種分類を用いた共進化によるセルオートマトンの近傍則獲得

• Item type: Trans(1)
• 公開日: 2004-02-15
• タイトル: 種分類を用いた共進化によるセルオートマトンの近傍則獲得
• タイトル / 言語: en
• タイトル: CA Rule Acquisition Using Speciation Based Co - evolution
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: 局所探索
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 琉球大学工学部
• 著者所属: 琉球大学工学部
• 著者所属: 琉球大学大学院理工学研究科／現在，株式会社沖縄電力
• 著者所属(英): en
• 著者所属(英): Faculty of Engineering, University of the Ryukyus
• 著者所属(英): en
• 著者所属(英): Faculty of Engineering, University of the Ryukyus
• 著者所属(英): en
• 著者所属(英): Graduate School of Science & Engineering, University of the Ryukyus/Presently with The Okinawa Electric Power Company
• 著者名: 遠藤, 聡志; 山田, 孝治; 亀島, 力
• 著者名(英): Satoshi, Endo; Koji, Yamada; Chikara, Kameshima
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: セルオートマトン（Cellular Automata：CA）を用いて複雑系現象を再現する場合，状態遷移則（CAルール）を解析対象に応じて適切に設計しなければならない．CAルール設計のテスト問題として，1 次元CA 密度分類タスクがある．このタスクは局所情報から大域的目的現象を再現しなければならないというCA ルール設計特有の困難さがある．Juill´e らの示した共進化モデルは，GA の解探索に加えて，解集団の効率的な進化を促す問題空間の探索を利用することで探索性能の改善を図り，当タスクのベストレコードを示すルールの自動設計に成功している．本研究では，CAルール群中の類似性を解集団（CA ルール群）から抽出し，それらを「種」という形で具体化したうえで，すべての「種」を包含するような解を求める．この遺伝的操作は，現象内に内包される局所的規則性（サブタスク）を基にして，サブタスク解間のCA ルール内での整合性を高めるものである．Juill´e らの手法が問題依存型のクラスタリングとheuristic な適応度計算式の拡張を導入したのに対し，提案手法はモデル化する現象に応じたクラスタリングと，種統合のための適応度計算式の自動的な調整を行う点が特色である．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: We describe an application of Evolutionary Computations to the design of Cellular Automata that can perform computations requiring global coordination. On recent works, Coevolutionary Learning was used to acquire CA-Rules for the computational task that called “density classification”. In this task, ordinary ECs discovered rules that didn’t give rise to high performance and sophisticated strategy. Some reason presented this experiment seem to prevent continuous progress in evolutionary search. The major reason is that the dynamics of the search performed by the two co-evolving populations doesn’t drive individuals to the domain of the state space that contains most promising solutions because there is no “high-level” strategy to play that role. Our approach proposes a co-evolutionary framework in which those two issues are addressed as follows: (1) Classification of CA-Rules into some of “species” by the use of its state of affairs in CA task. (2) Allocating the perfect “Fitness-Function” for each species so as to aggregate own strategy each other. We analyze the results of our methods on computer experiments, and weigh against existing techniques in reference to general purpose.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11464803
• 書誌情報: 情報処理学会論文誌数理モデル化と応用（TOM）; 巻 45, 号 SIG02(TOM10), p. 110-118, 発行日 2004-02-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7780
• 出版者 / 言語: ja
• 出版者: 情報処理学会