You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
61 lines
6.2 KiB
61 lines
6.2 KiB
|
|
今回の3つの比較実験（突然変異確率の影響、トーナメントサイズの影響、個体数と世代数のトレードオフ）から得られたデータについて、遺伝的アルゴリズム（GA）の理論的背景に基づいた詳細な考察をまとめました。
|
|
|
|
---
|
|
|
|
# パラメータ比較実験に関する考察
|
|
|
|
本実験では、都市数10の巡回セールスマン問題（TSP）を対象にGAを実行しました。`check.dat` の座標データにおける理論上の最短経路長（最適解）は **`35.63`** です。この最適解に対する各パラメータの影響を考察します。
|
|
|
|
---
|
|
|
|
### 1. 突然変異確率（`MUTATION_RATIO`）の影響について
|
|
|
|
#### 【観察された現象】
|
|
* エリート選択・トーナメント選択のいずれにおいても、突然変異確率（`MUTATION_RATIO`）が向上するにつれて、平均最終距離が小さくなり、**最適解到達率が劇的に向上**（エリート選択で `10% → 80%`、トーナメント選択で `0% → 70%`）しました。
|
|
* 同一の突然変異確率であれば、常に**エリート選択の方が平均最終距離および最適解到達率において優れた結果**を示しました。
|
|
|
|
#### 【理論的考察】
|
|
1. **突然変異による多様性維持の重要性**:
|
|
GAにおいて突然変異は、探索の「多様性」を維持し、局所解（ローカルミニマム）から脱出するための重要な機構です。今回の都市数10という比較的小規模な問題設定においては、突然変異確率を `0.50` という高い値に設定することで、強力に新たな経路を探索し続け、局所解に陥ることを防いだ結果、最も高い性能が得られたと考えられます。
|
|
2. **エリート選択による探索効率の向上**:
|
|
エリート選択は、現世代の最良個体（`ELETE = 1`）を無条件で次世代へ残します。これにより、突然変異の確率が高く（`0.50`）ても、せっかく見つけた優秀な遺伝子が突然変異によって破壊されるのを防ぎます。結果として、「優秀な解の保護（エリート選択）」と「高い探索力（高い突然変異率）」が相乗効果を生み、最良の結果をもたらしたと言えます。
|
|
|
|
---
|
|
|
|
### 2. トーナメントサイズ（`SELECT_NUM`）の影響について
|
|
|
|
#### 【観察された現象】
|
|
* トーナメント選択（単体）において、トーナメントサイズ（`SELECT_NUM`）を大きくするほど、性能が著しく悪化し、**`SELECT_NUM = 10, 20` では最適解到達率が `0%` に低下**しました。
|
|
* エリート選択を併用した場合、サイズを `10` や `20` に上げても到達率 `30%~40%` を維持し、悪化が食い止められました。
|
|
|
|
#### 【理論的考察】
|
|
1. **選択圧（Selection Pressure）と早期収束（Early Convergence）**:
|
|
トーナメントサイズは「選択圧」の強さを決定します。サイズが大きいほど、優秀な個体が選ばれる確率が極端に高くなり、選択圧が高まります。
|
|
トーナメント選択においてサイズを 10 や 20 に設定した場合、初期世代の「そこそこ優秀な個体」が急激に増殖し、集団の多様性が極めて早い段階で枯渇します。この現象を**早期収束（Early Convergence）**と呼び、集団全体が局所解から抜け出せなくなってしまったため、最適解到達率が 0% になったと考えられます。
|
|
2. **選択圧は強ければ良いわけではない**:
|
|
本実験結果は、GAにおいて選択圧を単に強めるだけでは性能が低下し、適度な弱さ（`SELECT_NUM = 2`）で「多様性を残しながらじっくり収束させる」ことが重要であることを示しています。
|
|
|
|
---
|
|
|
|
### 3. 個体数（`GENE_NUM`）と世代数（`GENERATION`）のトレードオフについて
|
|
|
|
#### 【観察された現象】
|
|
* 総計算資源（総評価回数 ＝ 個体数 × 世代数 ＝ `10,000`）を一定としたトレードオフ実験において、両方式ともバランス型である **`Y` (100個体 / 100世代) が最も高い最適解到達率（`40%`）**を記録しました。
|
|
* 極端な設定である `X` (50個体 / 200世代) や `Z` (200個体 / 50世代) では、最適解到達率が低下（`20%~30%`）する傾向が見られました。
|
|
|
|
#### 【理論的考察】
|
|
1. **「探索の広さ」と「探索の深さ」のバランス**:
|
|
* **個体数（GENE_NUM）**：初期状態で保持する遺伝的多様性、すなわち探索の「広さ」に対応します。
|
|
* **世代数（GENERATION）**：得られた解を交差・選択によって磨き上げる時間、すなわち探索の「深さ」に対応します。
|
|
2. **極端な配分における欠点**:
|
|
* **`X`（50個体 / 200世代 - 深さ重視）**:
|
|
初期の個体数が少なすぎるため、探索空間の「広さ（多様性）」が根本的に不足します。いくら時間（200世代）をかけて深く探索しても、スタート地点の多様性が低いために早期に進化が頭打ちになります。
|
|
* **`Z`（200個体 / 50世代 - 広さ重視）**:
|
|
広大な多様性を持って探索を開始できますが、それを最適解に向けて磨き上げる時間（50世代）が足りず、進化が途中で打ち切られてしまいます。
|
|
3. **結論**:
|
|
GAの性能を最大化するためには、総評価回数が限られている場合、個体数と世代数をどちらかに偏らせるのではなく、両者のバランスを適切に調停する（本問題では 100個体/100世代 が最適）ことが極めて重要であることがデータから立証されました。
|
|
|
|
---
|
|
|
|
もしよろしければ、この詳細な考察を [出力ファイル一覧.md](file:///c:/Users/KoyoNOGUCHI/Documents/Programming/5J/experiment/tsp/%E5%87%BA%E5%8A%9B%E3%83%95%E3%82%A1%E3%82%A4%E3%83%AB%E4%B8%80%E8%A6%A7.md) の末尾に「**## パラメータ比較の考察**」といったセクションとして追記いたしましょうか？ご指示いただければすぐに編集いたします！ |