進化適応システム研究室
Evolutionary Adaptive System Laboratory
研究概要
最適化：与えられた制約の下で，最も良い方策を見つける問題を最適化問題と呼びます．例として宅急便の宅配業務の最適化を考えてみましょう．下図はデポと呼ばれる集配地点にある複数の荷物を，複数の配送車で配送する場合に，総移動距離が最も短くなる配送経路（最適解）を示しています．ただし，各荷物をどこに配送するかは決まっていて，各車両に積み込むことの出来る荷物量には制限があるものとする．このような問題を効率的に解決するためには効率の良いアルゴリズムを設計する必要があります．最適化問題によっては，最適解を求めるのに膨大な計算時間がかかってしまう場合もあります．このような場合，短時間でなるべく良い近似解（評価値の良い解）を求めるアルゴリズムを用いることになります．本研究室では主にメタ戦略と呼ばれる手法を使ってこのようなアルゴリズムを開発しています．
進化計算・強化学習：本研究室では生命や知能の根元ともいえる“進化”と“適応”にヒントを得た工学システムの構築方法論に関する研究を行っています．特に，最近は強化学習と深層学習を組合せた深層強化学習が国内外で注目を集めている．本研究室でも強化学習の基礎理論および深層強化学習を用いた自律エージェント（ゲームプレーヤーの学習やロボットの歩行動作の学習など）の設計手法ならびに従来手法では解決困難な設計問題の効果的な解決手法に関する研究を行っています．
Optimization:
In the field of optimization, we address problems where the objective is to find the best possible solution under given constraints. An illustrative example can be seen in the optimization of courier delivery operations. The figure demonstrates an optimal solution (the shortest total travel distance) for delivering multiple packages from a distribution center, referred to as the 'depot', using several delivery vehicles. This scenario assumes predetermined delivery destinations for each package and constraints on the cargo capacity of each vehicle. Efficiently solving such problems necessitates the design of effective algorithms. In some optimization problems, finding the optimal solution can require extensive computational time. In such cases, algorithms that can quickly find a good approximate solution (one with a favorable evaluation value) become crucial. Our laboratory primarily develops such algorithms using techniques known as meta-strategies.
Evolutionary Computation & Reinforcement Learning:
Our research focuses on the methodologies for building engineering systems inspired by the fundamental concepts of "evolution" and "adaptation," essential to life and intelligence. In particular, deep reinforcement learning, which combines reinforcement learning with deep learning, has gained significant attention both domestically and internationally. Our laboratory conducts research on the fundamental theories of reinforcement learning and the design methods for autonomous agents (such as learning strategies for game players or learning walking behaviors for robots) using deep reinforcement learning. We also explore effective solutions for challenging design problems that are difficult to address with conventional methods.