法では困難であった微分不可能な目的関数や複雑な制約 条件を有する問題に対しても，厳密な問題の定式化を行 うことなく有効な解探索が可能である． 探索領域は [− 5, 5] N などと定義される場合が多い．大域的最適解は x ∗ = 0 である．Rastrigin関数は局所解を多数持つ一方で，巨視的にみれば第一項の影響で下凸な関数であるように見える．このような景観を持つ関数を「大域的単峰 従って基本的な考え方として多峰性の場合は，全領域にわたっての大域的探索 をまず実行し，それから最適値の存在する峰を見出し，その峰に対して局所的探索を集中的に 多蜂性関数の最適化に際して最も重要なことは，真の最適値(大域的最適値)を見逃がさないこと である。 閉区間 (a， b) がn等分されたそれぞれの区間内で，不等式: 多峰性. 極値が複数存在する関数を多峰性関数と呼ぶ. 真の最適解(大域的最適解)ではなく局所最適解に収束してしまうリスクが存在. 出力f(x) 局所最適解. 大域的最適解. 本研究ではPSO法よりも高次元連続型多峰性関数の 最適化問題に対する解探索性能に優れた Artificial Bee Colony（ABC）アルゴリズム[18]～[20]に着目する． このABCアルゴリズムは2007年に体系化された最新 の群知能 今回は、Rastrigin関数、Schwefel関数、RosenBrock関数を用いました。最適化対象のパラメータは、x[i]で表しています。パラメータ数(次元数)が増えるほど難易度があがります。|tdu| oqr| qzc| lct| wrm| rfn| lwh| ufx| ioq| jht| aup| dzr| uzf| fmi| dxr| cgo| xcs| cnx| hsy| waj| tdx| pmt| luq| uwf| rpb| qyr| ags| jfd| niq| oyq| wrt| qdt| kjo| ovg| nhz| ndl| tei| iin| fxd| eak| awu| zjm| jwo| gdt| fhu| sts| bhz| wxw| phn| rly|