にグループ化
する最適グループ化のルール抽出方法において、少なく
とも過去の集合の要素配置事例から各構成要素間の類似
度をグループにするかしないかの判断基準としてルール
の抽出を行なうもので、各構成要素間の類似度をグルー
プにするかしないかの判断基準として過去の集合の要素
配置事例から自動的にルールの抽出を行なうことによ
り、熟練者にインタビューを行なうことなく、熟練者が
無意識に使っているグループ化ルールを含めて、すべて
の有用なグループ化ルールが最適に抽出するという作用
を有する。
【００１１】請求項３に記載の発明は、過去の集合の要
素配置事例からの各構成要素間の距離または類似度の分
布に応じて、基準値よりも近い場合はその２つの要素の
属性パターンをグループ化するルールとし、基準値より
も遠い場合はその２つの要素の属性パターンをグループ
化しないルールとして自動抽出するもので、グループ化
するルールとグループ化しないルールとを持つことで、
グループ化が容易となり、熟練者が無意識に使っている
グループ化ルールを含めて、すべての有用なグループ化
ルールが最適に抽出するという作用を有する。
素配置事例からの各構成要素間の距離または類似度の分
布に応じて、基準値よりも近い場合はその２つの要素の
属性パターンをグループ化するルールとし、基準値より
も遠い場合はその２つの要素の属性パターンをグループ
化しないルールとして自動抽出するもので、グループ化
するルールとグループ化しないルールとを持つことで、
グループ化が容易となり、熟練者が無意識に使っている
グループ化ルールを含めて、すべての有用なグループ化
ルールが最適に抽出するという作用を有する。
【００１２】請求項４に記載の発明は、過去の集合の要
素配置事例からの各構成要素間の距離または類似度に応
じて、基準値よりも近い場合その２つの要素の属性パタ
ーンがすでにグループ化しないルールとして抽出されて
いるか、もしくは、当該の事例中に同じ属性パターンの
要素間の距離または類似度が基準値よりも遠い場合が存
在した場合は、当該要素間は偶然近くになったと判断
し、この属性パターンをグループ化しないルールとして
自動抽出し、それ以外の近い場合をグループ化するルー
ルとして自動抽出するもので、偶然近くに配置された要
素間の属性パターンをグループ化しないルールとするこ
とにより、熟練者にインタビューを行なうことなく、熟
練者が無意識に使っているグループ化ルールを含めて、
すべての有用なグループ化ルールが最適に抽出するとい
う作用を有する。
素配置事例からの各構成要素間の距離または類似度に応
じて、基準値よりも近い場合その２つの要素の属性パタ
ーンがすでにグループ化しないルールとして抽出されて
いるか、もしくは、当該の事例中に同じ属性パターンの
要素間の距離または類似度が基準値よりも遠い場合が存
在した場合は、当該要素間は偶然近くになったと判断
し、この属性パターンをグループ化しないルールとして
自動抽出し、それ以外の近い場合をグループ化するルー
ルとして自動抽出するもので、偶然近くに配置された要
素間の属性パターンをグループ化しないルールとするこ
とにより、熟練者にインタビューを行なうことなく、熟
練者が無意識に使っているグループ化ルールを含めて、
すべての有用なグループ化ルールが最適に抽出するとい
う作用を有する。
【００１３】請求項５に記載の発明は、複数の構成要素
によって構成された集合の構成要素の最適配置システム
であって、過去の集合の要素配置事例を記憶する過去事
例メモリと、新たな集合の構成要素を記憶する新事例メ
モリと、前記過去事例メモリからの要素配置事例から各
構成要素間の距離をグループにするかしないかの判断基
準として抽出したルール抽出するルール抽出手段と、前
記ルール抽出手段からのルールに基づいて、前記新事例
メモリからの新たな集合の構成要素をグループ化できる
要素対を推論する推論手段と、前記推論手段で推論した
要素対に対してグループ化するグループ化手段と、前記
グループ化手段で新たにグループ化された構成要素を近
くに配置する配置手段とを備えるもので、各構成要素間
の距離または類似度をグループにするかしないかの判断
基準として過去の集合の要素配置事例から自動的にルー
ルの抽出を行なうことにより、熟練者にインタビューを
行なうことなく、熟練者が無意識に使っているグループ
化ルールを含めて、最適に抽出されたすべての有用なグ
ループ化ルールを用いてグループ化し、最適な配置がで
きるという作用を有する。
によって構成された集合の構成要素の最適配置システム
であって、過去の集合の要素配置事例を記憶する過去事
例メモリと、新たな集合の構成要素を記憶する新事例メ
モリと、前記過去事例メモリからの要素配置事例から各
構成要素間の距離をグループにするかしないかの判断基
準として抽出したルール抽出するルール抽出手段と、前
記ルール抽出手段からのルールに基づいて、前記新事例
メモリからの新たな集合の構成要素をグループ化できる
要素対を推論する推論手段と、前記推論手段で推論した
要素対に対してグループ化するグループ化手段と、前記
グループ化手段で新たにグループ化された構成要素を近
くに配置する配置手段とを備えるもので、各構成要素間
の距離または類似度をグループにするかしないかの判断
基準として過去の集合の要素配置事例から自動的にルー
ルの抽出を行なうことにより、熟練者にインタビューを
行なうことなく、熟練者が無意識に使っているグループ
化ルールを含めて、最適に抽出されたすべての有用なグ
ループ化ルールを用いてグループ化し、最適な配置がで
きるという作用を有する。
【００１４】請求項６に記載の発明は、コンピュータに
よってグループ化ルールの抽出を行なうプログラムであ
って、過去の集合の要素配置事例から自動的にルールの
抽出を行なう際に、各構成要素間の距離または類似度を
グループにするかしないかの判断基準にすることを特徴
とする最適グループ化のルール自動抽出方法のプログラ
ムを記録した記録媒体であり、各コンピュータにプログ
ラムをインストールすることにより、熟練者にインタビ
ューを行なうことなく、熟練者が無意識に使っているグ
ループ化ルールを含めて、すべての有用なグループ化ル
ールが最適に抽出するという作用を有する。
よってグループ化ルールの抽出を行なうプログラムであ
って、過去の集合の要素配置事例から自動的にルールの
抽出を行なう際に、各構成要素間の距離または類似度を
グループにするかしないかの判断基準にすることを特徴
とする最適グループ化のルール自動抽出方法のプログラ
ムを記録した記録媒体であり、各コンピュータにプログ
ラムをインストールすることにより、熟練者にインタビ
ューを行なうことなく、熟練者が無意識に使っているグ
ループ化ルールを含めて、すべての有用なグループ化ル
ールが最適に抽出するという作用を有する。
【００１５】以下、本発明の実施の形態について、図１
から図３を用いて説明する。 （実施の形態１）図１は、本発明の実施形態１の最適配
置システムの構成図である。図１において、１１は初期
条件として距離に関する基準値を格納する初期条件設定
部、１２は過去の集合の要素配置事例（各構成要素の位
置情報と属性値）を格納する過去事例メモリ部、１３は
新たな集合の構成要素の位置情報と属性値とを格納する
新事例メモリ部、１４は過去事例メモリ部１１から各構
成要素の位置情報と属性値とを得て学習を行ない、学習
の結果に基づきグループ化ルールを抽出する学習部、１
５は学習部１４によって抽出されたグループ化ルールを
格納するグループ化ルール保持部、１６はグループ化ル
ール保持部１５に格納されたルールに基づき、新事例メ
モリ部１３から得る新たな集合の構成要素に対して、グ
ループ化できる要素対を推論する推論部、１７は推論部
１６がグループ化できると推論した要素対に対して、新
事例メモリ部から得た新たな集合の構成要素のグループ
化を行なうグループ化部、１８は学習部１４とグループ
化ルール保持部１５によって構成されるルール抽出部、
１９はグループ化部１７でグループ化された要素を近く
に配置する配置部である。
から図３を用いて説明する。 （実施の形態１）図１は、本発明の実施形態１の最適配
置システムの構成図である。図１において、１１は初期
条件として距離に関する基準値を格納する初期条件設定
部、１２は過去の集合の要素配置事例（各構成要素の位
置情報と属性値）を格納する過去事例メモリ部、１３は
新たな集合の構成要素の位置情報と属性値とを格納する
新事例メモリ部、１４は過去事例メモリ部１１から各構
成要素の位置情報と属性値とを得て学習を行ない、学習
の結果に基づきグループ化ルールを抽出する学習部、１
５は学習部１４によって抽出されたグループ化ルールを
格納するグループ化ルール保持部、１６はグループ化ル
ール保持部１５に格納されたルールに基づき、新事例メ
モリ部１３から得る新たな集合の構成要素に対して、グ
ループ化できる要素対を推論する推論部、１７は推論部
１６がグループ化できると推論した要素対に対して、新
事例メモリ部から得た新たな集合の構成要素のグループ
化を行なうグループ化部、１８は学習部１４とグループ
化ルール保持部１５によって構成されるルール抽出部、
１９はグループ化部１７でグループ化された要素を近く
に配置する配置部である。
【００１６】以下に、最適配置システムの動作について
説明する。初期条件設定部１１は、設定された基準値を
学習部１４に送る。過去事例メモリ部１２は過去の集合
の要素配置事例を格納しており、各構成要素の位置情報
と属性値とを学習部に送る。学習部１４は、初期条件設
定部１１で設定された基準値と過去事例メモリ部１２か
ら過去の集合の構成要素の位置情報と属性値とを得、す
べての要素対に対して基準値と比較し、要素間の距離が
基準値よりも近ければその属性パターンをグループ化ル
ールとすると判断し、基準値よりも遠ければ、グループ
化しないルールとして判断する。
説明する。初期条件設定部１１は、設定された基準値を
学習部１４に送る。過去事例メモリ部１２は過去の集合
の要素配置事例を格納しており、各構成要素の位置情報
と属性値とを学習部に送る。学習部１４は、初期条件設
定部１１で設定された基準値と過去事例メモリ部１２か
ら過去の集合の構成要素の位置情報と属性値とを得、す
べての要素対に対して基準値と比較し、要素間の距離が
基準値よりも近ければその属性パターンをグループ化ル
ールとすると判断し、基準値よりも遠ければ、グループ
化しないルールとして判断する。
【００１７】また、学習部１４は、学習に際し、グルー
プ化ルール保持部１５にすでに記憶されたグループ化ル
ールを参照することができる。グループ化ルール保持部
１５は、学習の結果に基づき、ルールの生成や変更や削
除を行ない、保持されているグループ化ルールの内容を
書き換える。過去の集合の要素に対して、すべての要素
対について学習を行なうまで学習を行なう。
プ化ルール保持部１５にすでに記憶されたグループ化ル
ールを参照することができる。グループ化ルール保持部
１５は、学習の結果に基づき、ルールの生成や変更や削
除を行ない、保持されているグループ化ルールの内容を
書き換える。過去の集合の要素に対して、すべての要素
対について学習を行なうまで学習を行なう。
【００１８】推論部１６は、グループ化ルール保持部１
５に記憶されたルールを参照し、新事例メモリ部１３か
ら送られたグループ化されていない新たな集合のすべて
の要素対に対してグループ化できるかできないかを推論
する。推論部１６での推論の際は、当該属性対の属性の
パターンと一致するグループ化ルールがグループ化ルー
ル保持部１５に存在すれば、グループ化できると推論す
る。
５に記憶されたルールを参照し、新事例メモリ部１３か
ら送られたグループ化されていない新たな集合のすべて
の要素対に対してグループ化できるかできないかを推論
する。推論部１６での推論の際は、当該属性対の属性の
パターンと一致するグループ化ルールがグループ化ルー
ル保持部１５に存在すれば、グループ化できると推論す
る。
【００１９】グループ化部１７は、推論部１６によって
グループ化できると推論された要素対を一塊にしてグル
ープ化し、配置問題などを簡単化することができる。配
置部１９は、グループ化部１７によって同一グループ化
に属する要素集合について、互いを近くに配置するよう
に当該要素の位置情報を更新するものである。
グループ化できると推論された要素対を一塊にしてグル
ープ化し、配置問題などを簡単化することができる。配
置部１９は、グループ化部１７によって同一グループ化
に属する要素集合について、互いを近くに配置するよう
に当該要素の位置情報を更新するものである。
【００２０】次に、本発明の最適配置システムの応用例
として、プリント基板ＣＡＤを使った自動部品配置シス
テムを具体的に説明する。
として、プリント基板ＣＡＤを使った自動部品配置シス
テムを具体的に説明する。
【００２１】本実施例の形態では、１つの電子部品は１
つの構成要素に対応し、部品の座標を位置情報とし、部
品番号、部品の種類、直接つながっている部品の部品番
号と種類を属性とする。部品番号によって、プリント基
板上の部品を特定できるものとする。
つの構成要素に対応し、部品の座標を位置情報とし、部
品番号、部品の種類、直接つながっている部品の部品番
号と種類を属性とする。部品番号によって、プリント基
板上の部品を特定できるものとする。
【００２２】プリント基板ＣＡＤを使った自動部品配置
システムに応用した最適グループ化のルール自動抽出の
処理フローを図２に示し説明する。
システムに応用した最適グループ化のルール自動抽出の
処理フローを図２に示し説明する。
【００２３】ステップ１０１は、部品間の距離が近いか
遠いかの判断するために必要な基準値と、学習させる過
去事例の数（熟練者による配置済みのプリント基板の枚
数）を、初期条件設定部１１に設定し、この基準値を学
習部１４に送る。さらに、グループ化ルール保持部を初
期化しておく。なお、この実施例では基準値を１つとし
ているが、遠いと判断する基準値と、近いと判断する基
準値とを異なる値とし、２つにしてもよい。
遠いかの判断するために必要な基準値と、学習させる過
去事例の数（熟練者による配置済みのプリント基板の枚
数）を、初期条件設定部１１に設定し、この基準値を学
習部１４に送る。さらに、グループ化ルール保持部を初
期化しておく。なお、この実施例では基準値を１つとし
ているが、遠いと判断する基準値と、近いと判断する基
準値とを異なる値とし、２つにしてもよい。
【００２４】ステップ１０２は、過去事例を過去事例メ
モリ部に設定する。設定する値は、各部品の座標と、部
品番号と、ＩＣ、コンデンサ、抵抗等の部品の種類と、
直接つながっている部品の部品番号と部品の種類であ
る。
モリ部に設定する。設定する値は、各部品の座標と、部
品番号と、ＩＣ、コンデンサ、抵抗等の部品の種類と、
直接つながっている部品の部品番号と部品の種類であ
る。
【００２５】ステップ１０３では、学習部１４が過去事
例メモリ部１２に設定された部品のうち、直接つながっ
ている部品対のうち１対について、その２つの部品の座
標と属性値を、過去事例メモリ部から取り出す。
例メモリ部１２に設定された部品のうち、直接つながっ
ている部品対のうち１対について、その２つの部品の座
標と属性値を、過去事例メモリ部から取り出す。
【００２６】ステップ１０４は、学習部１４がステップ
１０３で過去事例メモリ部から取り出した２つの部品の
座標値から、部品間のユークリッド距離を求め、そのユ
ークリッド距離を基準値と比較する。
１０３で過去事例メモリ部から取り出した２つの部品の
座標値から、部品間のユークリッド距離を求め、そのユ
ークリッド距離を基準値と比較する。
【００２７】ステップ１０５は、ステップ１０４で部品
間の距離が近いと判断された場合は、グループ化ルール
保持部１５に保持されているルールを参照し、この２つ
の部品の属性値（属性パターン）に一致するルールが存
在するか存在しないかをチェックする。一致するルール
が存在しなければ、この属性パターンをグループ化する
ルールとしてグループ化ルール保持部１５に追加、また
はグループ化するルールを一般化する。すでにグループ
化するルールとして保持されている場合は、グループ化
ルール保持部１５のルールを変更しない。グループ化し
ないルールとして保持されている場合は、保持されてい
るグループ化しないルールを特殊化、または当該属性パ
ターンと一致するルールを削除するする変更を行なう。
間の距離が近いと判断された場合は、グループ化ルール
保持部１５に保持されているルールを参照し、この２つ
の部品の属性値（属性パターン）に一致するルールが存
在するか存在しないかをチェックする。一致するルール
が存在しなければ、この属性パターンをグループ化する
ルールとしてグループ化ルール保持部１５に追加、また
はグループ化するルールを一般化する。すでにグループ
化するルールとして保持されている場合は、グループ化
ルール保持部１５のルールを変更しない。グループ化し
ないルールとして保持されている場合は、保持されてい
るグループ化しないルールを特殊化、または当該属性パ
ターンと一致するルールを削除するする変更を行なう。
【００２８】遠いと判断された場合は、グループ化ルー
ル保持部１５に保持されているルールを参照し、この２
つの部品の属性値（属性パターン）に一致するルールが
存在するか存在しないかをチェックする。一致するルー
ルが存在しなければ、この属性パターンをグループ化し
ないルールとしてグループ化ルール保持部１５に追加、
またはグループ化しないルールを一般化する。すでにグ
ループ化しないルールとして保持されている場合は、グ
ループ化ルール保持部１５のルールを変更しない。グル
ープ化するルールとして保持されている場合は、保持さ
れているグループ化するルールを特殊化、または当該属
性パターンと一致するルールを削除する変更を行なう。
この方法によってルール抽出部１８でルールの抽出を行
なう。
ル保持部１５に保持されているルールを参照し、この２
つの部品の属性値（属性パターン）に一致するルールが
存在するか存在しないかをチェックする。一致するルー
ルが存在しなければ、この属性パターンをグループ化し
ないルールとしてグループ化ルール保持部１５に追加、
またはグループ化しないルールを一般化する。すでにグ
ループ化しないルールとして保持されている場合は、グ
ループ化ルール保持部１５のルールを変更しない。グル
ープ化するルールとして保持されている場合は、保持さ
れているグループ化するルールを特殊化、または当該属
性パターンと一致するルールを削除する変更を行なう。
この方法によってルール抽出部１８でルールの抽出を行
なう。
【００２９】ステップ１０６は、直接つながっている部
品対のすべての組み合わせについてルール抽出を行なっ
たかをチェックする。すべての組み合わせについてルー
ル抽出を行なった場合は、ステップ１０７に進む。すべ
ての組み合わせについてルール抽出を行なっていない場
合は、ステップ１０３に戻り、ルール抽出を行なってい
ない部品対について、ステップ１０３からステップ１０
６を繰り返す。
品対のすべての組み合わせについてルール抽出を行なっ
たかをチェックする。すべての組み合わせについてルー
ル抽出を行なった場合は、ステップ１０７に進む。すべ
ての組み合わせについてルール抽出を行なっていない場
合は、ステップ１０３に戻り、ルール抽出を行なってい
ない部品対について、ステップ１０３からステップ１０
６を繰り返す。
【００３０】ステップ１０７は、ステップ１０１で初期
条件設定部１１に設定された過去事例の数すべてについ
てルール抽出を行なったかをチェックする。すべての過
去事例についてルール抽出を行なった場合は、ステップ
１０８に進む。
条件設定部１１に設定された過去事例の数すべてについ
てルール抽出を行なったかをチェックする。すべての過
去事例についてルール抽出を行なった場合は、ステップ
１０８に進む。
【００３１】すべての過去事例について行なっていない
場合は、ステップ１０２に戻り、別の過去事例を過去事
例メモリ部に入力し、ステップ１０２からステップ１０
７を繰り返すものである。
場合は、ステップ１０２に戻り、別の過去事例を過去事
例メモリ部に入力し、ステップ１０２からステップ１０
７を繰り返すものである。
【００３２】なお、ステップ１０４で部品間の距離をユ
ークリッド距離で求めたが、ハミング距離、マハラノビ
ス距離、バッタチャリ距離または独自に定義した類似度
を表す関数を用いることもできる。
ークリッド距離で求めたが、ハミング距離、マハラノビ
ス距離、バッタチャリ距離または独自に定義した類似度
を表す関数を用いることもできる。
【００３３】次に、プリント基板ＣＡＤを使った自動部
品配置システムに応用したルールに基づいてグループ化
し、部品を最適配置する処理フローを図３に示し説明す
る。
品配置システムに応用したルールに基づいてグループ化
し、部品を最適配置する処理フローを図３に示し説明す
る。
【００３４】ステップ１０８は、これから配置しようと
するプリント基板の各部品の座標と、部品番号と、Ｉ
Ｃ、コンデンサ、抵抗等の部品の種類と、直接つながっ
ている部品の部品番号と部品の種類を新事例メモリ部１
３に入力する。なお、各部品の座標については入力しな
くてもよい。
するプリント基板の各部品の座標と、部品番号と、Ｉ
Ｃ、コンデンサ、抵抗等の部品の種類と、直接つながっ
ている部品の部品番号と部品の種類を新事例メモリ部１
３に入力する。なお、各部品の座標については入力しな
くてもよい。
【００３５】ステップ１０９は、推論部１６の処理で新
事例メモリ部１３に設定された部品のうち、直接つなが
っている部品対のうち１対について、その２つの部品の
属性値を、新事例メモリ部から取り出す。
事例メモリ部１３に設定された部品のうち、直接つなが
っている部品対のうち１対について、その２つの部品の
属性値を、新事例メモリ部から取り出す。
【００３６】ステップ１１０は、ステップ１０９で選ん
だ２つの部品の属性値パターンと同じパターンがグルー
プ化ルール保持部１５に存在するかのチェックを推論部
１６で行なう。同じパターンが存在すれば、ステップ１
１１へ進み、存在しない場合は、ステップ１１２へ進
む。
だ２つの部品の属性値パターンと同じパターンがグルー
プ化ルール保持部１５に存在するかのチェックを推論部
１６で行なう。同じパターンが存在すれば、ステップ１
１１へ進み、存在しない場合は、ステップ１１２へ進
む。
【００３７】ステップ１１１では、２つの部品をグルー
プ化する。この実施例では、推論結果として、この２つ
の部品番号（または部品名）を推論部１６に記憶する。
プ化する。この実施例では、推論結果として、この２つ
の部品番号（または部品名）を推論部１６に記憶する。
【００３８】ステップ１１２は、直接つながっている部
品対のすべての組み合わせについてルール抽出を行なっ
たかをチェックする。すべての組み合わせについてルー
ル抽出を行なった場合は、ステップ１１３に進む。すべ
ての組み合わせについてルール抽出を行なっていない場
合は、ステップ１０９に戻り、ルール抽出を行なってい
ない部品対について、ステップ１０９からステップ１１
２を繰り返す。
品対のすべての組み合わせについてルール抽出を行なっ
たかをチェックする。すべての組み合わせについてルー
ル抽出を行なった場合は、ステップ１１３に進む。すべ
ての組み合わせについてルール抽出を行なっていない場
合は、ステップ１０９に戻り、ルール抽出を行なってい
ない部品対について、ステップ１０９からステップ１１
２を繰り返す。
【００３９】ステップ１１３は、推論部１６に記憶され
ている部品対について、同じグループに属する部品を一
塊にし、グループ化を行なう。この実施例では各部品が
属するグループを特定できるように、グループ名（また
はグループ番号）とそのグループに属する部品名（また
は部品番号）をグループ化部１７に記憶する。推論部に
記憶されている部品対について順にチェックするが、ど
ちらか一方の部品がすでにグループ化部１７に記憶され
たグループに存在すれば、他方の部品をそのグループに
加える。その部品対のいずれの部品もグループ化部１７
に記憶されていなければ、任意にグループ名（またはグ
ループ番号）を新たに生成し、２つの部品名（または部
品番号）を新たに生成したグループに加える。
ている部品対について、同じグループに属する部品を一
塊にし、グループ化を行なう。この実施例では各部品が
属するグループを特定できるように、グループ名（また
はグループ番号）とそのグループに属する部品名（また
は部品番号）をグループ化部１７に記憶する。推論部に
記憶されている部品対について順にチェックするが、ど
ちらか一方の部品がすでにグループ化部１７に記憶され
たグループに存在すれば、他方の部品をそのグループに
加える。その部品対のいずれの部品もグループ化部１７
に記憶されていなければ、任意にグループ名（またはグ
ループ番号）を新たに生成し、２つの部品名（または部
品番号）を新たに生成したグループに加える。
【００４０】ステップ１１４は、配置部１９の処理でグ
ループ化部１７において同一グループに属する部品を近
くに配置する。すなわち当該部品をできるだけ近傍に配
置するため、各部品の座標を書き換え、ファイルに出力
するか、ステップ１０８で読み込んだ新事例の各部品の
座標を上書きする。
ループ化部１７において同一グループに属する部品を近
くに配置する。すなわち当該部品をできるだけ近傍に配
置するため、各部品の座標を書き換え、ファイルに出力
するか、ステップ１０８で読み込んだ新事例の各部品の
座標を上書きする。
【００４１】なお、グループ化ルール保持部１５のグル
ープ化ルールは、予め熟練者へのインタビューや他のシ
ステム等によってグループ化ルールの一部または全部を
入力しておくこともできる。これにより、ルール抽出を
早く行うことができるようになる。
ープ化ルールは、予め熟練者へのインタビューや他のシ
ステム等によってグループ化ルールの一部または全部を
入力しておくこともできる。これにより、ルール抽出を
早く行うことができるようになる。
【００４２】
【発明の効果】以上のように本発明は、過去の集合の要
素配置事例から各構成要素間の距離をグループにするか
しないかの判断基準としてルールの抽出を行なうことに
より、熟練者にインタビューを行なうことなく、熟練者
が無意識に用いているグループ化ルールをも抽出するこ
とができる。
素配置事例から各構成要素間の距離をグループにするか
しないかの判断基準としてルールの抽出を行なうことに
より、熟練者にインタビューを行なうことなく、熟練者
が無意識に用いているグループ化ルールをも抽出するこ
とができる。
【００４３】さらに、グループ化されていない新たな集
合の構成要素をグループ化ルールに基づき、最適に再配
置することができる。
合の構成要素をグループ化ルールに基づき、最適に再配
置することができる。
【図１】本発明の実施の形態１による最適配置システム
の構成図
の構成図
【図２】同最適配置システムのルール抽出処理の処理フ
ローチャート
ローチャート
【図３】同最適配置システムの部品を最適配置する処理
フローチャート
フローチャート
【図４】従来のグループ化を行なわない場合の基板配線
結果を説明する図
結果を説明する図
【図５】従来のグループ化を行なった場合の基板配線結
果を説明する図
果を説明する図
１１ 初期条件設定部 １２ 過去事例メモリ部 １３ 新事例メモリ部 １４ 学習部 １５ グループ化ルール保持部 １６ 推論部 １７ グループ化部 １８ ルール抽出部 １９ 配置部
Claims (6)
- 【請求項１】 複数の構成要素によって構成された集合
の構成要素を最適にグループ化する最適グループ化のル
ール抽出方法において、少なくとも過去の集合の要素配
置事例から各構成要素間の距離をグループにするかしな
いかの判断基準としてルールの抽出を行なうことを特徴
とする最適グループ化のルール自動抽出方法。 - 【請求項２】 複数の構成要素によって構成された集合
の構成要素を最適にグループ化する最適グループ化のル
ール抽出方法において、少なくとも過去の集合の要素配
置事例から各構成要素間の類似度をグループにするかし
ないかの判断基準としてルールの抽出を行なうことを特
徴とする最適グループ化のルール自動抽出方法。 - 【請求項３】 過去の集合の要素配置事例からの各構成
要素間の距離または類似度の分布に応じて、基準値より
も近い場合はその２つの要素の属性パターンをグループ
化するルールとし、基準値よりも遠い場合はその２つの
要素の属性パターンをグループ化しないルールとして自
動抽出することを特徴とする請求項１または２記載の最
適グループ化のルール自動抽出方法。 - 【請求項４】 過去の集合の要素配置事例において、要
素間の距離または類似度の分布に応じて、基準値よりも
近い場合のうち、その２つの要素の属性パターンがすで
にグループ化しないルールとして抽出されているか、も
しくは、当該の事例中に同じ属性パターンの要素間の距
離または類似度が基準値よりも遠い場合が存在した場合
は、当該要素間は偶然近くになったと判断し、この属性
パターンをグループ化しないルールとして自動抽出し、
それ以外の近い場合をグループ化するルールとして自動
抽出することを特徴とする請求項１または２記載の最適
グループ化のルール自動抽出方法。 - 【請求項５】 複数の構成要素によって構成された集合
の構成要素の最適配置システムであって、過去の集合の
要素配置事例を記憶する過去事例メモリと、新たな集合
の構成要素を記憶する新事例メモリと、前記過去事例メ
モリからの要素配置事例から各構成要素間の距離をグル
ープにするかしないかの判断基準として抽出したルール
抽出するルール抽出手段と、前記ルール抽出手段からの
ルールに基づいて、前記新事例メモリからの新たな集合
の構成要素をグループ化できる要素対を推論する推論手
段と、前記推論手段で推論した要素対に対してグループ
化するグループ化手段と、前記グループ化手段で新たに
グループ化された構成要素を近くに配置する配置手段と
を備えることを特徴とする最適配置システム。 - 【請求項６】 コンピュータによってグループ化ルール
の抽出を行なうプログラムであって、過去の集合の要素
配置事例から自動的にルールの抽出を行なう際に、各構
成要素間の距離または類似度をグループにするかしない
かの判断基準にすることを特徴とする最適グループ化の
ルール自動抽出方法のプログラムを記録した記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9205654A JPH1153191A (ja) | 1997-07-31 | 1997-07-31 | 最適グループ化のルール自動抽出方法及び最適配置システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP9205654A JPH1153191A (ja) | 1997-07-31 | 1997-07-31 | 最適グループ化のルール自動抽出方法及び最適配置システム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH1153191A true JPH1153191A (ja) | 1999-02-26 |
Family
ID=16510481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP9205654A Pending JPH1153191A (ja) | 1997-07-31 | 1997-07-31 | 最適グループ化のルール自動抽出方法及び最適配置システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH1153191A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013145004A1 (ja) | 2012-03-28 | 2013-10-03 | 富士通株式会社 | 情報処理装置、情報処理方法および情報処理システム |
-
1997
- 1997-07-31 JP JP9205654A patent/JPH1153191A/ja active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013145004A1 (ja) | 2012-03-28 | 2013-10-03 | 富士通株式会社 | 情報処理装置、情報処理方法および情報処理システム |
| US9843627B2 (en) | 2012-03-28 | 2017-12-12 | Fujitsu Limited | Information processing method, information processing device, and storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7013315B1 (en) | Synchronization of databases with record sanitizing and intelligent comparison | |
| US6532480B1 (en) | Synchronization of databases with record sanitizing and intelligent comparison | |
| US5301318A (en) | Hierarchical netlist extraction tool | |
| US5581474A (en) | Identifying overconstraints using port abstraction graphs | |
| CN101535946A (zh) | 素数网数据管理系统 | |
| US6530072B1 (en) | Rule based hierarchy generation in a circuit design verification system | |
| Zaidi | On temporal logic programming using Petri nets | |
| Belli et al. | Specification of fault-tolerant system issues by predicate/transition nets and regular expressions-approach and case study | |
| Aiken et al. | An automated idea consolidation tool for computer supported cooperative work | |
| US20050155006A1 (en) | Constraint data management for electronic design automation | |
| Neufeld et al. | Generating consistent test data: Restricting the search space by a generator formula | |
| Oliveira et al. | Efficient search techniques for the inference of minimum size finite automata | |
| Laird | Soar User's Manual. | |
| Batra | A framework for studying human error behavior in conceptual database modeling | |
| JPH1153191A (ja) | 最適グループ化のルール自動抽出方法及び最適配置システム | |
| US7409380B1 (en) | Facilitated reuse of K locations in a knowledge store | |
| Dias et al. | Dynamic evolution in workflow management systems | |
| CN107368569A (zh) | 数据差异对比方法和装置、存储介质以及处理器 | |
| Crow et al. | The role of built-in knowledge in adaptive interface systems | |
| Takadama et al. | Multiagent reinforcement learning with organizational-learning oriented classifier system | |
| US7139773B2 (en) | Object matching management system enabling instantaneous reflection of change in object information in operation terminals | |
| CN117435774A (zh) | 一种网络图处理方法及装置 | |
| JPH04319744A (ja) | データベースのオブジェクトの部分集合の管理方式 | |
| US5241623A (en) | Method and system for delineation of structure and linkages between knowledge base modules | |
| Gotlieb et al. | Data schemata based on directed graphs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040316 |