WO2018042840A1 - 連続値最適化問題の大域的探索装置及びプログラム - Google Patents

連続値最適化問題の大域的探索装置及びプログラム Download PDF

Info

Publication number
WO2018042840A1
WO2018042840A1 PCT/JP2017/023050 JP2017023050W WO2018042840A1 WO 2018042840 A1 WO2018042840 A1 WO 2018042840A1 JP 2017023050 W JP2017023050 W JP 2017023050W WO 2018042840 A1 WO2018042840 A1 WO 2018042840A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
individuals
individual
variable
evaluation
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.)
Ceased
Application number
PCT/JP2017/023050
Other languages
English (en)
French (fr)
Inventor
俊太郎 岡田
雅能 寺部
真之 大関
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.)
Denso Corp
Kyoto University NUC
Original Assignee
Denso Corp
Kyoto University NUC
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 Denso Corp, Kyoto University NUC filed Critical Denso Corp
Publication of WO2018042840A1 publication Critical patent/WO2018042840A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass

Definitions

  • This disclosure relates to a global search apparatus and program for continuous value optimization problems.
  • Patent Document 1 For example, a method for obtaining an optimum value of a variable, that is, a parameter in a multidimensional search space has been proposed (for example, see Patent Document 1).
  • a plurality of individuals whose elements are the parameters for which the optimum value is calculated are generated in the search space, the evaluation values of these individuals are calculated, and the individuals with bad evaluation values are selected from the individuals. Is selected. Then, the selected individual is brought close to an individual having a good evaluation value at a predetermined rate.
  • an individual with a bad evaluation value is moved to an arbitrary region within a certain Euclidean distance from the individual with the best evaluation value.
  • the purpose of the present disclosure is to search for the minimum or maximum value of an evaluation function having a plurality of extreme values so that the optimal value can be reached with as few times as possible while increasing the probability of reaching the optimal value of the variable.
  • an optimization device that derives an individual variable or an optimal value of a variable based on setting an individual in an evaluation function having a plurality of extreme values in a search space having one or more dimensions Is targeted.
  • the setting unit sets variables for multiple individuals according to the evaluation function in the search space.
  • the extreme value unit derives an attraction potential that causes attraction to act on at least two or more selected individuals among a plurality of individuals set by the setting unit, and adds an evaluation value of an evaluation function by the plurality of individuals
  • the effective evaluation value obtained by adding the attractive value between the added value and the derived attractive potential between the selected individuals and multiplying the added value by the attractive force coefficient that acts between the selected individuals is converted into an extreme value.
  • the derivation unit changes the variables of the plurality of individuals so that the effective evaluation value is maximized by the extreme value unit while gradually increasing the attractive coefficient from the initial value, and the multiple values when the predetermined end condition is satisfied.
  • an individual variable, an optimal value of the variable, an evaluation value corresponding to the variable, or an optimal value of the evaluation value is derived.
  • the optimal value can be reached with as few times as possible while increasing the probability of reaching the optimal value of the variable.
  • FIG. 1A is an electrical configuration diagram of a global search device for a continuous value optimization problem according to the first embodiment
  • FIG. 1B is a block diagram functionally illustrating a global search apparatus for a continuous value optimization problem
  • FIG. 2 is a flowchart schematically showing the flow of processing.
  • FIG. 3A is part 1 of an image diagram showing a movement state when an individual converges to an optimal solution in a search space.
  • FIG. 3B is part 2 of an image diagram showing a movement state when an individual converges to an optimal solution in the search space.
  • FIG. 3A is part 1 of an image diagram showing a movement state when an individual converges to an optimal solution in a search space.
  • FIG. 3B is part 2 of an image diagram showing a movement state when an individual converges to an optimal solution in the search space.
  • FIG. 3C is part 3 of an image diagram showing a moving state when an individual converges to an optimal solution in the search space.
  • FIG. 3D is a fourth part of an image diagram showing a movement state when an individual converges to an optimal solution in the search space;
  • FIG. 4 is an explanatory diagram of the second embodiment and is a first diagram showing an initial distribution of individuals.
  • FIG. 5 is part 2 of the diagram showing the initial distribution of individuals.
  • FIG. 6 is part 3 of the diagram showing the initial distribution of individuals.
  • FIG. 7 is part 4 of the diagram showing the initial distribution of individuals.
  • FIG. 8 is part 5 of a diagram showing an initial distribution of individuals,
  • FIG. 9 is part 6 of a diagram showing an initial distribution of individuals,
  • FIG. 10 is part 7 of a diagram showing an initial distribution of individuals, FIG.
  • FIG. 11 is part 8 of the diagram showing the initial distribution of individuals
  • FIG. 12 is part 9 of the diagram showing the initial distribution of individuals
  • FIG. 13 is part 10 of a diagram showing an initial distribution of individuals
  • FIG. 14 is an explanatory diagram of the third embodiment and is a diagram illustrating an example of an individual distribution
  • FIG. 15 is an explanatory diagram showing an example of a selected individual that gives an attractive potential
  • FIG. 16 is part 2 of an explanatory diagram showing an example of a selected individual that gives an attractive potential
  • FIG. 17 is part 3 of an explanatory diagram showing an example of a selected individual that gives an attractive potential
  • FIG. 18 is a fourth explanatory diagram showing an example of a selected individual that gives an attractive potential.
  • FIG. 15 is an explanatory diagram showing an example of a selected individual that gives an attractive potential
  • FIG. 16 is part 2 of an explanatory diagram showing an example of a selected individual that gives an attractive potential
  • FIG. 17 is part 3 of an explanatory diagram showing an example of a
  • FIG. 19 is part 5 of an explanatory diagram showing an example of a selected individual that gives an attractive potential.
  • FIG. 20A is part 1 of an explanatory diagram showing the movement process of an individual
  • FIG. 20B is the second part of the explanatory diagram showing the movement process of the individual
  • FIG. 20C is a third part of the explanatory diagram showing the movement process of the individual
  • FIG. 20D is Part 4 of an explanatory diagram showing the movement process of an individual
  • FIG. 21 is an explanatory diagram of the fifth embodiment, schematically illustrating the principle of the auxiliary function method
  • FIG. 22 is the first illustration of Lipschitz constants.
  • FIG. 23 is the second illustration of Lipschitz constants.
  • FIG. 24 is a flowchart schematically showing the flow of processing
  • FIG. 25 is a diagram showing an evaluation function used for the simulation.
  • FIG. 26 is a diagram showing constants used in the simulation.
  • FIG. 27 shows the simulation result.
  • FIG. 28 is a diagram illustrating a process of convergence to a certain predetermined area.
  • FIG. 29 is an explanatory diagram of the sixth embodiment and is an explanatory diagram showing a state after the individual has converged,
  • FIG. 30 is an electrical configuration diagram showing the seventh embodiment.
  • FIG. 31 is a first part of a bird's eye view showing an optimal route of a moving object at a certain time.
  • FIG. 32 is a second bird's-eye view showing the optimum route of the moving object at a certain time.
  • the optimization device 1 is a continuous value optimization using a microcomputer (hereinafter referred to as a microcomputer) 5 constituted by connecting a CPU 2, a memory 3 such as a ROM and a RAM, and an input / output interface 4 or a general-purpose computer. Configured as a global search device in question.
  • a microcomputer hereinafter referred to as a microcomputer
  • the microcomputer 5 executes the optimization process.
  • the microcomputer 5 executes an optimization program stored in the memory 3 and executes various procedures to execute an optimization process.
  • the memory 3 is used as a non-transitional tangible recording medium.
  • the optimization process assumes a search space S composed of Euclidean space having one or more M ( ⁇ 1) dimensions, and the minimum or maximum value of the evaluation function Hopt predetermined in the search space S, that is, process of obtaining the optimal value, or / and, showing the process of obtaining the variable x i to the evaluation function Hopt is the optimum value.
  • a form for obtaining the minimum value of the evaluation function Hopt as the optimum value is shown, but it may be applied to processing for obtaining the maximum value as the optimum value.
  • the evaluation function Hopt indicates a mathematical function based on one or more M variables (parameters). For example, an arbitrary polynomial, a rational function, an irrational function, an exponential function, a logarithmic function, a combination of addition, subtraction, multiplication and division, etc. Can be mentioned.
  • the optimization device 1 includes various functional blocks such as a setting unit 6, an extreme value unit 7, and a derivation unit 8 as functional blocks realized by the microcomputer 5.
  • Setting unit 6 sets along the variable x i of a plurality of individual K inside the evaluation function Hopt search space S.
  • Each of the plurality of individual K comprises M-dimensional variables x i.
  • the extremization unit 7 derives an attractive potential fij that causes an attractive force to act on at least two or more selected individuals K among the plurality of individuals K set by the setting unit 6, and uses the variable x i of the plurality of individuals K.
  • An evaluation addition value ⁇ Hopt (x i ) obtained by adding the evaluation value Hopt (x i ) of the evaluation function Hopt and an attractive potential fij between the derived selected individuals K are added, and this added value is added between the selected individuals K.
  • the effective evaluation value Heff obtained by adding the attractive force value multiplied by the attractive force coefficient g / 2 to be applied is maximized, and is minimized in the present embodiment.
  • the deriving unit 8 increases the variable x i of the plurality of individuals K so that the effective evaluation value Heff is maximized by the extreme value converting unit 7 while gradually increasing the attractive coefficient g / 2 from the initial value (for example, 0).
  • the variable x i of the individual K is derived based on the evaluation value of at least one individual K of the plurality of individuals K when the predetermined end condition is satisfied. Then, a plurality of individuals K easily converge to one point of the minimum value of the evaluation function Hopt. In this embodiment, using this principle, a variable x i of a certain individual K is derived and output as a solution.
  • FIG. 2 is a flowchart showing the detailed flow of the optimization process
  • FIGS. 3A to 3D show image diagrams of the search process.
  • the search space S is a one-dimensional Euclidean space
  • this evaluation function Hopt is a function having a plurality of minimum values
  • the individual K for searching for the minimum value in the evaluation function Hopt The image figure of a movement state is shown.
  • the microcomputer 5 sets the individual K along the evaluation function Hopt in S1 of FIG.
  • N 3 (N> 2)
  • the individuals K1 to K3 will be abbreviated as individuals K, and special individuals K will be described with a suffix after the symbol K. Do.
  • the microcomputer 5 obtains the effective evaluation value Heff in S2 of FIG. 2, updates by changing the variables x i of the individual K to minimize the effective evaluation value Heff.
  • the effective evaluation value Heff is a value based on the evaluation value Hopt (x i ) obtained by introducing the variable x i of a plurality of individuals K into the evaluation function Hopt as described above, and can be expressed as follows as a specific example. .
  • Heff indicates an effective evaluation value
  • Hopt (x i ) indicates the evaluation value of each individual K of the evaluation function Hopt.
  • g / 2 represents an attractive force coefficient
  • ⁇ fij (x i -x j ) represents an added value of the attractive potential.
  • the evaluation addition value obtained by adding the evaluation values Hopt (x i ) of the evaluation function Hopt by the plurality of individuals K that is, the variable x i of the plurality of individuals K is substituted into the evaluation function Hopt.
  • An addition value obtained by adding the evaluation value Hopt (x i ) is shown, and the second term of the equation (1) adds the attractive potential fij between the plurality of individuals K, and the added value is obtained between the plurality of individuals K.
  • the attractive force value obtained by multiplying the attractive force coefficient g / 2 to be applied to is shown.
  • the attractive potential fij may be set so that one individual K acts with all other individuals K. However, as shown in an embodiment described later, a part of all the individuals K is used.
  • the attractive potential fij may be set by selecting the selected individual K. Further, as the function of the attractive potential fij, as will be described later, a function in which the attractive value increases as the so-called Euclidean distance between a plurality of individuals K increases, or the attractive force regardless of the Euclidean distance may be applied.
  • the value may be set to be a constant value. Further, the present invention is not limited to this, and a function in which the attractive value decreases as the Euclidean distance increases may be applied.
  • Microcomputer 5 the effective evaluation value Heff obtained by adding the this evaluation sum value and the value of the attractive force derived in S2 in FIG. 2, searches for a variable x i of the individual K to reduce the effective evaluation value Heff. As the search method, it is desirable to use the auxiliary function method shown in the embodiment described later, but any method may be used as long as it is a method capable of searching for extreme values.
  • the evaluation function Hopt is a function having a plurality of local minimum values as shown in FIG. 3A
  • increasing the attractive coefficient g / 2 of the second term of the equation (1) causes the individual K to converge to one point.
  • the individual K rises in order from the lowest mountain, that is, moves so as to exceed the maximum value, and moves in the order of the valley, that is, the minimum value.
  • the individual K1 moves the variable x i in the search space S in the direction of increasing example
  • individuals K3 is a variable x i in the search space S in a direction to decrease e.g. To do.
  • the process for determining whether or not the predetermined upper limit number ⁇ in S4 of FIG. When the state update count t is equal to or smaller than the predetermined upper limit count ⁇ and the termination condition is not satisfied, the microcomputer 5 increases the attractive coefficient g / 2 by, for example, a predetermined number in S5, and returns to S2 to repeat the process.
  • the microcomputer 5 repeats the processing of S2 to S3 while gradually increasing the attractive coefficient g / 2 in this way, so that each individual K gradually increases the peak of the maximum value of the evaluation function Hopt as shown in FIG. 3C. It will be over.
  • a plurality of individuals K1 to K3 converge to one point of the evaluation function Hopt.
  • the microcomputer 5 outputs the solution of the variable x i of any one of the individuals K1 to K3, for example, when the termination condition is satisfied in S5 of FIG. Thereby, the variable x i of the individual K can be output as a solution.
  • the attraction coefficient g / 2 to change the variable x i of a plurality of individual K so that the effective evaluation value Heff is extremizing while gradually increasing from the initial value, the state update count t is given
  • the variable x i of the individual K is derived based on at least one individual K among the plurality of individuals K when the upper limit number ⁇ is exceeded.
  • the variable x i of satisfying individual K evaluation value of the evaluation function Hopt is the lowest may be solution output. This makes it possible to reach the optimum number of times as small as possible while increasing the probability reaching the optimal value of the variable x i.
  • (Second Embodiment) 4 to 13 show additional explanatory views of the second embodiment.
  • the second embodiment illustrating a method of setting the initial distribution of the variables x i of the individual K.
  • each individual K has an M-dimensional variable x i, and the valley of the evaluation function Hopt depends on the form of the initial distribution of the M-dimensional variable x i.
  • the number of passes that is, the number of passes of extreme values, and the convergence method also change.
  • the microcomputer 5 preferably initializes the individual K so as to fill the search space S in advance. Increasing the number of individuals K increases the accuracy, but increasing the number of individuals K increases the processing time. For this reason, it is desirable to perform processing using a limited number of individuals K, and the initial distribution of the variable x i of the limited number of individuals K occupies an important element in the optimum value search processing. For this purpose, for example, from FIG. 4, as shown in FIG. 13, it is desirable to set the initial distribution of the variables x i of the individual K.
  • FIG. 7 shows a plurality of individual individuals K. Shows an example of an initial distribution in a case where M has a three-dimensional variable x i .
  • variables x i of a plurality of individuals K may be set in the search space S at random.
  • Individuals Ka of FIG Among these, as shown in Kb, may be an upper limit value or lower limit value of at least one or more individuals Ka, the Kb of the variable x i search space S.
  • the variable x i of other individual K may be set to random. By setting in this way, a wider range of extreme values can be searched.
  • variable x i of the individual K may be set so as to be the lattice point position obtained by dividing the search space S as the initial distribution.
  • “adjacent” means the individual K having the shortest Euclidean distance.
  • M 3 dimensional variables x i, respectively, as shown in FIG. 7, by setting the variable x i as the individual K is located at the grid point position An initial distribution should be constructed. In this way, by initially distributing the individuals K at the lattice point positions, it is possible to search for the extreme values inside the search space S.
  • variable x i of the individual K which contributes to the generation of valleys , is divided by the variable x i, 1 of the individual K having a low contribution degree. May be set larger.
  • the degree of contribution is set in advance according to experiments, simulations, or the like, or is set based on qualitative consideration for an actual problem.
  • the number of divisions of the variable x i, 2 is 5, and the number of divisions of the variable x i, 1 is 2. Then, it is possible to search for the extreme values in the search space S while reducing the number of individuals K set as the initial distribution. Since the number of individuals K can be reduced, the processing time can be reduced.
  • the search space S may be divided into a plurality of partial spaces Sc and Sd as an initial distribution, and an individual K may be set in each of the partial spaces Sc and Sd.
  • the effective evaluation value Heff is obtained for each of the partial spaces Sc and Sd
  • the variable x i of the individual K is based on at least one individual K of the plurality of individuals K when the effective evaluation value Heff satisfies a predetermined termination condition. May be derived. Thereby, it is possible to exhaustively search the search space S with a smaller number of individuals K.
  • subspace Sc it is possible to determine the subspace Sc, obtain the minimum value of the different evaluation functions Hopt every Sd (the optimum value) individual Kg1, Kg2 variables x i, finally subspace Sc, obtained for each Sd individuals Kg1, evaluation value of the evaluation function Hopt variables x i of Kg2 compares, may be derived as a solution to select a variable x i of an individual Kg1, Kg2 to obtain the minimum value of the evaluation value.
  • a variable x i changes continuously in time.
  • the microcomputer 5 derives a solution of such a variable x i (t) at every predetermined time, in order to obtain a solution of the variable x i (t + 1) at the next timing, the current variable x i (t )
  • the derivation process of the solution of the variable x i (t + 1) at the next timing may be performed quickly and accurately.
  • a limited search range Sa limited in the search space S is provided as an initial distribution, and the initial distribution is set so as to include the estimated solution xiz as the limited search range Sa. desirable.
  • a predetermined range from the estimated solution xiz for example, x i, 1 ⁇ 1 ⁇ variable x i, 1 ⁇ x i, 1 + ⁇ 1, x i, 2 ⁇ 2 ⁇ variable x i, 2 ⁇ x i, 2 + ⁇ 2
  • the probability of reaching the optimal solution of the variable x i can be increased with a smaller number of evaluations.
  • the initial distribution may be set such that the closer to the space including the estimated solution xiz, the denser the individuals K are distributed, and the further away from the estimated solution, the density of the individuals K is decreased. As a result, the probability of reaching the optimal solution of the variable x i can be increased with a smaller number of individuals K.
  • the individuals K are densely distributed within a predetermined range Sb close to the space including the estimated solution xiz as an initial distribution, and other individuals K are randomly distributed outside the predetermined range Sb.
  • at least one individual Ka, Kb may be set to the upper limit value or lower limit value of the variable x i of the variable x i a search range S of Kam.
  • (Third embodiment) 14 to 20D show additional explanatory diagrams of the third embodiment.
  • the attractive potential fij can be expressed as a function of the difference between the i-th individual K and the j-th individual K as shown in the equation (1).
  • the attractive potential fij may be obtained by obtaining the difference by the number of combinations of all the two individuals K and obtaining the added value.
  • FIG. 14 when many individuals K are densely distributed in one valley H1, and other individuals Kc are sparsely distributed in another valley H2, the density is densely distributed. It becomes easy to be influenced by many individuals K in the valley H1.
  • the density of the individual K may vary for each predetermined region and space.
  • the attractive potential fij is given to the combination of all two individuals K, the condition that the influence of the density distribution of the individual K is assumed to be strong (for example, the evaluation function Hopt Or / and the condition of the initial distribution of the density of the individual K), it is desirable to select the individual K that gives the attractive potential fij and give the attractive potential fij only between specific selected individuals K.
  • the microcomputer 5 orders the identification codes (for example, 1 to 5) in particular for a plurality of individuals K and assigns the identification codes that are adjacent in order.
  • the attractive potential fij is derived using the selected individual K as the selected individual K1-K2, K2-K3, K3-K4, K4-K5, and the individual K with the identification code that is not adjacent in order is not selected and the attractive potential fij Should be set to 0. Then, it can converge without making the influence of the density of the individual K too strong.
  • FIGS. 15 and 16 show an embodiment in which given the identification codes 1-5 in ascending order of variables x i of the individual K, is necessary to arrange assigned the identification codes 1-5 in ascending order of the variable x i
  • the order of attaching the identification codes 1 to 5 does not affect the magnitude of the variable x i .
  • the microcomputer 5 derives the attractive potential fij using two adjacent individuals K among these individuals K as selected individuals, and sets the attractive potential fij to 0 without setting the other individuals K as selected individuals.
  • the upper limit value variable x i is the search space S or It can be made to converge sequentially from the individual Kam, Ka, Kb which becomes the lower limit value. Then, the search space S can be exhaustively searched.
  • FIG. 20A shows the initial distribution. This initial distribution is the same as the initial distribution shown in FIG. 19, but will be described again.
  • All individuals K are vertices whose variables x i, 1 and x i, 2 are both the upper limit value or the lower limit value of the search space S.
  • the individual Ka and the variable x i, 1 set to the side where the variable xi , 2 is set to the upper limit value or the lower limit value of the search space S are the upper limit value or the lower limit value of the search space S.
  • It consists of an individual Kb set on the side. That is, all individuals Ka, Kb, Kam is set such that each two-dimensional variable x i, 1, x i, 2 of one of the variable x i is the upper limit or lower limit.
  • two-dimensional variables x i, 1 , x i, 2 are initially set at equal intervals.
  • the attractive potential fij is applied with the adjacent individuals Ka, Kb, and Kam as selected individuals.
  • the evaluation function Hopt is not taken into consideration is shown.
  • the attractive potential fij can be expressed as a function of the difference between the i-th individual K and the j-th individual K, as shown in the equation (1).
  • the attractive potential fij is desirably derived based on, for example, the following equation (2) when the p-th variable of the i-th individual K is expressed as xi, p .
  • the attraction potential fij in the equation (2) is set so as to increase as the Euclidean distance between the plurality of individuals K increases, and to decrease as the distance between the plurality of individuals K decreases.
  • the individuals K distributed over a wide range as the initial distribution can be quickly converged.
  • this expression for the differentiable function can be easily extremizing by obtaining the variables x i of the effective evaluation value to the differential value to zero.
  • the attractive potential fij may be derived based on the following equation (3), for example.
  • (Fifth embodiment) 21 to 26 show additional explanatory views of the fifth embodiment.
  • an auxiliary function method as a specific example for changing the variable x i of the individual K so as to minimize the effective evaluation value Heff (x i ) will be described.
  • the auxiliary function method is a method used to minimize the evaluation added value of the first term and the attractive value of the second term of the expression (1), and is a quadratic that approximates the evaluation function Hopt to the evaluation function Hopt. It shows a method of replacing with a function and converting it to an extreme value based on the replaced quadratic function.
  • FIG. 21 A detailed image of the auxiliary function method is shown in FIG.
  • the evaluation function of the variable x is fmej (x)
  • the current solution candidate x ⁇ * (xa, xb in FIG. 21) is substituted into the variable x of the evaluation function fmej (x).
  • the evaluation value fmej (x ⁇ *) is passed and the differential value is equal to the partial differential value ⁇ fmej (x ⁇ *) / ⁇ x of the evaluation function and includes the solution candidate x ⁇ *.
  • a quadratic function ff using a Lipschitz constant L that satisfies a condition for obtaining a value larger than the evaluation value fmej (x i ) in all the variables x i in the space S is introduced.
  • This quadratic function ff can be expressed as a right side of equation (4-1). Further, if the solution satisfying the condition that the quadratic function ff becomes an extreme value is xz, it can be derived as shown in the equation (4-2).
  • Equation (4-1) L represents a Lipschitz constant
  • x ⁇ * represents a current solution candidate for x. If the right side of the equation (4-2) is differentiated, it can be derived as the equation (4-3).
  • the second term of the equation (4-3) can be set to 0 by substituting the solution candidate x ⁇ * into the variable x, and the differential value in the current solution candidate x ⁇ * Equals one term.
  • the first term of the equation (4-3) coincides with the partial differential value ⁇ fmej (x ⁇ *) / ⁇ x of the evaluation function fmej in the solution candidate x ⁇ *.
  • the quadratic function ff is larger than the evaluation value fmej (x i ) of the evaluation function fmej for all variables x i including the solution candidate x ⁇ *. It is desirable to obtain the extreme value of the evaluation function fmej using such a quadratic function ff.
  • the solution candidate xz is repeatedly derived.
  • the quadratic function ff1 is first searched, and the solution satisfying the extreme value of the quadratic function ff1 is set as the next solution candidate xb.
  • the secondary function ff2 is searched again for the next solution candidate xb, and the solution satisfying the extreme value of the quadratic function ff2 is updated to the solution candidate xc.
  • the solution candidates change so as to be xa ⁇ xb ⁇ xc.
  • equation (2) By substituting the attractive potential fij of equation (2) into equation (1), it can be expressed as the following equation (5). As shown in the fourth embodiment, the function of the attraction potential fij in the equation (5) applies the function of the equation (2) that increases the attraction value when the distance is increased.
  • the individual K to which the attractive potential fij is applied as shown in FIG. 15 of the second embodiment, the individual K1-K2, K2-K3,. are selected individuals. That is, a mathematical formula for selecting the i-th and i + 1-th individuals K and applying the attractive potential fij is shown. Although this example will be described here, other examples described in the second and third embodiments can be combined in the same manner.
  • the auxiliary function method is applied separately for the first term representing the evaluation function Hopt and the second term representing the attractive coefficient g / 2 ⁇ attractive potential fij.
  • the first function on the right side of the equation (5) is replaced by applying the auxiliary function method, the right side of the equation (6) is obtained.
  • the right side of the equation (6) shows a mathematical formula in which the auxiliary function method is applied to the first term on the right side of the equation (5) when the q-th variable x j, q in the j-th individual K is updated. Yes. If the second term on the right side of equation (5) is replaced by applying the auxiliary function method, the right side of equation (7) is obtained.
  • the Lipschitz constant L should be recalculated every time the solution of the variable x i is updated, and set as small as possible while satisfying the inequality of the equation (4-1).
  • the solution x j, q after the update of the q-th variable in the j-th individual in the second term can be derived as in equation (8).
  • the qth variable x ⁇ j, q can be updated in the same manner , and the qth variable of the 1st to Nth individuals K can be obtained.
  • x j, q can be updated at once using a determinant as shown in equation (9-1).
  • the variable matrix x q , the Lipschitz coefficient matrix L q , the attractive coefficient matrix G, and the evaluation function partial differentiation matrix q q Hopt are the expressions (9-2), (9-3), (9-4), It can be expressed as shown in equation (9-5).
  • the auxiliary function method may be applied to the evaluation function Hopt, and the auxiliary function method may not be used for the attractive value of the second term. That is, when the auxiliary function method is applied only to the evaluation function Hopt when updating the q-th variable x j, q of the j-th individual, the effective evaluation value Heff corresponding to the equations (5) to (7) is (9 -6) It can be expressed as
  • the microcomputer 5 first sets a plurality of individuals K in the search space S in S1. At this time, for example, as shown in the second embodiment, an individual K may be set to configure an initial distribution.
  • the microcomputer 5 updates all variables x i of the individual K using the equation (8) indicating the auxiliary function method in S2a.
  • the processing of S2a may be performed a plurality of times at this timing.
  • the microcomputer 5 gradually increases the attractive force value by gradually increasing the attractive coefficient g / 2 between the plurality of individuals K in S5 until a predetermined end condition is satisfied in S4. Then, by repeating these processes of S2a to S5, the individuals K scattered over a wide range converge at one place.
  • the timing of increasing the attractive value may be after the update process using the auxiliary function method is executed only once in S2a, or the number of times that the extreme value of the effective evaluation value Heff can be obtained for the process of S2a. It may be after repeated execution.
  • the number of individuals K at the end point does not necessarily have to be converged to one predetermined area and converted to an extreme value, but in order to take advantage of the advantage of converging individuals K by attractive force, It is desirable to converge within a predetermined range narrower than the dispersion range of the individual K in the initial distribution.
  • the inventor performs a simulation for deriving an optimum value according to an example in which the evaluation function Hopt is a specific mathematical expression.
  • the evaluation function Hopt is defined as the following equation (10-1).
  • f (x) is the equation (10-2)
  • g (x) is the equation (10-3)
  • ⁇ is the equation (10-4).
  • constants xm, a, P, A, B, C in the expressions (10-1), (10-2), (10-3), and (10-4) are used. Is set.
  • the evaluation function Hopt particularly sets the search range (search space S) for the variable x to ⁇ 5.0 ⁇ x ⁇ 5.0.
  • search space S search space S
  • the predetermined upper limit number ⁇ of the state update count t is set to 100, the number N of individuals K is set to 10, and the process using the auxiliary function method is executed as shown in S2a of FIG. .
  • the attractive coefficient g / 2 is increased, but the attractive coefficient g / 2 is increased in accordance with the increase in the number of state updates t as shown in the following equation (10-5). Set to.
  • gmax / 2 indicates the maximum value of the attractive coefficient g / 2.
  • the horizontal axis represents the maximum value gmax / 2 of the attractive coefficient g / 2
  • the vertical axis represents the success probability derived by dividing the number of simulations that can be regarded as successful convergence by the total number of simulations. As shown.
  • the success probability depends on gmax / 2.
  • the maximum value gmax / 2 of the attractive coefficient g / 2 is made too small, the attractive value is weak and the possibility that the individual K converges becomes low and the success probability becomes relatively low. This method is similar to the so-called parallel gradient method.
  • the maximum value gmax / 2 of the attractive coefficient g / 2 is too large, as shown in the range gb of FIG. 27, the evaluation function Hopt is ignored and the probability of success decreases.
  • the success probability can be increased as much as possible by setting the maximum value gmax / 2 of the attractive coefficient g / 2 to a certain predetermined range gc which is not the ranges ga and gb.
  • a success probability close to 90% could be achieved by setting the maximum value gmax / 2 of the attractive coefficient g / 2 to a specific range gd in the range gc.
  • variable x i of the individual K is a predetermined area corresponding to the valley Hy containing an optimal solution in the process of converging to a single point
  • the state update count t is shown on the horizontal axis for the state of convergence to xx. As described above, if at least one variable x of the individual after convergence is input to the predetermined region xx shown in FIG.
  • FIG. 29 shows an additional explanatory diagram of the sixth embodiment.
  • the sixth embodiment shows processing after convergence. For example, even when the process shown in FIG. 2 or FIG. 24 is executed and the effective update value Heff is extreme when the state update count t is repeated up to the predetermined upper limit count ⁇ , as shown in FIG. K does not converge to one point of the valley Hy1 including optimal value, may located Hy2 like other valley, this result can not be determined a variable x i of any of the individual K or solution output There is a case.
  • the microcomputer 5 sets the attractive coefficient g / 2 of the second term of the equation (1) to 0 as the final stage process, and derives the extreme value of the evaluation value Hopt of the evaluation function Hopt of the first term as the effective evaluation value Heff. It is desirable to do.
  • variable x i of the individual K that satisfies the minimum value of the effective evaluation value Heff obtained by substituting the variable x i into the first term of the equation (1).
  • the optimal value of the variable x i can be derived.
  • the individual K has not converged in one place, it is possible to reliably obtain the variable x i to the evaluation function Hopt becomes extreme.
  • the processing according to the present embodiment is applied, it is not always necessary to converge in one valley (for example, Hy1) when the above-described embodiment or a method combining these embodiments is used, and at least one individual K There become well if the convergence in the valley Hy1, including the optimal solution of the variable x i. Therefore, for example, the predetermined upper limit number ⁇ can be set smaller than in a method not using this process.
  • (Seventh embodiment) 30 to 32 show additional explanatory views of the seventh embodiment.
  • the seventh embodiment shows an example in which an estimated solution is given in advance before the search is started.
  • the vehicle driving support device 101 has been actively developed in recent years to cope with traffic conditions, changes thereof, and accident prevention, and in particular, has been developed to reduce the driving burden on the driver.
  • the driving support apparatus 101 includes a controller 102 and is configured by connecting a position detector 103, a speed sensor 104, a map information acquisition unit 105, and the like, and determines an optimal movement position at a future time. It is an apparatus configured as an optimization apparatus that optimizes an optimal route that passes through.
  • the controller 102 mainly includes, for example, a CPU 107, a memory 107 such as a ROM, a RAM, and an EEPROM, and a microcomputer 109 having an I / O 108, and a program relating to model prediction control processing is stored in the memory 107.
  • the driving support device 101 includes functions as a setting unit 6, an extreme value unit 7, and a derivation unit 8 similar to those in FIG.
  • the position detector 103 detects current position information using, for example, GPS (Global Positioning System).
  • the speed sensor 104 detects the moving speed of the moving body C.
  • the map information acquisition unit 105 acquires map information stored in advance in a predetermined storage device (for example, HDD) or map information from an external map server.
  • the controller 102 executes a model prediction control process program stored in the memory 107, thereby acquiring current position information acquired from the position detector 103, movement speed information of the moving object C acquired from the speed sensor 104, And model prediction control is performed based on the map information acquired by the map information acquisition part 105.
  • FIG. Various sensors acquired by other sensors such as an ultrasonic sensor for detecting obstacles Ob1 and Ob2 around the vehicle, a distance measuring device for measuring a distance from the obstacles Ob1 and Ob2 around the vehicle, and the like. Model prediction control may be performed using information.
  • This model predictive control technology is a technology for performing future prediction, and is a technology for performing optimal control for a certain period including the future and updating these optimal controls at predetermined time intervals.
  • the driving support device 101 uses the model predictive control technique to derive an optimal travel route of the moving object (for example, a car) C in a certain period including the future, or to perform predetermined parking without colliding with the obstacles Ob1 and Ob2. Can help lead to space.
  • the controller 102 of the driving support apparatus 101 performs the route search process while avoiding the collision with the obstacles Ob1 and Ob2, as shown in the bird's-eye view in FIG. 31, from the current time t0 to the future times t1 to t6.
  • the optimum movement position L1 at time t1 is determined by deriving the optimum route R0 of the moving body C in the predetermined period t0 to t6.
  • FIG. 32 shows a bird's eye view of the model prediction control process at time t1.
  • the controller 102 of the driving support apparatus 101 newly derives the optimum route R1 at future times t2 to t7 after the current time t1 at time t1, but the optimum route R1 at time t1 It can be considered that the locus is close to the optimum route R0 at t0.
  • the controller 102 uses, for example, the optimum route R0 based on the positions L1 to L6 corresponding to the times t1 to t6 as an estimated solution, and based on this estimated solution, for example, as shown in the second embodiment, for example, this optimum route R0.
  • the initial distribution is configured by setting the individual K so that the individual K is more densely distributed closer to the region including the distance and the density decreases as the distance from the optimum route R0 increases. Then, the probability of reaching the optimal solution with a small number of searches can be increased.
  • the controller 102 when the controller 102 derives the optimum route R1 of the moving body C at future times t2 to t7, the past optimum route R0 is used as the estimated solution, and the region including the optimum route R0 as the initial distribution is set. As the distance is closer, the individual K is more densely distributed, and the density of the individual K decreases as the distance from the optimum route R0 increases. Thereby, the probability of reaching the optimal solution with a small number of searches can be increased.
  • variable x i of the individual K is output as a solution.
  • the evaluation value corresponding to the variable x i that is, the evaluation value obtained by substituting the variable x i to be output as the solution into the evaluation function Hopt. May be output as a solution.
  • a variable x i before deducing the attractive force value based on the attractive potential fij to 0 may be derived, and the variable x i may be directly output as a solution.
  • the attractive force value may be reduced to 0.
  • the optimal value of the variable x i after the conversion may be derived and output as a solution. It is also possible to derived solution output the evaluation values obtained by substituting the optimum values of the variable x i to the evaluation function Hopt. You may apply when deriving such various values.
  • the state update count t is conditional on whether exceeds a predetermined upper limit number tau, is not limited thereto, for example, the evaluation value of the evaluation function Hopt of substituting the variable x i is given Different conditions such as whether the value is less than or equal to the value may be used.
  • 1 is an optimization device
  • 101 is a driving support device (global search device for continuous value optimization problem)
  • 102 is a controller
  • 6 is a setting unit
  • 7 is an extreme value unit
  • 8 is a derivation unit
  • K denotes an individual
  • S is the search space
  • x i is a variable
  • g / 2 is attraction coefficient
  • Hopt evaluation function Heff is an effective evaluation value
  • Xiz estimated solution a.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

設定部（６）は、複数の個体の変数を探索空間の中の評価関数に沿って設定する。極値化部（７）は、設定部により設定される複数の個体のうち少なくとも２つ以上の選定個体に引力を作用させる引力ポテンシャルを導出し、複数の個体の変数による評価関数の評価値を加算した評価加算値、及び、導出された選定個体の間の引力ポテンシャルを加算しこの加算値に選定個体の間に作用させる引力係数（ｇ／２）とを乗算した引力値、を加算した実効評価値（Ｈeff）を極値化する。導出部（８）は、引力係数を初期値から徐々に大きくしながら極値化部により実効評価値が極値化するように複数の個体の変数を変化させ、所定の終了条件を満たしたときにおける複数の個体の少なくとも一つの個体に基づいて、個体の変数、その変数の最適値、変数に対応した評価値、又は、評価値の最適値による各種値を導出する。

Description

連続値最適化問題の大域的探索装置及びプログラム 関連出願の相互参照
　本出願は、２０１６年９月２日に出願された日本出願番号２０１６－１７１７７６号に基づくもので、ここにその記載内容を援用する。
　本開示は、連続値最適化問題の大域的探索装置及びプログラムに関する。
　例えば、多次元の探索空間において変数、すなわちパラメータの最適値を求める手法が提案されている（例えば、特許文献１参照）。特許文献１記載の技術によれば、探索空間内に最適値算出対象のパラメータを要素とする複数の個体を生成し、これらの個体の評価値を算出し、個体の中から評価値の悪い個体を選択している。そして、この選択された個体を評価値の良い個体に所定の割合で近づけている。また、評価値の悪い個体を最良の評価値の個体から一定のユークリッド距離内にある任意の領域に移動させている。そして、より良い評価値の個体を選択し最良の評価値の個体を随時更新し、複数の個体の評価値を収束させ、終了判定条件を満たしたと判定した時点で最良の評価値を有する個体に含まれるパラメータをパラメータの最適値として出力している。
特開２００７－２３３６７６号公報
　特許文献１等に記載の技術を用いて、例えば、複数の極値（例えば、極小値）を備えた評価関数の最小値又は最大値となる変数の最適値を探索するとき、当該変数の最適値への到達確率を高めるためには、複数の個体が最適な１カ所に収束する過程において可能な限り多くの極値（例えば、極小値）を探索することが望ましい。
　しかしながら、特許文献１記載の技術を適用したとしても、複数の個体を互いに近づける収束過程において、個体の移動経路はその評価関数の形状とは無関係に決定されてしまう。このため、個体が収束過程において極値を通過するとは限らず、どの個体に収束させることが望ましいか正確に判断できなかったり最適値を通過してしまうことがある。個体の移動処理を極力細かくすることにより最適値への到達確率は高まるものの、個体の移動の回数が増加してしまい好ましくない。
　本開示の目的は、複数の極値を備えた評価関数の最小値又は最大値を探索するときに、変数の最適値への到達確率を高めながら極力少ない回数で最適値へ到達できるようにした連続値最適化問題の大域的探索装置及びプログラムを提供することにある。
　本開示の一態様によれば、１以上の次元を備えた探索空間に複数の極値を備える評価関数に個体を設定することに基づいて個体の変数又は変数の最適値を導出する最適化装置を対象としている。
　設定部は、複数の個体の変数を探索空間の中の評価関数に沿って設定する。また、極値化部は、設定部により設定される複数の個体のうち少なくとも２つ以上の選定個体に引力を作用させる引力ポテンシャルを導出し、複数の個体による評価関数の評価値を加算した評価加算値、及び、導出された選定個体の間の引力ポテンシャルを加算しこの加算値に選定個体の間に作用させる引力係数とを乗算した引力値、を加算した実効評価値を極値化する。そして導出部は、引力係数を初期値から徐々に大きくしながら極値化部により実効評価値が極値化するように複数の個体の変数を変化させ、所定の終了条件を満たしたときにおける複数の個体の少なくとも一つの個体の評価値に基づいて、個体の変数、その変数の最適値、変数に対応した評価値、又は、評価値の最適値を導出する。このような処理を行うことで、複数の極値を備えた評価関数の最小値又は最大値を探索するときに、変数の最適値への到達確率を高めながら極力少ない回数で最適値へ到達できる。
　本開示についての上記目的およびその他の目的、特徴や利点は、添付の図面を参照しながら下記の詳細な記述により、より明確になる。図面においては、
図１Ａは、第１実施形態を示す連続値最適化問題の大域的探索装置の電気的構成図であり、 図１Ｂは、連続値最適化問題の大域的探索装置を機能的に示すブロック図であり、 図２は、処理の流れを概略的に示すフローチャートであり、 図３Ａは、個体が探索空間内の最適解に収束するときの移動状態を示すイメージ図のその１であり、 図３Ｂは、個体が探索空間内の最適解に収束するときの移動状態を示すイメージ図のその２であり、 図３Ｃは、個体が探索空間内の最適解に収束するときの移動状態を示すイメージ図のその３であり、 図３Ｄは、個体が探索空間内の最適解に収束するときの移動状態を示すイメージ図のその４であり、 図４は、第２実施形態の説明図であり個体の初期分布を示す図のその１であり、 図５は、個体の初期分布を示す図のその２であり、 図６は、個体の初期分布を示す図のその３であり、 図７は、個体の初期分布を示す図のその４であり、 図８は、個体の初期分布を示す図のその５であり、 図９は、個体の初期分布を示す図のその６であり、 図１０は、個体の初期分布を示す図のその７であり、 図１１は、個体の初期分布を示す図のその８であり、 図１２は、個体の初期分布を示す図のその９であり、 図１３は、個体の初期分布を示す図のその１０であり、 図１４は、第３実施形態の説明図であり個体の存在分布の例を示す図であり、 図１５は、引力ポテンシャルを与える選定個体の例を示す説明図のその１であり、 図１６は、引力ポテンシャルを与える選定個体の例を示す説明図のその２であり、 図１７は、引力ポテンシャルを与える選定個体の例を示す説明図のその３であり、 図１８は、引力ポテンシャルを与える選定個体の例を示す説明図のその４であり、 図１９は、引力ポテンシャルを与える選定個体の例を示す説明図のその５であり、 図２０Ａは、個体の移動過程を示す説明図のその１であり、 図２０Ｂは、個体の移動過程を示す説明図のその２であり、 図２０Ｃは、個体の移動過程を示す説明図のその３であり、 図２０Ｄは、個体の移動過程を示す説明図のその４であり、 図２１は、第５実施形態の説明図であり補助関数法の原理を概略的に示す説明図であり、 図２２は、リプシッツ定数の説明図のその１であり、 図２３は、リプシッツ定数の説明図のその２であり、 図２４は、処理の流れを概略的に示すフローチャートであり、 図２５は、シミュレーションに用いた評価関数を示す図であり、 図２６は、シミュレーションに用いた定数を示す図であり、 図２７は、シミュレーション結果であり、 図２８は、ある所定領域に収束する過程を示す図であり、 図２９は、第６実施形態の説明図であり個体が収束した後の状態を示す説明図であり、 図３０は、第７実施形態を示す電気的構成図であり、 図３１は、ある時刻における移動体の最適経路を示す鳥瞰図のその１であり、 図３２は、ある時刻における移動体の最適経路を示す鳥瞰図のその２である。
　以下、本開示の連続値最適化問題の大域的探索装置及びプログラムの幾つかの実施形態について図面を参照して説明する。以下の実施形態中では、各実施形態間で同一機能または類似機能を備えた部分に同一符号を付して説明を行い、同一又は類似機能を備えた構成及びその作用、連携動作説明等を必要に応じて省略する。
　（第１実施形態）
　図１Ａ～図３Ｄは第１実施形態の説明図を示している。最適化装置１は、ＣＰＵ２と、ＲＯＭ、ＲＡＭ等のメモリ３と、入出力インタフェース４とをバス接続して構成されたマイクロコンピュータ（以下マイコン）５、又は汎用コンピュータなどを用いて連続値最適化問題の大域的探索装置として構成される。以下、マイコン５が最適化処理を実行することとして説明を行う。マイコン５が、メモリ３に記憶された最適化プログラムを実行し、各種手順を実行することで最適化処理を実行する。メモリ３は非遷移的実体的記録媒体として用いられる。
　ここで最適化処理とは、１以上のＭ（≧１）次元を備えたユークリッド空間からなる探索空間Ｓを想定し、この探索空間Ｓに予め定められる評価関数Ｈoptの最小値又は最大値、すなわち最適値を求める処理、又は／及び、評価関数Ｈoptが最適値となる変数ｘｉを求める処理を示す。以下では、評価関数Ｈoptの最小値を最適値として求めるための形態を示すが、最大値を最適値として求める処理に適用しても良い。評価関数Ｈoptは、１以上のＭ個の変数（パラメータ）に基づく数式による関数を示すものであり、例えば任意の多項式、有理関数、無理関数、指数関数、対数関数やその加減乗除等による組み合わせなどを挙げることができる。
　図１Ｂに示すように、最適化装置１は、マイコン５により実現される機能ブロックとして、設定部６、極値化部７、及び導出部８などの各種機能ブロックを備えるものである。設定部６は、複数の個体Ｋの変数ｘｉを探索空間Ｓの内部の評価関数Ｈoptに沿って設定する。複数の個体ＫはそれぞれＭ次元の変数ｘｉを備える。
　また極値化部７は、設定部６により設定された複数の個体Ｋのうち少なくとも２つ以上の選定個体Ｋに引力を作用させる引力ポテンシャルｆijを導出し、複数の個体Ｋの変数ｘｉによる評価関数Ｈoptの評価値Ｈopt（ｘｉ）を加算した評価加算値ΣＨopt（ｘｉ）、及び、導出された選定個体Ｋの間の引力ポテンシャルｆijを加算しこの加算値に選定個体Ｋの間に作用させる引力係数ｇ／２とを乗算した引力値、を加算した実効評価値Ｈeffを極値化、本実施形態では極小化する。
　そして導出部８は、引力係数ｇ／２を初期値（例えば０）から徐々に大きくしながら極値化部７により実効評価値Ｈeffが極値化するように複数の個体Ｋの変数ｘｉを変化させ、所定の終了条件を満たしたときにおける複数の個体Ｋの少なくとも一つの個体Ｋの評価値に基づいて、個体Ｋの変数ｘｉを導出する。すると、複数の個体Ｋが評価関数Ｈoptの最小値の一点に収束しやすくなる。本実施形態では、この原理を利用し、ある個体Ｋの変数ｘｉを導出して解出力する。
　図２に最適化処理の詳細な流れをフローチャートで示し、図３Ａ～図３Ｄに探索処理のイメージ図を示している。これらの図３Ａ～図３Ｄでは、探索空間Ｓを一次元のユークリッド空間とし、この評価関数Ｈoptが複数の極小値を備えた関数である場合にその中の最小値を探索する際の個体Ｋの移動状態のイメージ図を示している。
　まずマイコン５は、図２のＳ１において評価関数Ｈoptに沿って個体Ｋを設定する。図３Ａには、Ｎ＝３個（Ｎ＞２）すなわち複数の個体Ｋ１～Ｋ３を設定した状態を示している。以下、断らない限り、複数の個体Ｋ１～Ｋ３のうちの一部又は全ての個体を個体Ｋと略して説明を行うと共に、特別な個体Ｋについては符号Ｋの後に添え字を付して説明を行う。
　次に、マイコン５は、図２のＳ２において実効評価値Ｈeffを求め、この実効評価値Ｈeffを極小化するように個体Ｋの変数ｘｉを変化させて更新する。実効評価値Ｈeffは、前述したように複数の個体Ｋの変数ｘｉを評価関数Ｈoptに導入した評価値Ｈopt（ｘｉ）に基づく値であり、具体例としては下記のように表すことができる。
Figure JPOXMLDOC01-appb-M000005
 　この（１）式のうち、Ｈeffは実効評価値を示しており、Ｈopt（ｘｉ）は評価関数Ｈoptの各個体Ｋの評価値を示している。また、ｇ／２は引力係数、ΣΣｆij（ｘｉ－ｘｊ）は引力ポテンシャルの加算値を示している。
　（１）式の第１項は、複数の個体Ｋによる評価関数Ｈoptの評価値Ｈopt（ｘｉ）を加算した評価加算値、すなわち、評価関数Ｈoptに複数の個体Ｋの変数ｘｉを代入した評価値Ｈopt（ｘｉ）を加算した加算値を示しており、（１）式の第２項は、複数の個体Ｋ間の引力ポテンシャルｆijを加算し、この加算値に複数の個体Ｋの間に作用させる引力係数ｇ／２を乗算した引力値、を示している。この引力ポテンシャルｆijは、１つの個体Ｋが、他の全ての個体Ｋとの間で作用するように設定しても良いが、後述実施形態に示すように、全ての個体Ｋのうち一部を選定し当該選定個体Ｋを対象として引力ポテンシャルｆijを設定しても良い。また、この引力ポテンシャルｆijの関数は、後述実施形態に示すように、複数の個体Ｋ間の所謂ユークリッド距離が遠いほど引力値が大きくなる関数を適用しても良いし、ユークリッド距離に拘わらず引力値が一定値となるように設定しても良い。またこれに限られるものではなく、ユークリッド距離が遠いほど引力値が小さくなる関数を適用しても良い。マイコン５は、図２のＳ２においてこの評価加算値と引力値とを加算した実効評価値Ｈeffを導出し、実効評価値Ｈeffを小さくする個体Ｋの変数ｘｉを探索する。この探索方法としては、後述実施形態に示す補助関数法を用いることが望ましいが、極値を探索可能な方法であればどのような方法を用いて探索しても良い。
　例えば、評価関数Ｈoptが図３Ａに示すように複数の極小値を備える関数であるときには、（１）式の第２項の引力係数ｇ／２を増加させると、個体Ｋを一点に収束させる引力が強くなり、個体Ｋは低い山から順に昇り、すなわち極大値を超えるように順に移動し、谷、すなわち極小値、を順に移動する。このため、例えば図３Ｂに示すように、個体Ｋ１は探索空間Ｓ内の変数ｘｉを例えば増加する方向に移動すると共に、個体Ｋ３は探索空間Ｓ内の変数ｘｉを例えば減少する方向に移動する。
　次に、マイコン５は、図２のＳ３において状態更新回数ｔをインクリメントすることでｔ＝ｔ＋１とし、この状態更新回数ｔが所定上限回数τを超えたか否か、すなわち図２のＳ４においてｔ＝τ＋１であるか否かを判定する。本実施形態では、この図２のＳ４における所定上限回数τを超えたか否かの判定処理を所定の終了条件としている。マイコン５は、状態更新回数ｔが所定上限回数τ以下であり、この終了条件を満たしていないときには、Ｓ５において引力係数ｇ／２を例えば所定数だけ増加し、Ｓ２に戻り処理を繰り返す。マイコン５は、このように引力係数ｇ／２を徐々に大きくしながらＳ２～Ｓ３の処理を繰り返すことで、図３Ｃに示すように、各個体Ｋは評価関数Ｈoptの極大値の大きな山を徐々に超えるようになる。これらの処理が繰り返されることにより、図３Ｄに示すように、複数の個体Ｋ１～Ｋ３が評価関数Ｈoptの一点に収束するようになる。そして、マイコン５は、図２のＳ５において終了条件を満たしたときに例えば個体Ｋ１～Ｋ３のうちの何れか一つの個体Ｋの変数ｘｉの解を出力する。これにより個体Ｋの変数ｘｉを解出力できる。
　本実施形態によれば、引力係数ｇ／２を初期値から徐々に大きくしながら実効評価値Ｈeffが極値化するように複数の個体Ｋの変数ｘｉを変化させ、状態更新回数ｔが所定上限回数τを超えたときにおける複数の個体Ｋのうち少なくとも一つの個体Ｋに基づいて個体Ｋの変数ｘｉを導出している。またこのとき、評価関数Ｈoptの評価値が最も低くなる条件を満たす個体Ｋの変数ｘｉを解出力すると良い。これにより、変数ｘｉの最適値への到達確率を高めながら極力少ない回数で最適値へ到達できるようになる。
　（第２実施形態）
　図４から図１３は第２実施形態の追加説明図を示している。第２実施形態では、個体Ｋの変数ｘｉの初期分布の設定方法を説明する。前述実施形態に示したように、各個体ＫはＭ次元の変数ｘｉを備えているが、このＭ次元の変数ｘｉの初期分布を如何なる形態とするかに応じて、評価関数Ｈoptの谷の通過数、すなわち極値の通過数、及び、収束方法も変化する。
　評価関数Ｈoptの評価値がどのような値で極値、最小値となるか予め把握することはできないため、マイコン５は、予め探索空間Ｓを満たすように個体Ｋを初期設定することが望ましい。個体Ｋの数を多くすれば精度が高くなるが、個体Ｋの数を多くすれば処理時間も大きくなる。このため、限られた数の個体Ｋを用いて処理を行うことが望ましく、この限られた個体Ｋの変数ｘｉの初期分布が最適値の探索処理に重要な要素を占めることになる。このためには、例えば図４から図１３に示すように、個体Ｋの変数ｘｉの初期分布を設定することが望ましい。
　図４から図６、図８から図１３は、複数のそれぞれの個体ＫがＭ＝２次元の変数ｘｉを備えている場合の初期分布の例を示し、図７は複数のそれぞれの個体ＫがＭ＝３次元の変数ｘｉを備えている場合の初期分布の例を示している。
　Ｍ＝２次元の探索空間Ｓを想定したときに、例えば図４に示すように、探索空間Ｓ内に複数の個体Ｋの変数ｘｉをランダムに設定すると良い。この場合、個体Ｋが一点に収束する過程において広範囲の極値を探索することができるようになる。この中でも図５の個体Ｋａ、Ｋｂに示すように、少なくとも１つ以上の個体Ｋａ、Ｋｂの変数ｘｉを探索空間Ｓの上限値又は下限値とすると良い。また、その他の個体Ｋの変数ｘｉをランダムに設定すると良い。このように設定することで、さらに広範囲の極値を探索できる。特に、探索空間Ｓの中で全ての変数ｘｉについて上限値又は下限値となるように個体Ｋａｍの変数ｘｉを設定することがさらに望ましい。
　また、例えば図６に示すように、初期分布として探索空間Ｓを分割した格子点位置になるように個体Ｋの変数ｘｉを設定しても良い。この場合、図６にＭ＝２次元の例を示すように、隣接する個体Ｋの間を等分割して設定しても良いが、変数ｘｉ毎、すなわちｘｉ，１、ｘｉ，２毎に異なる分割数となるように設定しても良い。ここで「隣接」とはユークリッド距離が最も近い個体Ｋを意味する。また、例えば、複数の個体ＫがそれぞれＭ＝３次元の変数ｘｉを備えているときには、図７に示すように、個体Ｋが格子点位置に位置するように変数ｘｉを設定することで初期分布を構成すると良い。このように格子点位置に個体Ｋを初期分布させることで探索空間Ｓの内部における極値を網羅して探索できる。
　さらに図８に示すように、個体Ｋの変数ｘｉが谷の生成に寄与する寄与度の高い個体Ｋの変数ｘｉ，２の分割数を寄与度の低い個体Ｋの変数ｘｉ，１よりも大きく設定するようにしても良い。寄与度は、予め実験やシミュレーション等に応じて設定したり、実際の問題に対する定性的な考察から設定する。図８の例では、変数ｘｉ，２の分割数を５とし、変数ｘｉ，１の分割数を２としている。すると、初期分布として設定する個体Ｋの数を削減しながら探索空間Ｓの内部における極値を網羅して探索できる。個体Ｋの数を削減できるため処理時間を削減できる。
　また図９に示すように、例えば図６から図８のように設定されている場合、この中から少なくとも１つ以上の変数ｘｉが探索空間Ｓで上限値又は下限値となる個体Ｋだけを選定して設定しても良い。すると、個体Ｋの数を削減しながら広範囲において極値の探索を行うことができる。
　また図１０に示すように、初期分布として探索空間Ｓを複数の部分空間Ｓｃ、Ｓｄに分けて各部分空間Ｓｃ、Ｓｄにそれぞれ個体Ｋを設定しても良い。このとき、各部分空間Ｓｃ、Ｓｄ毎に実効評価値Ｈeffを求め当該実効評価値Ｈeffが所定終了条件を満たしたときにおける複数の個体Ｋの少なくとも一つの個体Ｋに基づいて個体Ｋの変数ｘｉを導出するようにしても良い。これにより、より少ない個体Ｋの数で探索空間Ｓを網羅的に探索できる。この場合、部分空間Ｓｃ、Ｓｄ毎に異なる評価関数Ｈoptの最小値（最適値）を得る個体Ｋg1，Ｋg2の変数ｘｉを求めることができるが、最終的に部分空間Ｓｃ、Ｓｄ毎に得られた個体Ｋg1，Ｋg2の変数ｘｉの評価関数Ｈoptの評価値を比較し、この評価値の最小値を得る個体Ｋg1，Ｋg2の変数ｘｉを選定して解として導出すると良い。
　これまで説明したように、収束過程において広範囲の極値を探索できるようにするため、探索空間Ｓの全てを極力網羅するように個体Ｋを広範囲に分布させることが望ましいが、例えば探索空間Ｓの内部に推定解が与えられる場合もある。
　例えば、ある変数ｘｉが時間的に連続して変化することを考慮する。例えばマイコン５がこのような変数ｘｉ（ｔ）の解をある所定の時間毎に導出するときに、次回のタイミングにおける変数ｘｉ（ｔ＋１）の解を得るために今回の変数ｘｉ（ｔ）の解を推定解ｘizとして与えることで、次回のタイミングにおける変数ｘｉ（ｔ＋１）の解の導出処理を素早くしかも正確に行うことができる場合もある。
　このような場合、図１１に示すように、初期分布として探索空間Ｓ内に限定された限定探索範囲Ｓａを設け、この限定探索範囲Ｓａとして推定解ｘizを含むように初期分布を設定することが望ましい。特にこの場合、例えば推定解ｘizから所定範囲（例えばｘｉ，１－α１＜変数ｘｉ，１＜ｘｉ，１＋β１、ｘｉ，２－α２＜変数ｘｉ，２＜ｘｉ，２＋β２；但し、α１、α２、β１、β２＞０）を満たすように限定探索範囲Ｓａを絞ることが望ましい。これにより、さらに少ない評価回数で変数ｘｉの最適解への到達確率を高めることができる。
　さらに図１２に示すように、初期分布として推定解ｘizを含む空間に近いほど個体Ｋを密に分布させると共に推定解から遠ざかるほど個体Ｋの密度を減少させるように設定するようにしても良い。これにより、より少ない個体Ｋの数で変数ｘｉの最適解への到達確率を高めることができる。
　さらに図１３に示すように、初期分布として推定解ｘizを含む空間に近い所定範囲Ｓｂ内に個体Ｋを密に分布させると共にその他の個体Ｋを所定範囲Ｓｂの外にランダムに分布させ、その他の個体Ｋのうち、少なくとも１つの個体Ｋａ、Ｋｂ、Ｋａｍの変数ｘｉを探索範囲Ｓの変数ｘｉの上限値又は下限値に設定するようにしても良い。これにより、変数ｘｉの推定解ｘizの付近を重点的に探索しながら広範囲を探索することができ、推定解ｘiz又はその周辺に解が存在していなかった場合においても、変数ｘｉの最適解への到達確率の低下を防ぐことができる。
　（第３実施形態）
　図１４から図２０Ｄは第３実施形態の追加説明図を示す。第３実施形態は、選定個体の選定方法について説明する。引力ポテンシャルｆijは（１）式に示したように、ｉ番目の個体Ｋとｊ番目の個体Ｋの差の関数として表すことができる。この場合、引力ポテンシャルｆijは、全ての２つの個体Ｋの組み合わせ数分の差分を求めて加算値を求めるようにすると良い。しかし図１４に示すように、多数の個体Ｋが一の谷Ｈ１の中で密に分布すると共に、他の個体Ｋｃが他の谷Ｈ２の中で疎に分布しているときには、密度が密に分布している谷Ｈ１の中の多数の個体Ｋの影響を受けやすくなる。
　すると、図１４の矢印Ｙに示すように、本来評価値が最小値となり変数ｘｉが最適値となる個体Ｋｃが、他の多数の個体Ｋの影響を受けて谷Ｈ２を抜け出してしまうことがある。また例えば第２実施形態に初期分布を示したように、個体Ｋの密度がそのある所定の領域、空間毎にばらつくこともある。
　このような場合を考慮し、全ての２つの個体Ｋの組み合わせに引力ポテンシャルｆijを与えてしまうと、個体Ｋの密度分布の影響が強くなることが想定されるような条件（例えば、評価関数Ｈoptの条件、又は／及び、個体Ｋの密度の初期分布の条件）を用いるときには、引力ポテンシャルｆijを与える個体Ｋを選定し、特定の選定個体Ｋの間にだけ引力ポテンシャルｆijを与えることが望ましい。
　この場合、図１５に変数Ｍ＝１次元の例を示すように、マイコン５が特に複数の個体Ｋに対し識別符号（例えば１～５）を順序付けて付し、順序が隣接する識別符号が付された個体Ｋを選定個体Ｋ１－Ｋ２、Ｋ２－Ｋ３、Ｋ３－Ｋ４、Ｋ４－Ｋ５として引力ポテンシャルｆijを導出し、順序が隣接しない識別符号が付された個体Ｋを選定個体とせず引力ポテンシャルｆijを０とすると良い。すると個体Ｋの密度の影響を強くしすぎることなく収束させることができる。
　また、マイコン５が全個体Ｋに対し引力ポテンシャルｆijを対等に印加するためには、図１６に示すように、個体Ｋ１と個体Ｋ５との間にも引力ポテンシャルｆijを印加するようにすると良い。なお図１５及び図１６には個体Ｋの変数ｘｉの小さい順に識別符号１～５を付した形態を示しているが、変数ｘｉの小さい順に識別符号１～５を付して並べる必要はなく、識別符号１～５を付す順序は変数ｘｉの大小に影響するものではない。
　また図１７にＭ＝２次元の選定個体Ｋの例を示す。この図１７は図６のように探索空間ＳにおけるＭ＝２次元の格子点位置に個体Ｋを初期分布させたときの選定個体の例を示す。また図１８に変数Ｍ＝３次元の例を示す。この図１８は図７のようにＭ＝３次元の格子点位置に個体Ｋを初期分布させたときの選定個体の例を示す。
　マイコン５は、格子点位置の個体Ｋと隣接する格子点位置の最大２×Ｍ個の個体Ｋを選定個体として引力ポテンシャルｆijを導出し、その他の個体Ｋを選定個体とせず引力ポテンシャルｆijを０とすることが望ましい。図１７に示すように、個体Ｋｄ１に隣接する格子点位置に存在する個体Ｋｄ２～Ｋｄ５を選定個体として引力ポテンシャルｆijを設定し、その他の個体Ｋを選定個体としないように引力ポテンシャルｆijを０に設定する。すなわち、個体ＫがそれぞれＭ＝２次元の変数ｘｉを備えるときには、最大２×Ｍ＝４個の隣接する格子点位置の個体Ｋを選定個体として引力ポテンシャルｆijを導出する。
　また、図１８に示すように、個体ＫがそれぞれＭ＝３次元の変数ｘｉを備えるときには、最大２×Ｍ＝６個の格子点位置の個体Ｋを選定個体として引力ポテンシャルｆijを導出する。
　また図１９には図９に示すようにＭ＝２次元の格子点位置の上限値又は下限値に個体Ｋを初期分布させたときの選定個体Ｋの例を示す。マイコン５は、これらの個体Ｋのうち隣接する２個の個体Ｋを選定個体として引力ポテンシャルｆijを導出し、その他の個体Ｋを選定個体とせず引力ポテンシャルｆijを０とする。図１９に示すように、マイコン５が例えば初期分布として複数の個体Ｋを探索範囲Ｓの変数ｘｉの上限値又は下限値に設定した場合には、探索空間Ｓにおいて変数ｘｉが上限値又は下限値となる個体Ｋａｍ、Ｋａ、Ｋｂから順次収束させることができる。すると探索空間Ｓを網羅して探索できる。
　＜評価関数Ｈoptを考慮しない場合における初期分布からの個体Ｋの移動イメージ＞
　図２０Ａから図２０Ｄに個体Ｋの移動イメージを示している。図２０Ａに初期分布を示している。この初期分布は、図１９に示す初期分布と同様であるが、改めて説明すると、全個体Ｋは、変数ｘｉ，１及びｘｉ，２が共に探索空間Ｓの上限値又は下限値となる頂点に設定された個体Ｋａｍ、変数ｘｉ，２が探索空間Ｓの上限値又は下限値となる辺部に設定された個体Ｋａ、変数ｘｉ，１が探索空間Ｓの上限値又は下限値となる辺部に設定された個体Ｋｂ、からなっている。すなわち、全個体Ｋａ、Ｋｂ、Ｋａｍは、それぞれ２次元の変数ｘｉ、１、ｘｉ、２の何れかの変数ｘｉが上限値又は下限値となるように設定されている。
　隣接する個体Ｋは、２次元の変数ｘｉ、１、ｘｉ、２が等間隔で初期設定されている。そして、この例では、隣接する個体Ｋａ、Ｋｂ、Ｋａｍを選定個体として引力ポテンシャルｆijを印加するようにしている。なお、説明を単純化するため評価関数Ｈoptは考慮しない例を示す。
　この例の場合、矢印を付した隣接した選定個体Ｋａ、Ｋｂ、Ｋａｍの間に引力がかかるため、隣接する個体Ｋａ、Ｋｂ、Ｋａｍは当該引力を合成したベクトル方向に引き寄せられることになる。このため、まず図２０Ｂに示すように、探索空間Ｓの頂点に初期設定された個体Ｋａｍが、探索空間Ｓの内方に引き込まれるように移動する。さらに図２０Ｃに示すように、探索空間Ｓの辺部に初期設定された個体Ｋａ、Ｋｂが探索空間Ｓの内方に引き込まれるように移動する。
　さらに図２０Ｄに示すように、全個体Ｋａ、Ｋｂ、Ｋａｍが徐々に探索空間Ｓの中央内側に引き込まれるように移動する。これにより全個体Ｋａ、Ｋｂ、Ｋａｍがそれらの２変数ｘｉ，１、ｘｉ，２が互いに同一となる一点に収束するようになる。この例では、評価関数Ｈoptを考慮していない例を挙げているため、最終的には探索空間Ｓの中央に収束することになるが、実際に評価関数Ｈoptを考慮すれば、変数ｘｉに応じた評価値Ｈopt（ｘｉ）が実効評価値Ｈeffに反映されるため、この実効評価値Ｈeffを最小化するように個体Ｋａ、Ｋｂ、Ｋａｍが移動する。すなわち個体Ｋａ、Ｋｂ、Ｋａｍのそれぞれの変数ｘｉが変化する。これにより、これらの全探索空間Ｓにおいて変数ｘｉの最適値を網羅的に探索できることがわかる。
　（第４実施形態）
　以下、第４実施形態を説明する。この第４実施形態では、引力ポテンシャルｆijの設定方法について説明する。引力ポテンシャルｆijは（１）式に示したように、ｉ番目の個体Ｋとｊ番目の個体Ｋの差分の関数として表すことができる。この場合、引力ポテンシャルｆijは、ｉ番目の個体Ｋのｐ番目の変数をｘｉ，ｐと表したときに、例えば下記の（２）式に基づいて導出することが望ましい。
Figure JPOXMLDOC01-appb-M000006
 　この（２）式の引力ポテンシャルｆijは、複数の個体Ｋの間のユークリッド距離が大きいほど大きな引力値とするように設定され、複数の個体Ｋの間の距離が小さいほど小さな引力値とするように設定される。この場合、初期分布として広範囲に分布させた個体Ｋを素早く収束させることができ、例えば図２に示すように処理を実行したときには、状態更新回数ｔの所定上限回数τを少なくしても十分に収束させることができる。しかも、この式は微分可能な関数となるため、微分値を０とするように実効評価値の変数ｘｉを求めることで容易に極値化できる。
　また、引力ポテンシャルｆijを例えば下記の（３）式に基づいて導出するようにしても良い。
Figure JPOXMLDOC01-appb-M000007
 　この（３）式の引力ポテンシャルｆijは、複数の個体Ｋの間の距離に関係なく一定の引力値とするように設定していることを示している。この場合、浅い谷、すなわち極大値を順に超えて収束させることができるようになる。
　（第５実施形態）
　図２１～図２６は第５実施形態の追加説明図を示す。本実施形態では、実効評価値Ｈeff（ｘｉ）を極小化するように個体Ｋの変数ｘｉを変化させるための具体例となる補助関数法について説明する。補助関数法は、（１）式の第１項の評価加算値、第２項の引力値を極小化するときに用いられる一方法であり、評価関数Ｈoptを当該評価関数Ｈoptに近似した２次関数に置換し、この置換した２次関数に基づいて極値化する方法を示している。
　以下、補助関数法について詳細説明する。補助関数法の詳細イメージを図２１に示している。図２１に示すように、変数ｘの評価関数をｆmej（ｘ）としたときに、この評価関数ｆmej（ｘ）の変数ｘに現在の解候補ｘ＾＊（図２１ではｘａ、ｘｂ）を代入し、この評価値ｆmej（ｘ＾＊）を通過すると共に、その微分値が評価関数の偏微分値∂ｆmej（ｘ＾＊）／∂ｘと等しく、且つ、その解候補ｘ＾＊を含む探索空間Ｓ内の全ての変数ｘｉにおける評価値ｆmej（ｘｉ）よりも大きな値を得る条件を満たすリプシッツ定数Ｌを用いた２次関数ｆｆを導入する。この２次関数ｆｆを数式化すると、（４－１）式の右辺のように示すことができる。また、この２次関数ｆｆが極値となる条件を満たす解をｘｚとすると（４－２）式のように導出できる。
Figure JPOXMLDOC01-appb-M000008
 　これらの（４－１）式、（４－２）式において、Ｌはリプシッツ定数を示し、ｘ＾＊はｘの現在の解候補を示している。なお（４－２）式の右辺を微分すると（４－３）式のように導出できる。
Figure JPOXMLDOC01-appb-M000009
 　このとき、変数ｘに解候補ｘ＾＊を代入することで（４－３）式の第２項を０にでき、現在の解候補ｘ＾＊における微分値は（４－３）式の第１項と等しくなる。この（４－３）式の第１項は、解候補ｘ＾＊における評価関数ｆmejの偏微分値∂ｆmej（ｘ＾＊）／∂ｘに一致する。また、この２次関数ｆｆは、解候補ｘ＾＊を含む全ての変数ｘｉで評価関数ｆmejの評価値ｆmej(ｘｉ)よりも大きな値となっている。このような２次関数ｆｆを用いて評価関数ｆmejの極値を求めることが望ましい方法となる。
　（４－２）式に示すように、解候補ｘｚを繰り返し導出する。図２１に示すように、現在の解候補をｘａとしたときに、まず２次関数ｆｆ１を探索し、２次関数ｆｆ１の極値を満たす解を次回の解候補ｘｂとする。その後、この次回の解候補ｘｂについて再度２次関数ｆｆ２の探索を行い、２次関数ｆｆ２の極値を満たす解を解候補ｘｃに更新する。したがって解候補はｘａ→ｘｂ→ｘｃとなるように変化する。これらの処理が、例えば所定回数以上繰り返されることで評価関数ｆmej（ｘ）の極小値と見做すことが可能な解（例えばｘｃ）を得ることができる。
　さて（１）式に（２）式の引力ポテンシャルｆijを代入すると下記の（５）式のように示すことができる。この（５）式における引力ポテンシャルｆijの関数は、第４実施形態に示したように、距離を大きくしたときに引力値を大きくする（２）式の関数を適用している。
Figure JPOXMLDOC01-appb-M000010
 　ここでは、説明を理解しやすくするため、引力ポテンシャルｆijを印加する個体Ｋとして、第２実施形態の図１５に示したように、識別番号の隣接する個体Ｋ１－Ｋ２、Ｋ２－Ｋ３、…、を選定個体としている。すなわち、ｉ番目とｉ＋１番目の個体Ｋを選定して引力ポテンシャルｆijを印加する数式を示している。ここでは、この例について説明するが、第２、第３実施形態で説明したその他の例も同様に組み合わせることが可能である。
　この（５）式の右辺において、評価関数Ｈoptを表す第１項と、引力係数ｇ／２×引力ポテンシャルｆijを表す第２項とに分けて補助関数法を適用する。（５）式の右辺の第１項について、補助関数法を適用して置換すると（６）式の右辺のようになる。
Figure JPOXMLDOC01-appb-M000011
 　この（６）式の右辺は、ｊ番目の個体Ｋにおけるｑ番目の変数ｘｊ，ｑを更新する場合に、（５）式の右辺の第１項について補助関数法を適用した数式を示している。また、（５）式の右辺の第２項を補助関数法を適用して置換すると（７）式の右辺のようになる。
Figure JPOXMLDOC01-appb-M000012
 　この（７）式の右辺も同様に、ｊ番目の個体におけるｑ番目の変数ｘｊ，ｑを更新する場合において、（５）式の右辺の第２項について、補助関数法を適用した数式を示している。このような（６）式と（７）式を加算した加算値を極小化した条件を満たす変数ｘｉを最終的に解出力することになる。
　リプシッツ定数Ｌは大きすぎると、（４－１）式の不等式を満たすことになるものの、２次係数が比較的大きくなることから、図２２に２次関数ｆｆのイメージを示すように、解の更新処理の幅が小さくなりすぎる。このため、評価関数Ｈoptの谷Ｈ２の極値に到達するまでの処理ステップが多くなり処理時間が長くなる。
　逆に、リプシッツ定数Ｌが小さすぎると（４－２）式の不等式を満たさなくなり、図２３に２次関数ｆｆのイメージを示すように、解の更新処理の幅が大きくなりすぎる。すると、１ステップの処理だけで隣接する谷Ｈ１に移動してしまうことが確認されている。
　このため、リプシッツ定数Ｌは、変数ｘｉの解を更新する度に計算し直すと共に、式（４－１）の不等式を満たす中で可能な限り小さい値を設定すると良いが、特に（５）式の右辺の第２項に補助関数法を適用するときには、（７）式に示すようにリプシッツ係数Ｌを４に固定することが望ましい。このリプシッツ係数Ｌ＝４は変数ｘｉの解を更新処理する度に導出し直す必要がないことが発明者らにより確認されている。このとき特に、第２項におけるｊ番目の個体におけるｑ番目の変数の更新後の解ｘj,qは（８）式のように導出できる。
Figure JPOXMLDOC01-appb-M000013
 　この（８）式に示したｊ番目以外の個体Ｋについても、ｑ番目の変数ｘ≠ｊ，ｑの更新処理を同じように行うことができ、１からＮ番目の個体Ｋのｑ番目の変数ｘｊ，ｑは、（９－１）式のように行列式を用いて一括更新できる。ただし、変数行列ｘｑ、リプシッツ係数行列Ｌｑ、引力係数行列Ｇ、評価関数偏微分行列∇ｑＨoptは、それぞれ（９－２）式、（９－３）式、（９－４）式、（９－５）式に示すように表すことができる。
Figure JPOXMLDOC01-appb-M000014
Figure JPOXMLDOC01-appb-M000015
Figure JPOXMLDOC01-appb-M000016
 　このようにして更新処理を行うことができる。
　また、評価関数Ｈoptに補助関数法を適用し、第２項の引力値に補助関数法を用いなくても良い。すなわち、ｊ番目の個体のｑ番目の変数ｘｊ，ｑを更新するときに評価関数Ｈoptだけに補助関数法を適用すると、（５）～（７）式に対応した実効評価値Ｈeffは（９－６）式のように表すことができる。
Figure JPOXMLDOC01-appb-M000017
 　このとき（９－６）式を極値化するには、（９－７）式に示すように変数ｘｊ，ｑにより偏微分した微分値が０となる条件を満たすように更新すると良い。
Figure JPOXMLDOC01-appb-M000018
 　他の個体Ｋのｑ番目の変数ｘｊ，ｑを一般化して考慮すると、（９－８）式のように表すことができる。
Figure JPOXMLDOC01-appb-M000019
 　この式を変数ｘｑについて解くと、（９－９）式のように表すことができる。
Figure JPOXMLDOC01-appb-M000020
 　この（９－９）式を適用すると、「（Ｌ＋ｇＧ）＾（－１）」に含まれるＧは正則行列ではないため、引力係数ｇ／２を大きくした場合にＧの特異性によって逆行列の計算精度が大幅に低下する。このため、前述したように、評価関数Ｈoptの評価値と共に引力値についても補助関数法を適用することが望ましい。すると、マイコン５を用いたとしても、（９－１）式に基づいて計算処理することになり、（９－９）式における（Ｌ＋ｇＧ）＾－１の逆行列を算出しなくても良くなり、計算精度を高めることができる。
　このような最適化処理のフローチャートを図２４に示している。図２４に示すように、マイコン５はまずＳ１において探索空間Ｓ内に複数の個体Ｋを設定する。このとき、例えば第２実施形態に示したように個体Ｋを設定して初期分布を構成すると良い。マイコン５は、引力係数ｇ／２を初期値＝０とすることで実効評価値Ｈeff＝（１）式の右辺の第１項（＝複数の個体Ｋの評価関数Ｈoptの評価値）となるように初期設定する。そして、マイコン５はＳ２ａにおいて補助関数法を示す（８）式を用いて個体Ｋの全変数ｘｉを更新する。
　このＳ２ａの処理は、このタイミングで複数回行うようにしても良い。そして、マイコン５は、Ｓ４にて所定の終了条件を満たすまで、Ｓ５において複数の個体Ｋの間の引力係数ｇ／２を徐々に増加させることで引力値を徐々に強くする。すると、これらのＳ２ａ～Ｓ５の処理を繰り返すことで広範囲に散らばった個体Ｋは１カ所に収束することになる。引力値を増加するタイミングは、Ｓ２ａにおいて補助関数法を用いた更新処理を１回だけ実行した後でも良いし、Ｓ２ａの処理について実効評価値Ｈeffの極値を得られることが想定される回数だけ繰り返し実行した後であっても良い。
　また、終了時点における個体Ｋの数は必ずしも１カ所の所定領域に収束して極値化している必要はないものの、引力により個体Ｋを収束させることによる優位性を活用するために、処理後には初期分布における個体Ｋの分散範囲よりも狭い所定範囲内に収束していることが望ましい。
　＜具体例＞
　発明者は評価関数Ｈoptを具体的な数式とした実例に合わせて最適値を導出するシミュレーションを行っている。以下ではこの具体例を説明する。評価関数Ｈoptを下記の（１０－１）式と定義した。ただし、ｆ（ｘ）は（１０－２）式、ｇ（ｘ）は（１０－３）式とし、ωは（１０－４）式としている。
Figure JPOXMLDOC01-appb-M000021
 　この評価関数Ｈoptは、Ｍ＝１次元の変数ｘに応じた関数とされており、図２５に示すように、複数の極小値を有する関数である。このとき図２６に示したように、（１０－１）式、（１０－２）式、（１０－３）式、（１０－４）式の定数ｘｍ、ａ、Ｐ、Ａ、Ｂ、Ｃを設定している。このように定数ｘｍ、ａ、Ｐ、Ａ、Ｂ、Ｃを設定することで、評価関数Ｈoptは、特に変数ｘの探索範囲（探索空間Ｓ）を－５．０≦ｘ≦５．０としたときに、最適解が変数０．５となる関数を示す。
　また図２６に示したように、状態更新回数ｔの所定上限回数τを１００とし、個体Ｋの数Ｎを１０とし、図２４のＳ２ａに示すように、補助関数法を適用した処理を実行した。また図２４の処理ステップＳ５において、引力係数ｇ／２を増加させているが、下記の（１０－５）式のように状態更新回数ｔの増加に応じて引力係数ｇ／２を増加するように設定した。
Figure JPOXMLDOC01-appb-M000022
 　（１０－５）式のｇmax／２は引力係数ｇ／２の最大値を示す。図２７には、引力係数ｇ／２の最大値ｇmax／２を横軸とし、収束成功したと見做すことが可能なシミュレーション回数を全シミュレーション回数で除して導出された成功確率を縦軸として示している。
　ここでは、少なくとも一つの個体Ｋの変数ｘｉが、最適解ｘ＝０．５の谷Ｈｙに含まれていることを成功条件としてカウントしている。ここでいう谷Ｈｙとは、図２５に示すように評価関数Ｈoptの評価値が最適解ｘ＝０．５の評価値からその高低両側の極大値に至るまでの範囲となることを満たす領域を示している。したがって、収束後において、少なくとも一つの個体Ｋの変数ｘｉが谷Ｈｙに対応した領域内に含まれることを成功と見做している。
　図２７に示した結果を考慮すると、成功確率はｇmax／２に依存することがわかる。図２７の範囲ｇａに示すように、引力係数ｇ／２の最大値ｇmax／２を小さくしすぎると、引力値が弱く個体Ｋが収束する可能性は低くなり成功確率は比較的低くなる。この方法は所謂並列勾配法に類似した方法となる。逆に、引力係数ｇ／２の最大値ｇmax／２を大きくしすぎると、図２７の範囲ｇｂに示すように、評価関数Ｈoptを無視して収束することになり成功確率が低下する。このため、引力係数ｇ／２の最大値ｇmax／２をそれらの範囲ｇａ、ｇｂとはならないある所定範囲ｇｃに設定することで成功確率を極力上げることができる。特に、引力係数ｇ／２の最大値ｇmax／２を範囲ｇｃの中でも特定の範囲ｇｄに設定することで９０％近い成功確率を達成できることを確認できた。
　図２８は、全ての個体Ｋが最適解に含まれないように初期分布を構成し、当該個体Ｋの変数ｘｉが、ある一点に収束する過程で最適解を含む谷Ｈｙに対応した所定領域ｘｘに収束する様子について状態更新回数ｔを横軸として示している。前述したように、この図２８に示す所定領域ｘｘに収束後の個体の変数ｘが１つでも入力していれば成功と見做す。
　個体Ｋが収束過程における広範囲を探索処理することで評価関数Ｈoptの極値をくまなく探索できるようになる。
　しかも図２５に示しているように、評価関数Ｈoptが変数ｘ≒－０．５～１．５の領域において極値を多数有する関数であったとしても、図２８に示すように最適解＝０．５を含む谷Ｈｙに対応した領域ｘｘ内に個体Ｋを収束させることができることを確認できた。
　（第６実施形態）
　図２９は第６実施形態の追加説明図を示している。第６実施形態は、収束後の処理を示す。例えば図２又は図２４に示す処理を実行し、状態更新回数ｔを所定上限回数τまで繰り返したときに実効評価値Ｈeffが極値化している場合であっても、図２９に示すように個体Ｋが最適値を含む谷Ｈｙ１の１カ所に収束せず、他の谷Ｈｙ２等に位置していることがあり、この結果、何れの個体Ｋの変数ｘｉを解出力するか定めることができない場合がある。
　（１）式を考慮すれば明らかなように、実効評価値Ｈeffが極値とされていたとしても、複数の個体Ｋの間に引力を生じている状態で釣り合っていることになるため、ある個体Ｋの変数ｘｉを評価関数Ｈoptに代入してもその評価関数Ｈoptの評価値が必ずしも極値とはならないことが多い。このため、マイコン５は最終段階の処理として（１）式の第２項の引力係数ｇ／２を０とし、実効評価値Ｈeffとして第１項の評価関数Ｈoptの評価値そのものの極値を導出することが望ましい。
　例えば図２９に示すように、複数の個体Ｋがそれぞれ複数の谷Ｈｙ１、Ｈｙ２に位置している場合には、例えば前述の補助関数法を用いて極値化することで、複数の個体Ｋがそれぞれ対応した複数の谷Ｈｙ１、Ｈｙ２の極値に移動することになる。
　これらの複数の個体Ｋの中で、変数ｘｉを（１）式の第１項に代入した実効評価値Ｈeffが最小値を満たす個体Ｋの変数ｘｉを解として出力することが望ましい。これにより、変数ｘｉの最適値を導出できる。しかも、個体Ｋが１カ所に収束していない場合であっても、評価関数Ｈoptが極値となる変数ｘｉを確実に得ることができる。
　本実施形態に係る処理を適用すれば、前述実施形態又はそれらの実施形態を組み合わせた方法をしたときに必ずしも１カ所の谷（例えばＨｙ１）に収束している必要がなくなり、少なくとも１つの個体Ｋが変数ｘｉの最適解を含む谷Ｈｙ１に収束していればよくなる。このため、この処理を用いていない方法に比較して、例えば所定上限回数τを少なく設定できるようになる。
　（第７実施形態）
　図３０から図３２は第７実施形態の追加説明図を示している。この第７実施形態では探索開始前に予め推定解が与えられる例を示す。
　例えば、車両用の運転支援装置１０１は、交通状況やその変化、事故防止への対応のために近年活発に開発されており、特にドライバーへの運転負担を軽減するために開発されている。例えば運転支援装置１０１は、図３０に示すように、制御器１０２を備え、位置検出器１０３、速度センサ１０４、地図情報取得部１０５、等を接続して構成され、未来時刻における最適移動位置を通過する最適経路を最適化する最適化装置として構成される装置である。
　制御器１０２は、例えばＣＰＵ１０６、ＲＯＭ、ＲＡＭ、ＥＥＰＲＯＭなどのメモリ１０７、及び、Ｉ／Ｏ１０８を備えたマイクロコンピュータ１０９を主として構成され、モデル予測制御処理に関するプログラムがメモリ１０７に記憶されている。運転支援装置１０１は、制御器１０２により実現される機能ブロックとして、図示しないが、図１Ｂと同様の設定部６、極値化部７、導出部８としての機能を備える。
　位置検出器１０３は、例えばＧＰＳ（Global Positioning System）等を用いて現在位置の情報を検出する。速度センサ１０４は移動体Ｃの移動速度を検出する。地図情報取得部１０５は、所定の記憶装置（例えばＨＤＤ）に予め記憶される地図情報、又は、外部の地図サーバから地図情報を取得する。制御器１０２は、メモリ１０７に記憶されたモデル予測制御処理のプログラムを実行することにより、位置検出器１０３から取得される現在位置情報、速度センサ１０４から取得される移動体Ｃの移動速度情報、及び、地図情報取得部１０５により取得される地図情報に基づいてモデル予測制御を行う。なお、その他のセンサ、例えば車両周辺の障害物Ｏｂ１、Ｏｂ２を検知するための超音波センサ、車両周辺の障害物Ｏｂ１、Ｏｂ２との距離を測定するための測距装置、などにより取得される各種情報を用いてモデル予測制御を行っても良い。
　このモデル予測制御技術は、未来予測を行う技術であり、未来を含む一定期間の最適制御を行い、これらの最適制御を所定の時間毎に更新する技術である。運転支援装置１０１は、モデル予測制御技術を用いることで未来を含む一定期間における移動体（例えば自動車）Ｃの最適な走行経路を導出したり、障害物Ｏｂ１、Ｏｂ２に衝突することなく所定の駐車スペースに導くように支援できる。
　このような運転支援装置１０１の制御器１０２が、障害物Ｏｂ１、Ｏｂ２への衝突を避けながら経路探索処理を行うときには、図３１に鳥瞰図を示すように、現在時刻ｔ０から未来時刻ｔ１～ｔ６までの一定期間ｔ０～ｔ６における移動体Ｃの最適経路Ｒ０を導出することで時刻ｔ１における最適移動位置Ｌ１を決定する。
　図３２に時刻ｔ１におけるモデル予測制御処理を鳥瞰図で示している。図３２に示すように、運転支援装置１０１の制御器１０２は、時刻ｔ１において新たに現在時刻ｔ１以降における未来時刻ｔ２～ｔ７における最適経路Ｒ１を導出するが、時刻ｔ１における最適経路Ｒ１は、時刻ｔ０における最適経路Ｒ０と近い軌跡となることが考えられる。
　このため、制御器１０２は、例えば時刻ｔ１～ｔ６に対応した位置Ｌ１～Ｌ６による最適経路Ｒ０を推定解とし、この推定解に基づいて第２実施形態に示したように、例えばこの最適経路Ｒ０を含む領域に近いほど個体Ｋを密に分布させると共に当該最適経路Ｒ０から遠ざかるほど密度を減少させるように個体Ｋを設定して初期分布を構成する。すると、少ない探索回数で最適解に到達する確率を高めることができるようになる。
　本実施形態によれば、制御器１０２が、未来時刻ｔ２～ｔ７における移動体Ｃの最適経路Ｒ１を導出するときには、過去の最適経路Ｒ０を推定解とし、初期分布として最適経路Ｒ０を含む領域に近いほど個体Ｋを密に分布させると共に最適経路Ｒ０から遠ざかるほど個体Ｋの密度を減少させる。これにより、少ない探索回数で最適解に到達する確率を高めることができる。
　（他の実施形態）
　本開示は、上記した実施形態に限定されるものではなく、以下のように変形又は拡張することができる。
　前述実施形態では、個体Ｋの変数ｘｉを解出力する形態を説明しているが、変数ｘｉに対応した評価値、すなわち、解出力すべき変数ｘｉを評価関数Ｈoptに代入した評価値を解出力するようにしても良い。また、引力ポテンシャルｆijに基づく引力値を０にする前の変数ｘｉを導出し、この変数ｘｉをそのまま解出力しても良いし、第６実施形態で説明したように、引力値を０にした後の変数ｘｉの最適値を導出して解出力しても良い。また、この変数ｘｉの最適値を評価関数Ｈoptに代入した評価値を導出し解出力しても良い。このような各種値を導出する場合に適用しても良い。
　評価関数Ｈoptが極小値、最小値となる条件を満たす変数ｘｉを最適値として解出力する形態を示したが、極大値、最大値となる条件を満たす変数ｘｉを最適値として解出力する形態に適用しても良い。
　所定の終了条件として、状態更新回数ｔが所定上限回数τを上回るか否かを条件としているが、これに限定されるものではなく、例えば変数ｘｉを代入した評価関数Ｈoptの評価値が所定値以下となっているか、などの異なる条件を用いても良い。
　引力係数ｇ／２を初期値＝０から徐々に大きくする形態を示したが、初期値は０に限られない。
　図面中、１は最適化装置、１０１は運転支援装置（連続値最適化問題の大域的探索装置）、１０２は制御器、６は設定部、７は極値化部、８は導出部、Ｋは個体、Ｓは探索空間、ｘｉは変数、ｇ／２は引力係数、Ｈoptは評価関数、Ｈeffは実効評価値、ｘizは推定解、を示す。
　また、請求の範囲に記載した括弧内の符号は、本開示の一つの態様として前述する実施形態に記載の具体的手段との対応関係を示すものであって、本開示の技術的範囲を限定するものではない。前述実施形態の一部を、課題を解決できる限りにおいて省略した態様も実施形態と見做すことが可能である。また、請求の範囲に記載した文言によって特定される本質を逸脱しない限度において、考え得るあらゆる態様も実施形態と見做すことが可能である。
　また本開示は、前述した実施形態に準拠して記述したが、本開示は当該実施形態や構造に限定されるものではないと理解される。本開示は、様々な変形例や均等範囲内の変形をも包含する。加えて、様々な組み合わせや形態、さらには、それらに一要素、それ以上、あるいはそれ以下、を含む他の組み合わせや形態をも、本開示の範畴や思想範囲に入るものである。

Claims (40)

  1. 　１以上の次元を備えた探索空間（Ｓ）に複数の極値を備える評価関数（Ｈopt）に個体（Ｋ）を設定することに基づいて個体の変数（ｘｉ）または変数の最適値を導出する連続値最適化問題の大域的探索装置（１、１０１）であって、
    　複数の個体の変数を前記探索空間の中の評価関数に沿って設定する設定部（６）と、
    　前記設定部により設定される複数の個体のうち少なくとも２つ以上の選定個体に引力を作用させる引力ポテンシャルを導出し、前記複数の個体の変数による評価関数の評価値を加算した評価加算値、及び、導出された前記選定個体の間の引力ポテンシャルを加算しこの加算値に前記選定個体の間に作用させる引力係数（ｇ／２）とを乗算した引力値、を加算した実効評価値（Ｈeff）を極値化する極値化部（７）と、
    　前記引力係数を初期値から徐々に大きくしながら前記極値化部により実効評価値が極値化するように前記複数の個体の変数を変化させ、所定の終了条件を満たしたときにおける前記複数の個体の少なくとも一つの個体に基づいて、前記個体の変数、その変数の最適値、変数に対応した評価値、又は、評価値の最適値による各種値を導出する導出部（８）と、
    　を備える大域的探索装置。
  2. 　前記変数の探索を開始する前に予め変数の推定解（ｘiz）が与えられている場合には、
    　前記設定部は、初期分布として前記探索空間の内部に限定された限定探索範囲（Ｓａ）であって当該推定解を含む限定探索範囲に前記個体の変数を設定する請求項１記載の大域的探索装置。
  3. 　前記設定部は、初期分布として前記探索空間に前記複数の個体の変数をランダムに設定する請求項１または２記載の大域的探索装置。
  4. 　前記設定部は、初期分布として少なくとも１つ以上の個体の少なくとも一つ以上の変数を前記探索空間の上限値又は下限値とし、その他の個体の変数をランダムに設定する請求項１または２記載の大域的探索装置。
  5. 　前記設定部は、初期分布として前記探索空間を分割した格子点位置になるように前記個体の変数を設定する請求項１または２記載の大域的探索装置。
  6. 　前記個体の変数が谷の生成に寄与する寄与度の高い前記個体の変数の分割数を寄与度の低い個体の変数よりも大きく設定する請求項５記載の大域的探索装置。
  7. 　前記設定部は、前記初期分布として少なくとも１つ以上の変数が上限値又は下限値となる個体を選定して設定する請求項５または６記載の大域的探索装置。
  8. 　前記設定部は、前記探索空間を複数の部分空間（Ｓｃ、Ｓｄ）に分け、当該各部分空間にそれぞれ個体を設定し、
    　前記導出部は、前記極値化部により求められた実効評価値が所定終了条件を満たしたときにおける前記複数の個体の少なくとも一つの個体に基づいて前記各種値を導出する請求項３から７の何れか一項に記載の大域的探索装置。
  9. 　前記変数の探索を開始する前に予め変数の推定解（ｘiz）が与えられている場合には、
    　前記設定部は、初期分布として前記推定解を含む空間に近いほど個体を密に分布させると共に前記推定解から遠ざかるほど個体の密度を減少させるように設定する請求項１記載の大域的探索装置。
  10. 　前記変数の探索を開始する前に予め変数の推定解（ｘiz）が与えられている場合には、
    　前記設定部は、初期分布として前記推定解を含む空間に近い所定範囲（Ｓｂ）に個体を密に分布させると共にその他の個体を前記所定範囲の外にランダムに分布させ、その他の個体の少なくとも１つの個体の少なくとも一つ以上の変数を前記探索範囲の上限値又は下限値に設定する請求項１記載の大域的探索装置。
  11. 　前記極値化部は、前記複数の個体に対し識別符号を順序付けて付し、順序が隣接する識別符号が付された個体を前記選定個体として引力値を導出し、順序が隣接しない識別符号が付された個体を前記選定個体とせず引力値を０とする請求項１から１０の何れか一項に記載の大域的探索装置。
  12. 　前記極値化部は、変数の数をＭ（但しＭは１以上の自然数）としたときに、前記格子点位置の個体と隣接する格子点位置の最大２×Ｍ個の個体を前記選定個体として引力値を導出し、その他の個体を選定個体とすることなく前記引力値を０とする請求項５から７の何れか一項に記載の大域的探索装置。
  13. 　前記極値化部が前記複数の個体の間の引力ポテンシャルを導出し引力値を導出するときには、前記複数の個体の間の距離が大きいほど大きな引力値とし距離が小さいほど小さな引力値とする請求項１１または１２記載の大域的探索装置。
  14. 　前記極値化部が前記複数の個体の間の引力ポテンシャルを導出し引力値を導出するときに、
    Figure JPOXMLDOC01-appb-M000001
     　の（２）式により導出する請求項１３記載の大域的探索装置。
  15. 　前記極値化部が前記複数の個体の間の引力ポテンシャルを導出し引力値を導出するときには、前記複数の個体の間の距離に依存しない一定の引力値とする請求項１１または１２記載の大域的探索装置。
  16. 　前記極値化部が前記複数の個体の間の引力ポテンシャルを導出し引力値を導出するときに、
    Figure JPOXMLDOC01-appb-M000002
     　の（３）式により導出する請求項１５記載の大域的探索装置。
  17. 　前記導出部は、少なくとも一つの個体の評価値に基づいて各種値を導出するときに、前記引力値を０として前記複数の個体の評価加算値による実効評価値を極値化して前記複数の個体の変数の実効評価値の最小値を導出し、当該実効評価値が最小値を満たす変数を最適値として導出する請求項１から１６の何れか一項に記載の大域的探索装置。
  18. 　前記極値化部が、前記実効評価値を極値化するときには、
    　前記評価加算値及び前記引力値のそれぞれについて、当該値の解候補を求めた後、当該解候補を代入したときの微分値が当該評価関数の微分値と等しく、且つ、前記解候補を含む探索空間の内の全ての変数における評価値よりも大きな値を得る条件を満たす２次関数に置換し、当該２次関数の極値を次回の値の解候補として繰り返して更新する補助関数法を用い、
    　前記評価加算値と前記引力値とを加算した実効評価値を極値化する請求項１から１７の何れか一項に記載の大域的探索装置。
  19. 　前記極値化部が、前記実効評価値を極値化するときには、
    　前記評価加算値及び前記引力値のそれぞれについて、当該値の解候補を求めた後、当該解候補を代入したときの微分値が当該評価関数の微分値と等しく、且つ、前記解候補を含む探索空間の内の全ての変数における評価値よりも大きな値を得る条件を満たすリプシッツ定数を用いた２次関数に置換し、当該２次関数の極値を次回の値の解候補として繰り返して更新する補助関数法を用い、
    　前記評価加算値と前記引力値とを加算した実効評価値を極値化するものであり、
    　前記極値化部が、前記引力値について前記補助関数法を用いるときには前記２次関数のリプシッツ定数を４に固定して設定する請求項１４記載の大域的探索装置。
  20. 　前記導出部が、前記個体の変数又はその最適値として、未来時刻における最適経路（Ｒ１）を導出するときに、
    　前記設定部は、過去の最適経路（Ｒ０）を推定解とし、前記初期分布として前記推定解を含む領域に近いほど個体を密に分布させると共に前記推定解から遠ざかるほど個体の密度を減少させるように設定する請求項１記載の大域的探索装置。
  21. 　１以上の次元を備えた探索空間（Ｓ）に複数の極値を備える評価関数（Ｈopt）に個体（Ｋ）を設定することに基づいて個体の変数（ｘｉ）または変数の最適値を導出するプログラムであって、
    　大域的探索装置（１，１０１）に、
    　複数の個体の変数を前記探索空間の中の評価関数に沿って設定する手順と、
    　設定された複数の個体のうち少なくとも２つ以上の選定個体に引力を作用させる引力ポテンシャルを導出し、前記複数の個体の変数による評価関数の評価値を加算した評価加算値、及び、導出された前記選定個体の間の引力ポテンシャルを全て加算しこの加算値に前記選定個体の間に作用させる引力係数（ｇ／２）とを乗算した引力値、を加算した実効評価値（Ｈeff）を極値化する手順と、
    　前記引力係数を初期値から徐々に大きくしながら前記極値化部により実効評価値が極値化するように前記複数の個体の変数を変化させ、所定の終了条件を満たしたときにおける前記複数の個体の少なくとも一つの個体の評価値に基づいて、前記個体の変数、その変数の最適値、変数に対応した評価値、又は、評価値の最適値による各種値を導出する手順と、
    　を実行させるプログラム。
  22. 　前記変数の探索を開始する前に予め変数の推定解（ｘiz）が与えられている場合には、
    　前記最適化装置が前記複数の個体の変数を設定する手順では、初期分布として前記探索空間に限定された限定探索範囲（Ｓａ）であって当該推定解を含む限定探索範囲に前記個体の変数を設定する請求項２１記載のプログラム。
  23. 　前記最適化装置が前記複数の個体の変数を設定する手順では、初期分布として前記探索空間に前記複数の個体の変数をランダムに設定する請求項２１または２２記載のプログラム。
  24. 　前記最適化装置が前記複数の個体の変数を設定する手順では、初期分布として少なくとも１つ以上の個体の少なくとも一つ以上の変数を前記探索空間の上限値又は下限値とし、その他の個体の変数をランダムに設定する請求項２１または２２記載のプログラム。
  25. 　前記最適化装置が前記複数の個体の変数を設定する手順では、初期分布として前記探索空間において全ての個体の変数を分割した格子点位置になるように前記個体の変数を設定する請求項２１または２２記載のプログラム。
  26. 　前記最適化装置が前記複数の個体の変数を設定する手順では、前記個体の変数が谷の生成に寄与する寄与度の高い前記個体の変数の分割数を寄与度の低い個体の変数よりも大きく設定する請求項２５記載のプログラム。
  27. 　前記最適化装置が前記複数の個体の変数を設定する手順では、前記初期分布として少なくとも１つ以上の変数が上限値又は下限値となる個体を選定して設定する請求項２５または２６記載のプログラム。
  28. 　前記探索空間を複数の部分空間（Ｓｃ、Ｓｄ）に分け、当該各部分空間にそれぞれ個体を設定し、前記極値化部により実効評価値を求め当該実効評価値が所定終了条件を満たしたときにおける前記複数の個体の少なくとも一つの個体の評価値に基づいて前記個体の変数又はその変数の最適値を導出する請求項２３から２７の何れか一項に記載のプログラム。
  29. 　前記変数の探索を開始する前に予め変数の推定解（ｘiz）が与えられている場合には、
    　前記最適化装置が前記複数の個体の変数を設定する手順では、初期分布として前記推定解を含む空間に近いほど個体を密に分布させると共に前記推定解から遠ざかるほど個体の密度を減少させるように設定する請求項２１記載のプログラム。
  30. 　前記変数の探索を開始する前に予め変数の推定解（ｘiz）が与えられている場合には、
    　前記最適化装置が前記複数の個体の変数を設定する手順では、初期分布として前記推定解を含む空間に近い所定範囲内に個体を密に分布させると共にその他の個体を前記所定範囲の外にランダムに分布させ、その他の個体の少なくとも１つの個体の少なくとも一つ以上の変数を前記探索範囲の上限値又は下限値に設定する請求項２１記載のプログラム。
  31. 　前記実効評価値を極値化する手順では、前記複数の個体に対し識別符号を順序付けて付し、順序が隣接する識別符号が付された個体を前記選定個体として引力値を導出し、順序が隣接しない識別符号が付された個体を前記選定個体とせず引力値を０とする請求項２１から３０の何れか一項に記載のプログラム。
  32. 　前記実効評価値を極値化する手順では、変数の数をＭ（但しＭは１以上の自然数）としたときに、前記格子点位置の個体と隣接する格子点位置の最大２×Ｍ個の個体を前記選定個体として引力値を導出し、その他の個体を選定個体とすることなく前記引力値を０とする請求項２５から２７の何れか一項に記載のプログラム。
  33. 　前記実効評価値を極値化する手順では、前記複数の個体の間の引力ポテンシャルを導出し引力値を導出するときには、前記複数の個体の間の距離が大きいほど大きな引力値とし距離が小さいほど小さな引力値とする請求項３１または３２記載のプログラム。
  34. 　前記実効評価値を極値化する手順では、前記複数の個体の間の引力ポテンシャルを導出し引力値を導出するときに、
    Figure JPOXMLDOC01-appb-M000003
     　の（２）式により導出する請求項３３記載のプログラム。
  35. 　前記実効評価値を極値化する手順において、前記複数の個体の間の引力ポテンシャルを導出するときには、前記複数の個体の間の距離に依存しない一定の引力値とする請求項３１または３２記載のプログラム。
  36. 　前記実効評価値を極値化する手順では、前記複数の個体の間の引力ポテンシャルを導出し引力値を導出するときに、
    Figure JPOXMLDOC01-appb-M000004
     　の（３）式により導出する請求項３５記載のプログラム。
  37. 　前記各種値を導出する手順では、少なくとも一つの個体の評価値に基づいて個体の変数を導出するときに、前記引力値を０として前記複数の個体の評価加算値による実効評価値を極値化して前記複数の個体の変数の実効評価値の最小値を導出し、当該実効評価値が最小値を満たす変数を最適値として導出する請求項２１から３６の何れか一項に記載のプログラム。
  38. 　前記実効評価値を極値化する手順では、
    　前記評価加算値及び前記引力値のそれぞれについて、当該値の解候補を求めた後、当該解候補を代入したときの微分値が当該評価関数の微分値と等しく、且つ、前記解候補を含む探索空間の内の全ての変数における評価値よりも大きな値を得る条件を満たす２次関数に置換し、当該２次関数の極値を次回の値の解候補として繰り返して更新する補助関数法を用い、
    　前記評価加算値と前記引力値とを加算した実効評価値を極値化する請求項２１から３７の何れか一項に記載のプログラム。
  39. 　前記実効評価値を極値化する手順では、
    　前記評価加算値及び前記引力値のそれぞれについて、当該値の解候補を求めた後、当該解候補を代入したときの微分値が当該評価関数の微分値と等しく、且つ、前記解候補を含む探索空間の内の全ての変数における評価値よりも大きな値を得る条件を満たすリプシッツ定数を用いた２次関数に置換し、当該２次関数の極値を次回の値の解候補として繰り返して更新する補助関数法を用い、
    　前記評価加算値と前記引力値とを加算した実効評価値を極値化するものであり、
    　前記引力値について前記補助関数法を用いるときには前記２次関数のリプシッツ定数を４に固定して設定する請求項３４記載のプログラム。
  40. 　前記個体の変数又はその最適値を導出する手順では、未来時刻における最適経路（Ｒ１）を導出するものであって、
    　前記複数の個体の変数を設定する手順では、過去の最適経路（Ｒ０）を推定解とし、前記初期分布として前記推定解を含む領域に近いほど個体を密に分布させると共に前記推定解から遠ざかるほど個体の密度を減少させるように設定する請求項２１記載のプログラム。
PCT/JP2017/023050 2016-09-02 2017-06-22 連続値最適化問題の大域的探索装置及びプログラム Ceased WO2018042840A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016171776A JP6718338B2 (ja) 2016-09-02 2016-09-02 連続値最適化問題の大域的探索装置及びプログラム
JP2016-171776 2016-09-02

Publications (1)

Publication Number Publication Date
WO2018042840A1 true WO2018042840A1 (ja) 2018-03-08

Family

ID=61300401

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/023050 Ceased WO2018042840A1 (ja) 2016-09-02 2017-06-22 連続値最適化問題の大域的探索装置及びプログラム

Country Status (2)

Country Link
JP (1) JP6718338B2 (ja)
WO (1) WO2018042840A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022151049A (ja) * 2021-03-26 2022-10-07 横河電機株式会社 装置、方法およびプログラム
CN117157595A (zh) * 2021-04-22 2023-12-01 三菱电机株式会社 加工条件搜索装置、程序和加工条件搜索方法
US12241797B2 (en) 2021-08-26 2025-03-04 Kabushiki Kaisha Toshiba Generation method, generation device, generation system, program, and storage medium

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1185728A (ja) * 1997-09-10 1999-03-30 Hitachi Ltd 極小値・最小値探索方法
JP2013036084A (ja) * 2011-08-08 2013-02-21 Kobe Steel Ltd 転炉の副原料投入量計算装置および該方法
WO2015168431A1 (en) * 2014-04-30 2015-11-05 Stc.Unm Optimization methods for radiation therapy planning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1185728A (ja) * 1997-09-10 1999-03-30 Hitachi Ltd 極小値・最小値探索方法
JP2013036084A (ja) * 2011-08-08 2013-02-21 Kobe Steel Ltd 転炉の副原料投入量計算装置および該方法
WO2015168431A1 (en) * 2014-04-30 2015-11-05 Stc.Unm Optimization methods for radiation therapy planning

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022151049A (ja) * 2021-03-26 2022-10-07 横河電機株式会社 装置、方法およびプログラム
JP7463996B2 (ja) 2021-03-26 2024-04-09 横河電機株式会社 装置、方法およびプログラム
CN117157595A (zh) * 2021-04-22 2023-12-01 三菱电机株式会社 加工条件搜索装置、程序和加工条件搜索方法
US12241797B2 (en) 2021-08-26 2025-03-04 Kabushiki Kaisha Toshiba Generation method, generation device, generation system, program, and storage medium

Also Published As

Publication number Publication date
JP6718338B2 (ja) 2020-07-08
JP2018037003A (ja) 2018-03-08

Similar Documents

Publication Publication Date Title
Chen et al. Polydiffuse: Polygonal shape reconstruction via guided set diffusion models
CN112488104A (zh) 深度及置信度估计系统
KR20200095378A (ko) 사람의 주행 데이터를 트레이닝 데이터로서 사용하여 강화 학습을 지원함으로써 맞춤형 경로 플래닝을 수행하는 학습 방법 및 학습 장치
KR102543698B1 (ko) 컴퓨팅 시스템 및 상기 장치에서 수행되는 데이터 라벨링 방법
Wirthmüller et al. Predicting the time until a vehicle changes the lane using LSTM-based recurrent neural networks
Németh et al. Optimal control of overtaking maneuver for intelligent vehicles
CN113204988A (zh) 小样本视点估计
CN113963227A (zh) 包括非单射变换的图像分类器
JP2020201927A (ja) 複数物体追跡装置、方法及びプログラム
US20240420344A1 (en) Method and apparatus for predicting vehicle trajectory, and method and apparatus for training neural network prediction model
US20220237814A1 (en) Method and apparatus with pose prediction
WO2018042840A1 (ja) 連続値最適化問題の大域的探索装置及びプログラム
CN111967583B (zh) 压缩神经网络的方法、装置、设备和介质
CN116758511A (zh) 多任务模型训练方法、任务预测方法、装置、设备及介质
CN118135519A (zh) 一种基于密集体素表示的隐式场景补全方法
CN120542472A (zh) 使用扩散模型生成图数据
CN109840558A (zh) 基于密度峰值-核心融合的自适应聚类方法
US11049265B2 (en) Balancing diversity and precision of generative models with complementary density estimators
US20230034973A1 (en) Methods and Systems for Predicting Trajectory Data of an Object
CN120259399A (zh) 针对小目标的双目视差图获取方法、装置与系统
Zhang et al. Learning uncertainty using clustering and local gaussian process regression
JP7045150B2 (ja) 連続最適化問題の大域的探索装置及びプログラム
Itkina et al. Convolutional neural network information fusion based on Dempster-Shafer theory for urban scene understanding
CN120293140B (zh) 一种自主水下航行器路径规划方法、系统及电子设备
Koller et al. Can land cover classification models benefit from distance-aware architectures?

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17845850

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17845850

Country of ref document: EP

Kind code of ref document: A1