Submit Search
Upload
組合せ最適化問題と解法アルゴリズム
•
Download as PPTX, PDF
•
2 likes
•
7,715 views
sady_nitro
Follow
2018/08/18 オカヤマ コンピュータサイエンス ラボ Vol.1 セッション1
Read less
Read more
Technology
Report
Share
Report
Share
1 of 37
Download now
Recommended
Proof Summit 2015 <http: /> で発表した、SAT/SMTソルバの仕組みです。 Proofということで、論理学的側面からの面白さを出来るだけ紹介しています。
SAT/SMTソルバの仕組み
SAT/SMTソルバの仕組み
Masahiro Sakai
同じ「探索と活用の戦略」を用いる2つの最適化アルゴリズム「ベイズ最適化」と「多腕バンディット」ですが、どのような前提の上に立っており、どのような問題に対して力を発揮するのか、それぞれの視座から見てみました。
探索と活用の戦略 ベイズ最適化と多腕バンディット
探索と活用の戦略 ベイズ最適化と多腕バンディット
H Okazaki
WBA若手の会が第11回勉強会で発表するスライドです
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
narumikanno0918
情報処理学会 第217回自然言語処理研究会 http://www.nl-ipsj.or.jp/NL217program.html
Word2vecの並列実行時の学習速度の改善
Word2vecの並列実行時の学習速度の改善
Naoaki Okazaki
https://math-coding.connpass.com/event/147508/ Math&coding#6 の発表資料
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
数理最適化とPython
数理最適化とPython
Yosuke Onoue
2017年5月 会津大学にて行った『深層学習』勉強会第5回目のスライドです。ボルツマンマシンについて説明しました。
深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン
Yuta Sugii
東京大学松尾研究室 強化学習サマースクール2020 第5回 https://deeplearning.jp/reinforcement_cource-2020s/
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
Recommended
Proof Summit 2015 <http: /> で発表した、SAT/SMTソルバの仕組みです。 Proofということで、論理学的側面からの面白さを出来るだけ紹介しています。
SAT/SMTソルバの仕組み
SAT/SMTソルバの仕組み
Masahiro Sakai
同じ「探索と活用の戦略」を用いる2つの最適化アルゴリズム「ベイズ最適化」と「多腕バンディット」ですが、どのような前提の上に立っており、どのような問題に対して力を発揮するのか、それぞれの視座から見てみました。
探索と活用の戦略 ベイズ最適化と多腕バンディット
探索と活用の戦略 ベイズ最適化と多腕バンディット
H Okazaki
WBA若手の会が第11回勉強会で発表するスライドです
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
スパースモデリング、スパースコーディングとその数理(第11回WBA若手の会)
narumikanno0918
情報処理学会 第217回自然言語処理研究会 http://www.nl-ipsj.or.jp/NL217program.html
Word2vecの並列実行時の学習速度の改善
Word2vecの並列実行時の学習速度の改善
Naoaki Okazaki
https://math-coding.connpass.com/event/147508/ Math&coding#6 の発表資料
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
数理最適化とPython
数理最適化とPython
Yosuke Onoue
2017年5月 会津大学にて行った『深層学習』勉強会第5回目のスライドです。ボルツマンマシンについて説明しました。
深層学習 勉強会第5回 ボルツマンマシン
深層学習 勉強会第5回 ボルツマンマシン
Yuta Sugii
東京大学松尾研究室 強化学習サマースクール2020 第5回 https://deeplearning.jp/reinforcement_cource-2020s/
Control as Inference (強化学習とベイズ統計)
Control as Inference (強化学習とベイズ統計)
Shohei Taniguchi
4/16に行われた筑波大の手塚若林研合同ゼミでの発表スライドです。
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
大阪PRML
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Yuki Matsubara
第25回ステアラボ人工知能セミナー https://stair.connpass.com/event/143745/
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
2020/10/30 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
Deep Learning JP
db analytics showcase Sapporo 2017 発表資料 http://www.db-tech-showcase.com/dbts/analytics
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
ベイズ統計学の基礎概念からW理論まで概論的に紹介するスライドです.数理・計算科学チュートリアル実践のチュートリアル資料です.引用しているipynbは * http://nhayashi.main.jp/codes/BayesStatAbstIntro.zip * https://github.com/chijan-nh/BayesStatAbstIntro を参照ください. 以下,エラッタ. * 52 of 80:KL(q||p)≠KL(q||p)ではなくKL(q||p)≠KL(p||q). * 67 of 80:2ν=E[V_n]ではなくE[V_n] → 2ν (n→∞). * 70 of 80:AICの第2項は d/2n ではなく d/n. * 76 of 80:βH(w)ではなくβ log P(X^n|w) + log φ(w). - レプリカ交換MCと異なり、逆温度を尤度にのみ乗することはWBIC導出では本質的な仮定となる.
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
文部科学省 数学協働プログラム チュートリアル「ビッググラフと最適化」の講演スライドです.
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法
Shunji Umetani
JOI夏季セミナー2016 コンピュータ・ジオメトリ
直交領域探索
直交領域探索
okuraofvegetable
ベイズ推定の基本とPyMCによる簡単な実装例です. 関連資料: https://github.com/scipy-japan/tokyo-scipy/tree/master/006/shima__shima
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
Toshihiro Kamishima
SVMの基本的な数学を説明しています. ブログにもまとめてますので,どうぞ https://kenyu-life.com/2019/02/11/support_vector_machine/ 動画解説してます 「https://www.youtube.com/watch?v=TNOC0vyIL-g」
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
学生向けの解説
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
https://pycon.jp/2015/ja/schedule/presentation/44/
組合せ最適化を体系的に知ってPythonで実行してみよう PyCon 2015
組合せ最適化を体系的に知ってPythonで実行してみよう PyCon 2015
SaitoTsutomu
モメンタム、Nesterov accelerated gradientとAdagrad, Adadelta, Adamについて解説しました。
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
Introduction of Deep Reinforcement Learning, which was presented at domestic NLP conference. 言語処理学会第24回年次大会(NLP2018) での講演資料です。 http://www.anlp.jp/nlp2018/#tutorial
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
文献紹介のスライドです。学部4年生〜修士課程1年生くらい向けです。1枚目に8本の文献リストを載せていますが、最初の3本しか説明していません。 - p. 26のωに対するFisher Vectorの式を修正したました (2014/01/14)
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
Takao Yamanaka
科研費シンポジウム「ベイズ統計の理論と応用」で用いたスライドです.
逐次モンテカルロ法の基礎
逐次モンテカルロ法の基礎
ShoutoYonekura
グローバル最適なIterative Closest Point(ICP)アルゴリズム”Go-ICP”についての解説です. ICPは有名なところではKinect Fusionなど,3次元点群のレジストレーションに広く用いられています.基本的には,最近傍点の対応付けと姿勢(並進と回転)の推定を順次繰り返していくことで,点群間の2乗誤差を最小にするような姿勢を見つけようとアルゴリズムです. ICPは原理上,点群間の姿勢がある程度離れると局所解に陥ってしまい正しくレジストレーションできないという課題があります. そこで,局所性を改善したアルゴリズム(SoftAssign など)や,ローカルな特徴(Spin Imageや4PCSなど)を用いて大域的にレジストレーションする手法など多様なアルゴリズムが提案されていますが,グローバル”最適”な点群のレジストレーションアルゴリズムはあまり提案されていませんでした. 2013 ICCV,2015 PAMIの論文でグローバル最適なICPアルゴリズムGo-ICP(http://iitlab.bit.edu.cn/mcislab/~yangjiaolong/go-icp/)が発表されました.詳しくはスライドで解説していますが,Branch and Bound(分枝限定)とVoxel ICPの組み合わせで効率的にSE(3)の6自由度パラメータ空間から最適な解を探します. 著者のページ(http://iitlab.bit.edu.cn/mcislab/~yangjiaolong/go-icp/)にソースコードが公開されていますので簡単に試すことができます.公開されているソースはテキストファイルから点群データを読み込んで姿勢をテキストファイルで書き出す仕様になっていますが,外部ライブラリの依存がなく簡単にMatlabのmex関数を作成できますので,いろいろ点群を変えて試したい場合はmex化がオススメです.
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Yusuke Sekikawa
Kaggleのコンペに参加することで色々な実践的ノウハウを学んだのでそのノウハウを共有する p.3~53 コンペ中に自分がやったことp.54~99 ハイランカーがやっていたことp.100~ ハイランカーかやっていたことを自分も実際にやってみる
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
Tokyo.SciPy #2 にて発表した、数式(あるいは数式入りのアルゴリズム)から実装に落とす場合、何に気をつけるのか、どう考えればいいのか、というお話。 対象は、どうやって数式をプログラムすればいいかよくわからない人、ちょっとややこしい数式になると四苦八苦してしまい、コードに落とすのにすごく時間がかかってしまう人、など。 ここでは実行速度についてはひとまずおいといて、簡潔で間違いにくい、ちゃんと動くコードを書くことを目標にしています。
数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツ
Shuyo Nakatani
パターン認識と機械学習(PRML)の第6章「カーネル法」です 文字多め
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
20191228 JAWS-UG Okayama AWS re:Invent 2019で発表されたSageMakerアップデートのrecap
What's new with Amazon SageMaker
What's new with Amazon SageMaker
sady_nitro
20181117 Azure Machine Lerning 勉強会 in Okayama (3)
20181117 azure ml_seminar_3
20181117 azure ml_seminar_3
sady_nitro
More Related Content
What's hot
4/16に行われた筑波大の手塚若林研合同ゼミでの発表スライドです。
Optimizer入門&最新動向
Optimizer入門&最新動向
Motokawa Tetsuya
大阪PRML
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Yuki Matsubara
第25回ステアラボ人工知能セミナー https://stair.connpass.com/event/143745/
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
Eiji Uchibe
2020/10/30 Deep Learning JP: http://deeplearning.jp/seminar-2/
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
Deep Learning JP
db analytics showcase Sapporo 2017 発表資料 http://www.db-tech-showcase.com/dbts/analytics
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
ベイズ統計学の基礎概念からW理論まで概論的に紹介するスライドです.数理・計算科学チュートリアル実践のチュートリアル資料です.引用しているipynbは * http://nhayashi.main.jp/codes/BayesStatAbstIntro.zip * https://github.com/chijan-nh/BayesStatAbstIntro を参照ください. 以下,エラッタ. * 52 of 80:KL(q||p)≠KL(q||p)ではなくKL(q||p)≠KL(p||q). * 67 of 80:2ν=E[V_n]ではなくE[V_n] → 2ν (n→∞). * 70 of 80:AICの第2項は d/2n ではなく d/n. * 76 of 80:βH(w)ではなくβ log P(X^n|w) + log φ(w). - レプリカ交換MCと異なり、逆温度を尤度にのみ乗することはWBIC導出では本質的な仮定となる.
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
Naoki Hayashi
文部科学省 数学協働プログラム チュートリアル「ビッググラフと最適化」の講演スライドです.
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法
Shunji Umetani
JOI夏季セミナー2016 コンピュータ・ジオメトリ
直交領域探索
直交領域探索
okuraofvegetable
ベイズ推定の基本とPyMCによる簡単な実装例です. 関連資料: https://github.com/scipy-japan/tokyo-scipy/tree/master/006/shima__shima
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
Toshihiro Kamishima
SVMの基本的な数学を説明しています. ブログにもまとめてますので,どうぞ https://kenyu-life.com/2019/02/11/support_vector_machine/ 動画解説してます 「https://www.youtube.com/watch?v=TNOC0vyIL-g」
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
Kenyu Uehara
学生向けの解説
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
https://pycon.jp/2015/ja/schedule/presentation/44/
組合せ最適化を体系的に知ってPythonで実行してみよう PyCon 2015
組合せ最適化を体系的に知ってPythonで実行してみよう PyCon 2015
SaitoTsutomu
モメンタム、Nesterov accelerated gradientとAdagrad, Adadelta, Adamについて解説しました。
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
nishio
Introduction of Deep Reinforcement Learning, which was presented at domestic NLP conference. 言語処理学会第24回年次大会(NLP2018) での講演資料です。 http://www.anlp.jp/nlp2018/#tutorial
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Preferred Networks
文献紹介のスライドです。学部4年生〜修士課程1年生くらい向けです。1枚目に8本の文献リストを載せていますが、最初の3本しか説明していません。 - p. 26のωに対するFisher Vectorの式を修正したました (2014/01/14)
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
Takao Yamanaka
科研費シンポジウム「ベイズ統計の理論と応用」で用いたスライドです.
逐次モンテカルロ法の基礎
逐次モンテカルロ法の基礎
ShoutoYonekura
グローバル最適なIterative Closest Point(ICP)アルゴリズム”Go-ICP”についての解説です. ICPは有名なところではKinect Fusionなど,3次元点群のレジストレーションに広く用いられています.基本的には,最近傍点の対応付けと姿勢(並進と回転)の推定を順次繰り返していくことで,点群間の2乗誤差を最小にするような姿勢を見つけようとアルゴリズムです. ICPは原理上,点群間の姿勢がある程度離れると局所解に陥ってしまい正しくレジストレーションできないという課題があります. そこで,局所性を改善したアルゴリズム(SoftAssign など)や,ローカルな特徴(Spin Imageや4PCSなど)を用いて大域的にレジストレーションする手法など多様なアルゴリズムが提案されていますが,グローバル”最適”な点群のレジストレーションアルゴリズムはあまり提案されていませんでした. 2013 ICCV,2015 PAMIの論文でグローバル最適なICPアルゴリズムGo-ICP(http://iitlab.bit.edu.cn/mcislab/~yangjiaolong/go-icp/)が発表されました.詳しくはスライドで解説していますが,Branch and Bound(分枝限定)とVoxel ICPの組み合わせで効率的にSE(3)の6自由度パラメータ空間から最適な解を探します. 著者のページ(http://iitlab.bit.edu.cn/mcislab/~yangjiaolong/go-icp/)にソースコードが公開されていますので簡単に試すことができます.公開されているソースはテキストファイルから点群データを読み込んで姿勢をテキストファイルで書き出す仕様になっていますが,外部ライブラリの依存がなく簡単にMatlabのmex関数を作成できますので,いろいろ点群を変えて試したい場合はmex化がオススメです.
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Yusuke Sekikawa
Kaggleのコンペに参加することで色々な実践的ノウハウを学んだのでそのノウハウを共有する p.3~53 コンペ中に自分がやったことp.54~99 ハイランカーがやっていたことp.100~ ハイランカーかやっていたことを自分も実際にやってみる
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
nishio
Tokyo.SciPy #2 にて発表した、数式(あるいは数式入りのアルゴリズム)から実装に落とす場合、何に気をつけるのか、どう考えればいいのか、というお話。 対象は、どうやって数式をプログラムすればいいかよくわからない人、ちょっとややこしい数式になると四苦八苦してしまい、コードに落とすのにすごく時間がかかってしまう人、など。 ここでは実行速度についてはひとまずおいといて、簡潔で間違いにくい、ちゃんと動くコードを書くことを目標にしています。
数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツ
Shuyo Nakatani
パターン認識と機械学習(PRML)の第6章「カーネル法」です 文字多め
PRML第6章「カーネル法」
PRML第6章「カーネル法」
Keisuke Sugawara
What's hot
(20)
Optimizer入門&最新動向
Optimizer入門&最新動向
Prml4.4 ラプラス近似~ベイズロジスティック回帰
Prml4.4 ラプラス近似~ベイズロジスティック回帰
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
[DL輪読会]画像を使ったSim2Realの現況
[DL輪読会]画像を使ったSim2Realの現況
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法
直交領域探索
直交領域探索
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
PyMCがあれば,ベイズ推定でもう泣いたりなんかしない
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
サポートベクターマシン(SVM)の数学をみんなに説明したいだけの会
【解説】 一般逆行列
【解説】 一般逆行列
組合せ最適化を体系的に知ってPythonで実行してみよう PyCon 2015
組合せ最適化を体系的に知ってPythonで実行してみよう PyCon 2015
勾配降下法の最適化アルゴリズム
勾配降下法の最適化アルゴリズム
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
ゼロから始める深層強化学習(NLP2018講演資料)/ Introduction of Deep Reinforcement Learning
Fisher Vectorによる画像認識
Fisher Vectorによる画像認識
逐次モンテカルロ法の基礎
逐次モンテカルロ法の基礎
Go-ICP: グローバル最適(Globally optimal) なICPの解説
Go-ICP: グローバル最適(Globally optimal) なICPの解説
実践多クラス分類 Kaggle Ottoから学んだこと
実践多クラス分類 Kaggle Ottoから学んだこと
数式をnumpyに落としこむコツ
数式をnumpyに落としこむコツ
PRML第6章「カーネル法」
PRML第6章「カーネル法」
More from sady_nitro
20191228 JAWS-UG Okayama AWS re:Invent 2019で発表されたSageMakerアップデートのrecap
What's new with Amazon SageMaker
What's new with Amazon SageMaker
sady_nitro
20181117 Azure Machine Lerning 勉強会 in Okayama (3)
20181117 azure ml_seminar_3
20181117 azure ml_seminar_3
sady_nitro
20181117 Azure Machine Lerning 勉強会 in Okayama (2)
20181117 azure ml_seminar_2
20181117 azure ml_seminar_2
sady_nitro
20181117 Azure Machine Lerning 勉強会 in Okayama (1)
20181117 azure ml_seminar_1
20181117 azure ml_seminar_1
sady_nitro
座駆動LT大会20180901
座駆動LT Surface Go 実機レビュー
座駆動LT Surface Go 実機レビュー
sady_nitro
2018/08/18 オカヤマコンピュータサイエンス ラボ Vol.1のオープニングトーク
オカヤマ コンピュータサイエンス ラボ についてのおはなし
オカヤマ コンピュータサイエンス ラボ についてのおはなし
sady_nitro
2015年6月6日 第18回 岡山Ruby, Ruby on Rails勉強会
RubyとRのおいしい関係
RubyとRのおいしい関係
sady_nitro
2016/12/17 合同勉強会 in 大都会岡山 2016 Winter
Try Azure Machine Learning
Try Azure Machine Learning
sady_nitro
2016/02/20 ComCamp 2016 powered by MVP
Comcamp 2016 Okayama VSTS
Comcamp 2016 Okayama VSTS
sady_nitro
第16回 岡山Ruby, Ruby on Rails勉強会発表スライド。デモを挟まないと無いと全然面白くないですが、一応アップしておきます。
RubySeminar16_Analyze
RubySeminar16_Analyze
sady_nitro
OITEC第19回勉強会。開発フローに合わせたTFSの使い方について。
OITEC19_TFS
OITEC19_TFS
sady_nitro
2013-03-24 第23回オープンラボ岡山
みんな大好き機械学習
みんな大好き機械学習
sady_nitro
More from sady_nitro
(12)
What's new with Amazon SageMaker
What's new with Amazon SageMaker
20181117 azure ml_seminar_3
20181117 azure ml_seminar_3
20181117 azure ml_seminar_2
20181117 azure ml_seminar_2
20181117 azure ml_seminar_1
20181117 azure ml_seminar_1
座駆動LT Surface Go 実機レビュー
座駆動LT Surface Go 実機レビュー
オカヤマ コンピュータサイエンス ラボ についてのおはなし
オカヤマ コンピュータサイエンス ラボ についてのおはなし
RubyとRのおいしい関係
RubyとRのおいしい関係
Try Azure Machine Learning
Try Azure Machine Learning
Comcamp 2016 Okayama VSTS
Comcamp 2016 Okayama VSTS
RubySeminar16_Analyze
RubySeminar16_Analyze
OITEC19_TFS
OITEC19_TFS
みんな大好き機械学習
みんな大好き機械学習
Recently uploaded
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
LoRaWANスマート距離検出センサー DS20Lカタログ
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
2024年4月に社内向けに開催した勉強会資料の社外公開版です
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
Hiroshi Tomioka
NewSQLの可用性構成パターン (OCHaCafe Season 8 #4 発表資料) 2024年5月8日(水) NTTデータグループ 技術開発本部 小林 隆浩
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NTT DATA Technology & Innovation
2024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Recently uploaded
(7)
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
業務で生成AIを活用したい人のための生成AI入門講座(社外公開版:キンドリルジャパン社内勉強会:2024年4月発表)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
NewSQLの可用性構成パターン(OCHaCafe Season 8 #4 発表資料)
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
組合せ最適化問題と解法アルゴリズム
1.
組合せ最適化問題 と 解法アルゴリズム 2018.08.18 オカヤマ
コンピュータサイエンス ラボ Vol.1 貞松 政史
2.
自己紹介 • 貞松 政史
(サダマツ マサシ) • @sady_nitro • Microsoft系テクノロジー • コンピュータサイエンス • 組合せ最適化、 強化学習など
3.
おしながき • 組合せ最適化問題とは • 組合せ最適化問題の例 •
組合せ最適化問題に対する解法アルゴリズム • 現実世界に対する組合せ最適化問題の応用(フィードバック) • 組合せ最適化問題に対するアルゴリズム設計がもたらす作用
4.
組合せ最適化問題とは • 組合せ最適化問題とは • 組合せ最適化問題の例 •
組合せ最適化問題に対する解法アルゴリズム • 現実世界に対する組合せ最適化問題の応用(フィードバック) • 組合せ最適化問題に対するアルゴリズム設計がもたらす作用
5.
組合せ最適化問題とは • 応用数学や情報工学での組合せ論の最適化問題である。オペレー ションズリサーチ、アルゴリズム理論、計算複雑性理論と関連し ていて、人工知能、数学、およびソフトウェア工学などの交差す る位置にある。組合せ最適化では、厳密解が簡単に求まる場合も あれば、そうでない場合もある。厳密解を求めるのが難しいと思 われる問題を解くために、その問題の解空間を探索する場合もあ り、そのためのアルゴリズムでは、効率的に探索するために解空 間を狭めたりすることもある。 出典:Wikipedia –組合せ最適化 https://ja.wikipedia.org/wiki/%E7%B5%84%E5%90%88%E3%81%9B%E6%9C%80%E9%81 %A9%E5%8C%96
6.
組合せ最適化問題とは • 組合せ論的な課題に対する最適解を求める問題 • 組合せ •
繋がり、ネットワーク • 配置 • 現実に直面する問題をモデル化(簡略化)した問題が多 い
7.
組合せ最適化問題の例 • 組合せ最適化問題とは • 組合せ最適化問題の例 •
組合せ最適化問題に対する解法アルゴリズム • 現実世界に対する組合せ最適化問題の応用(フィードバック) • 組合せ最適化問題に対するアルゴリズム設計がもたらす作用
8.
組合せ最適化問題の一例 • ナップザック問題 • 巡回セールスマン問題 •
ジョブショップスケジューリング問題 • 最短経路問題 • 最大クリーク問題 …
9.
ナップザック問題(Knapsack Problem) 容量に制限のあるナップザックの中に価値が最大に なるように荷物を詰めこむ問題 10 21
5 15 7重さ 価値 20 52 10 25 15 0 00 1 1 0選択 重さ:20, 価値:35
10.
巡回セールスマン問題(Traveling Salesman Problem) 3 5 6 1 2 4 都市の集合と各2都市間のコスト(距離)が与えられたとき、全ての都市を 一度ずつ経由して出発地点に戻る巡回路の総移動コストを最小化する
11.
ジョブショップスケジューリング問題(Job Shop Scheduling
Problem) • ジョブショップ・スケジューリング問題 (JSP; Job-shop Scheduling Problem) とは、順序関係のあるいくつかの作業を複 数の機械で処理する場合に、全体の時間が最小になるような機械 の稼働スケジュールを決める問題である。
12.
組合せ最適化問題に対する解法アルゴリズム • 組合せ最適化問題とは • 組合せ最適化問題の例 •
組合せ最適化問題に対する解法アルゴリズム • 現実世界に対する組合せ最適化問題の応用(フィードバック) • 組合せ最適化問題に対するアルゴリズム設計がもたらす作用
13.
組合せ最適化問題に対する解法アルゴリズム • 厳密解法 • 必ず大域最適解を算出する •
如何に計算量を削減して、規模の大きい問題に適用できるか • 近似解法(ヒューリスティック) • 大域最適解の算出を保証しない • 良質な解を高速に算出する(実用可能なレベル)
14.
組合せ最適化問題に対する解法アルゴリズム • 近似解法(ヒューリスティック)の種類 • 貪欲法 •
近傍探索 • 局所探索法 • 進化計算 • 遺伝的アルゴリズム • 進化的プログラミング • 群知能(Ant Colony, Particle Swarm)
15.
組合せ最適化問題における実行可能解空間 • 単純な実行可能解空間 評 価 値
16.
組合せ最適化問題における実行可能解空間 • 複雑な実行可能解空間 評 価 値
17.
近似解法の基本思想 • 局所性と多様性 • 良い解の近くにはより良い解が存在する •
良い解を少し変化させて、改善した解をさらに変化・改善す る ことを繰り返す • 時々、局所最適解からの脱出を図って大きく解を変化させる
18.
3 5 6 1 2 4 最近傍法(Nearest Neighbor) 巡回セールスマン問題に対する近似解法 現在までの経路から最も距離の近い点を経路に加える 1 2 3 4 6 5
19.
最近傍法(Nearest Neighbor) 3 5 6 1 2 4 最近傍法がうまくいかないケース 1 2 3 4 6 5
20.
局所探索法(Local Search) • 初期解を生成 ↓ •
現在の解に変更を加える ↓ • 改善が見られた解を現在解として採用する ↓ • 終了ルールに基づいて探索を終了する (一定以上の評価値、既定の反復回数) 繰り返し(探索)
21.
局所探索法(Local Search) 3 5 6 1 2 4 1 2 3 4 6 5 現在の解に変更を加える
22.
局所探索法(Local Search) 3 5 6 1 2 4 1 2 3 4 6 5 現在の解に変更を加える
23.
局所探索法(Local Search) 3 5 6 1 2 4 1 2 3 4 6 5 現在の解に変更を加える
24.
局所探索法(Local Search) •性能改善のアイデア • 初期解生成 •
マルチスタート • イテレーション • 探索プロセス • 評価値を上げるプロセス(解生成プロセス) • 評価値を下げるプロセス(局所最適解からの脱出)
25.
遺伝的アルゴリズム(Genetic Algorithm) 【遺伝的アルゴリズムのプロセス】 交叉 遺伝子(というか染色体というか)の仕組みを模倣して さまざまな問題の解(近似解)を得るためのアルゴリズム 1 10
0 1 0 0 10 1 1 1 1 10 1 1 1 0 10 0 1 0 親 子
26.
遺伝的アルゴリズム(Genetic Algorithm) 【遺伝的アルゴリズムのプロセス】 交叉 選択 遺伝子(というか染色体というか)の仕組みを模倣して さまざまな問題の解(近似解)を得るためのアルゴリズム 1 10
0 1 0 0 10 1 1 1 1 10 1 1 1 0 10 0 1 0 親
27.
遺伝的アルゴリズム(Genetic Algorithm) 【遺伝的アルゴリズムのプロセス】 交叉 突然変異 選択 遺伝子(というか染色体というか)の仕組みを模倣して さまざまな問題の解(近似解)を得るためのアルゴリズム 1 10
0 1 0 0 10 1 1 1 1 10 1 1 1 0 10 0 1 0 親 1
28.
遺伝的アルゴリズム(Genetic Algorithm) • 性能改善のアイデア •
交叉 • n点交叉(現実的には2点交叉、3点交叉ぐらい) • 選択 • ランダム選択 • エリート選択 • 突然変異 • 変異確率の調整 • 変異するビット数の調整
29.
メタ戦略 • 異なる手法を組み合わせる • 例)遺伝的アルゴリズムと局所探索法→遺伝的局所探索 法 •
局所探索の処理中に突然変異を差し込む (局所最適解からの脱出) • 局所探索で得られた解集団に遺伝的アルゴリズムの処理を 適用する(初期世代の解集団を最適化する)
30.
メタ戦略 • 費用対効果とトレードオフ • 実装が複雑化 •
処理時間が掛かる VS • 複雑な問題に対応できる • 問題の特性によっては今までより高速化できる
31.
地形解析 • 問題の特性によって解法アルゴリズムの設計も変わる • 問題の構造を調査・解析することを地形解析と呼ぶ •
解析結果を基に解法アルゴリズムの改善を試みる • 地形解析だけで1つの論文になることも
32.
現実世界に対する組合せ最適化問題の応用(フィードバック) • 組合せ最適化問題とは • 組合せ最適化問題の例 •
組合せ最適化問題に対する解法アルゴリズム • 現実世界に対する組合せ最適化問題の応用(フィードバック) • 組合せ最適化問題に対するアルゴリズム設計がもたらす作用
33.
現実世界に対する組合せ最適化問題の応用(フィードバック) カーナビ ロボット掃除機 巡回セールスマン問題や最短経路問題に対する解法の設計
34.
現実世界に対する組合せ最適化問題の応用(フィードバック) 光学レンズ設計 塩基配列解析 複合的な問題に対する局所探索法や遺伝的アルゴリズムによるアプローチ
35.
組合せ最適化問題に対するアルゴリズム設計がもたらす作用 • 組合せ最適化問題とは • 組合せ最適化問題の例 •
組合せ最適化問題に対する解法アルゴリズム • 現実世界に対する組合せ最適化問題の応用(フィードバック) • 組合せ最適化問題に対するアルゴリズム設計がもたらす作用
36.
組合せ最適化問題に対するアルゴリズム設計がもたらす作用 • 単純に現実的な課題を解決できるケースがある • 一般化された課題解決のプロセスが身につく •
制約を満たしつつ、性能を上げる方策を考えられるようになる • 単純化(モデル化)された問題を現実問題寄りの問題に置き換えて いくことで、より実践的な課題解決力が身につく
37.
まとめ • 現実の様々な問題に応用される組合せ最適化問題 • 解法アルゴリズム(特に近似解法)の基本思想 •
各アルゴリズムに対する個別のアイデア • 問題を解くこと自体もさることながら、課題解決の手がかりや トレーニングとしても有効
Download now