講演抄録/キーワード |
講演名 |
2018-01-27 10:20
非線形写像モデル最適化法 ○神野健哉(日本工大) NLP2017-95 |
抄録 |
(和) |
本稿では非線形写像モデル最適化法(Nonlinear Map model Optimization; MNO)を提案する。NMOは簡素な非線形写像で駆動される幾つかの粒子で構成されている。このためNMOは群知能最適化アルゴリズムの一つとみなすこともできる。一般に群知能最適化アルゴリズムでは多数の計算素子で群れを構成し、この群れによって最適解探索を行うため大量の計算資源を必要とする。これに対してNMOは他の群知能最適化に比べ非常に少ない粒子数しか必要としないため、他の群知能最適化アルゴリズムと比較して少ない計算資源しか必要としない。我々はこれまでに代表的な群知能最適化アルゴリズムである粒子群最適化法(Particle Swarm Optimization; PSO)に関して力学系理論に基づく解析を行い、PSOでは各粒子の探索点分布の形状が解探索能力に重要な影響を与えていることを明らかにしている。この結果を基に、NMOでは探索点分布が適切な形状になるように非線形写像を設計している。その結果、NMOがPSOで標準的に用いられている Standard PSO 2013 (SPSO2013) よりも優れた解探索能力を示すことを数値実験により確認する |
(英) |
In this article, we propose a nonlinear map-model optimization (abbr. NMO) method. The NMO consists of some particle whose dynamics is driven by a simple nonlinear map. The MNO can be classified as swarm intelligence optimizer. However, the NMO requires only a few particle comparing with other swarm intelligence optimizers. Therefore, the computation amount is the smaller than the other methods. Based on the theoretical analysis results about the dynamics of the particle swarm optimization, we set so that the searching point distribution of the NMO becomes an optimal distribution.
As the result, the search performance of the NMO exhibits better than Standard PSO 2013. |
キーワード |
(和) |
群知能最適化 / 最適化 / 非線形写像 / 探索点分布 / 決定論的 / black-box問題 / / |
(英) |
swarm intelligence / optimization / nonlinear map / search point distribution / deterministic / black-box problem / / |
文献情報 |
信学技報, vol. 117, no. 415, NLP2017-95, pp. 51-54, 2018年1月. |
資料番号 |
NLP2017-95 |
発行日 |
2018-01-19 (NLP) |
ISSN |
Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
NLP2017-95 |
研究会情報 |
研究会 |
MBE NC NLP |
開催期間 |
2018-01-26 - 2018-01-27 |
開催地(和) |
九州工業大学 |
開催地(英) |
Kyushu Institute of Technology |
テーマ(和) |
ニューロコンピューティングの実装および人間科学のための解析・モデル化, ME,一般 |
テーマ(英) |
ME, generalImplementation of Neuro Computing,Analysis and Modeling of Human Science, |
講演論文情報の詳細 |
申込み研究会 |
NLP |
会議コード |
2018-01-MBE-NC-NLP |
本文の言語 |
日本語 |
タイトル(和) |
非線形写像モデル最適化法 |
サブタイトル(和) |
|
タイトル(英) |
Nonlinear map model optimization method |
サブタイトル(英) |
|
キーワード(1)(和/英) |
群知能最適化 / swarm intelligence |
キーワード(2)(和/英) |
最適化 / optimization |
キーワード(3)(和/英) |
非線形写像 / nonlinear map |
キーワード(4)(和/英) |
探索点分布 / search point distribution |
キーワード(5)(和/英) |
決定論的 / deterministic |
キーワード(6)(和/英) |
black-box問題 / black-box problem |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
神野 健哉 / Kenya Jin'no / ジンノ ケンヤ |
第1著者 所属(和/英) |
日本工業大学 (略称: 日本工大)
Nippon Institute of Technology (略称: NIT) |
第2著者 氏名(和/英/ヨミ) |
/ / |
第2著者 所属(和/英) |
(略称: )
(略称: ) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2018-01-27 10:20:00 |
発表時間 |
25分 |
申込先研究会 |
NLP |
資料番号 |
NLP2017-95 |
巻番号(vol) |
vol.117 |
号番号(no) |
no.415 |
ページ範囲 |
pp.51-54 |
ページ数 |
4 |
発行日 |
2018-01-19 (NLP) |
|