抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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。(著者抄録)
