遺伝的アルゴリズムを実装する

Transcript

1. 0 遺伝的アルゴリズムを実装する 2024-08-23 第102回NearMe技術勉強会 Takuma KAKINOUE
2. 1 遺伝的アルゴリズム(GA)について • そもそもGAとは？ ◦ 近似解の探索のためのヒューリスティックな⼿法 ▪ 探索⼿法は、⽣物の進化から着想を得ている • 選択、交叉、突然変異 ◦ 多⽬的最適化にも有効 ▪ 解集団を⽤いた多点局所探索というアプローチのため • GAで解ける問題の例 ◦ ナップザック問題 ◦ 巡回セールスマン問題 ◦ 機械学習モデルのハイパーパラメータのチューニング
3. 2 選択（Selection）の⼿法 • エリート（elite）⽅式 ◦ 適応度の⾼いn個の個体を残す⽅式 • ルーレット（roullet）⽅式 ◦ SoftMax関数を使って適応度に応じて確率的に個体を選択する⽅式 • トーナメント（tournament）⽅式 ◦ 解集団をn個のグループに分割し、各グループの中で ⼀番適応度の⾼い個体のみ残す⽅式
4. 3 交叉（Crossover）の⼿法 • ⼀点（one-point）交叉 ◦ 染⾊体内のある１箇所で分割して、交叉させる⽅法 • ⼆点（two-point）交叉 ◦ 染⾊体内のある２箇所で分割して、交叉させる⽅法 • ⼀様（uniform）交叉 ◦ 染⾊体に含まれる遺伝⼦の⻑さと同じ⻑さのmaskを⽣成し、 maskが1の部分の遺伝⼦を⼊れ替える⽅法
5. 4 ⼀点交叉のコード 区切りのindexをランダムで 指定して、両親の遺伝⼦を 区切ってコピーしたものを 結合し、⼦の遺伝⼦としている。
6. 5 GAの⼿法 ※どちらも親集団μ個から個集団λ個が⽣成される • ( μ, λ ) - ES ◦ ⼦集団λ個の中から上位μ個を選択して次世代の親とする⽅法 • ( μ + λ ) - ES ◦ 親集団μ個と⼦集団λ個の和集合の中から上位μ個を選択して次世代の親とする ⽅法 ◦ ⼤域的最適解を得られやすい
7. 6 アルゴリズムのフローチャート 1. 個体（Individual）をランダムに⽣成して、初期の解集団（Population）を構築 2. 以下をn世代繰り返す a. 解集団の各個体に対して適合度（Fitness）を算出する b. 解集団から適合度が⾼い個体を上位μ個抽出（selection）する c. bで抽出された個体同⼠を交叉（Crossover）させて、新たな個体をλ個⽣成する d. cで新たに⽣成された各個体に対して突然変異（Mutation）を⾏う e. 解集団を以下の個体に置き換える i. ( μ, λ )の場合、”cで⽣成されたλ個の個体” ii. ( μ + λ )の場合、”bで抽出されたμ個の個体”と”cで⽣成されたλ個の個体” 3. 解集団からパレート解を抽出し、出⼒する（多⽬的最適化の場合）
8. 7 実装する上で⼯夫した点 • インターフェース部分 ◦ 各⼿法をクロージャ（Closure）を使って実装
9. 8 コードを動かしてみる • git ◦ https://github.com/kakky-hacker/algorithm_sandbox • command ◦ cd genetic_algorithm ◦ python sample/knapsack.py ▪ 以下のナップザック問題を解く • 値段 = [100, 200, 650, 1100, 2100, 3300] • 嬉しさ = [2, 5, 16, 32, 64, 105] • 所持⾦ = 40000
10. 9 PythonのGAフレームワーク • DEAP ◦ スター数がこの３つの中で⼀番多い（2024/08/23時点） ◦ https://github.com/DEAP/deap • Platypus ◦ 前に使ったことがあったので久しぶりに覗いたら最後のcommitが６年前だった.. ◦ https://github.com/andyrimmer/Platypus • pymoo ◦ 多⽬的最適化に特化しているらしい ◦ https://github.com/anyoptimization/pymoo
11. 10 Thank you