• 検索結果がありません。

遺伝的プログラミングによる 効率的なプログラム生成

N/A
N/A
Protected

Academic year: 2021

シェア "遺伝的プログラミングによる 効率的なプログラム生成"

Copied!
3
0
0

読み込み中.... (全文を見る)

全文

(1)

Japan Advanced Institute of Science and Technology

JAIST Repository

https://dspace.jaist.ac.jp/

Title 遺伝的プログラミングによる効率的なプログラム生成

Author(s) 伊藤, 拓也

Citation

Issue Date 1999‑03

Type Thesis or Dissertation Text version author

URL http://hdl.handle.net/10119/876 Rights

Description 佐藤理史, 情報科学研究科, 博士

(2)

遺伝的プログラミングによる 効率的なプログラム生成

伊藤拓也

北陸先端科学技術大学院大学 情報科学研究科

1999

1

14

論文の内容の要旨

遺伝的プログラミング (GeneticProgramming,以下GP)は,目的とするプログラム(解 プログラム)に対する明示的な知識なしにコンピュータ・プログラムを生成することがで きる.解プログラムは選択といくつかの遺伝的オペレータによって生成される.しかし,

GPには,目的とするプログラムを生成するのに時間がかかる,という問題点がある.こ の問題は規模の大きなプログラムを生成する場合,極めて深刻な問題となる.

本研究ではGPを用いて効率的にプログラムを生成する方法について検討する.効率 的とは,解プログラムを生成するのに要する世代数を削減することである.この目的を達 成するために,本研究ではGPの遺伝的オペレータを改良する.GPには主に交叉,突然 変異,複製の3種類の遺伝的オペレータがある.これらの遺伝的オペレータのうち,交叉 が主に目的とするプログラムの探索に寄与する.そのため,本研究では交叉を改良するこ とによって前途の目的の達成をする.従来の交叉では,交叉点をランダムに選んでおり,

その盲目的な適用のためにビルディング・ブロック(適応度を向上させるのに有効な部分 プログラム)を破壊してしまう恐れがあった.この問題点を解決するために,本研究では 4種類の新しい交叉を提案する.

1番目の交叉は「深さ依存型交叉」で,2番目の交叉は「改良版深さ依存型交叉」であ る.「深さ依存」とは,節点選択率を木構造の深さによって決定することを意味する.これ らの交叉では,浅い節点ほど頻繁に選ばれ,深い節点はほとんど選択されない.ビルディ ング・ブロックは浅い節点を交換することによって保護される.

3番目の交叉は「非破壊深さ依存型交叉」で,これは深さ依存型交叉と非破壊交叉を組 み合わせたものである.「非破壊」とは,交叉時に親よりも適応度の良い子どもだけを残 すことを意味する.この交叉は深さ依存型交叉のプログラム・サイズ問題を解決するため に提案されたものである.

c

(3)

4番目の交叉は「セルフチューニング深さ依存型交叉」である.この交叉では,集団内 の各個体は異なった深さ選択率が割り当てられており,選ばれた個体の深さ選択率は次世 代にコピーされる.この交叉は深さ依存型交叉をGPの様々な問題に適用するために提案 されたものである.

本研究では,これらの4種類の交叉と従来の交叉のパフォーマンス(適応度と生成され るプログラムのサイズ)を,GPの標準問題と本研究独自のロボット問題で実験的に比較 した.これらの実験結果より,提案された交叉は従来の交叉に比べて優れていたことが分 かった.

さらに,本研究ではいくつかの先行研究の調査とこれらの実験結果をもとにして,ビル ディング・ブロック仮説(どのように交叉が解プログラムを探索するのかを説明した仮説) について考察する.

キーワード: 遺伝的プログラミング (GeneticProgramming, GP),深さ依存型交叉,

非破壊深さ依存型交叉,セルフチューニング深さ依存型交叉,ビルディン グ・ブロック,ビルディング・ブロック仮説

参照

関連したドキュメント

遺伝学的検査は,推定患者に対する遺伝学的診断の場

本研究では、GA の GTYPE として一次元のビット列を考え、それをバイナリ表現で変換したものを PTYPE

本研究では、GA の GTYPE として一次元のビット列を考え、それをバイナリ表現で変換したものを PTYPE

遺伝的アルゴリズム( Genetic Algorithm : GA ) は,生物の進化を工学的に模倣した確率的な最適化 手法である 1) . GA

ARGA 手法では,ネットワークの Tree

メタボリック症候群に関連するマイクロRNA:miR-33a・miR-33b

個体群中での順位 個体群中 順位が同じであれば じであれば選択される される確率は変わら わら ない.今回は評価値

Cell における最適化手法 本章では,遺伝的プログラミングの問題点を挙げ,これを解決するための高速化手