GAの探索過程を把握し対象問題の特徴を捉えるシステムの構築赤塚浩太背景多くの連続問題最適化手法は対象問題の設計変数値をそのまま利用我々が把握している外観を元に探索対象問題の性質の把握が比較的容易 GAは対象問題の設計変数値をコード化し利用我々が把握している外観とは異なった空間を探索対象問題の性質の把握が困難？背景 Rastrigin Rosenbrock 難しい？簡探索結果 320 100,000以上単？？見た目では判断できな研究目的 GAにとって簡単な問題か否かは見た目では判断できない対象問題の特徴を捉えるシステム探索過程の様子依存関係の把握ハミング距離，位相，適合度を用いて探索過程の様子 Rastrigin Rosenbrock 探索過程の様子 Rastrigin Rosenbrock よくわからない依存関係の把握上位１割を抜き出し統計処理 Rast rigin 依存関係弱い簡単 Rosen brock 依存関係強い難しいハミング距離，位相，適合度 GAではコード化しているためX,Y,適合度では得られる情報が少ない。ハミング距離，位相，適合度の３軸を元に個体の分布を調べる． Rastrigin Rosenbrock ハミング距離，位相，適合度 Rastrigin 徐々に真の解に近づく Rosenbrock ほとんど変化無しエリート→最適解なぜ，rosenbrockでは探索が進まないのか？現在のエリートと最適解の間を調べてみた． frequency O Optimum 1 0 2 3 0.5 1.0 hamming distance m Elite E fitness エリート→最適解 Rastrigin 簡単 50 44 38 32 26 20 1 8 2 -44 0.3 1.6 8 over 50 44 38 32 26 20 1 8 2 -44 18 4 0.5 14 2.9 over 24 34 難しい Rosenbrock 結論 GAは対象問題の設計変数値をコード化し利用外観ではその関数が難しいかどうかわからない．様々な手法を用いることで，関数の特徴を捉えることに成功これらの手法を簡単に利用できるシステムの構築とそのシステムを用いた対象問題の特徴抽出