SlideShare une entreprise Scribd logo
1  sur  28
Télécharger pour lire hors ligne
これならわかる最適化数学
第8章_前半
創造理工学研究科 修士一年
野中賢也
目次
1.解きたい問題は何か
2.具体例を通じた解法
2.1.グリーディー法
2.2.動的計画法
2.3.具体例と一般の対応
3.動的計画法の特徴
3.1.数表での保存
3.2.最適経路問題と最適性原理
1
1.解きたい問題は何か?
離散変数の最適化問題は、全数検査が基本
2
〇離散変数の最適化問題
各変数𝒙𝒊が有限個の離散値{𝒂 𝟏, … , 𝒂 𝑵}をとるとき、𝒎変数関数
𝒇(𝒙 𝟏, … , 𝒙 𝒎)を最大化する問題
𝑱 = 𝒇 𝒙 𝟏, … , 𝒙 𝒎 → 𝒎𝒂𝒙
〇全数検査
𝒎個の変数𝒙𝒊(𝒊 = 𝟏, … , 𝒎)に対して、とりうるすべての値の組
み合わせ(𝑵 𝒎個)を考え、𝒇()を最大にする組合せを探索する。
⇒一般的に計算量が膨大となる。できれば避けたい。
1.解きたい問題は何か?
全数検査を避けられる問題=多段階決定問題
3
〇多段階決定問題
全数検査を回避できるのは、関数𝒇が以下の形のとき。
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + … + 𝒉 𝒎−𝟏(𝒙 𝒎−𝟏, 𝒙 𝒎)
〇どう見るか?
変数𝒙𝒊を選ぶこと=何らかの「決定」(ex.企業iにいくら投資?)
⇒まず、𝒙 𝟏を選ぶことで、その利益が𝒇 𝟏 𝒙 𝟏 として得られる。
⇒選んだ𝒙 𝟏に加え、𝒙 𝟐を選び利益𝒉 𝟏(𝒙 𝟏, 𝒙 𝟐)を得る。
⇒選んだ𝒙𝒊に加え、𝒙𝒊+𝟏を選び利益𝒉𝒊(𝒙𝒊, 𝒙𝒊+𝟏)を得る。
…利益の総和が最大になるように各段階で決定を下す問題
目次
1.解きたい問題は何か
2.具体例を通じた解法
2.1.グリーディー法
2.2.動的計画法
2.3.具体例と一般の対応
3.動的計画法の特徴
3.1.数表での保存
3.2.最適経路問題と最適性原理
4
2.具体例を通じた解法
簡単のため、変数の数𝒎が4の場合で説明
5
〇変数の数が4の場合の多段階決定問題
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑(𝒙 𝟑, 𝒙 𝟒)
f(x1)
x1=0 x1=1 x1=2
2 1 3
h1(x1,x2)
h1 x2=1 x2=2 x2=3
x1=0 3 5 1
x1=1 1 0 7
x1=2 3 0 0
h2(x2,x3)
h2 x3=-1 x3=0 x3=1
x2=1 1 7 1
x2=2 1 1 3
x2=3 5 6 1
h3(x3,x4)
h3 x4=1 x4=2 x4=3
x3=-1 7 9 8
x3=0 2 3 6
x3=1 5 4 1
教科書p219と同じ関数
2.具体例を通じた解法
素朴に考えれば、貪欲法で良いのではないか。
6
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒 → 𝒎𝒂𝒙
〇貪欲法(グリーディー法)
各段階の関数だけをみて、それを最適化させる。
1.𝒇 𝟏 𝒙 𝟏 が最大になる𝒙 𝟏を選ぶ
2.その𝒙 𝟏に対し、𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 が最大になる𝒙 𝟐を選ぶ
3.その𝒙 𝟐に対し、𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 が最大になる𝒙 𝟑を選ぶ
2.その𝒙 𝟑に対し、𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒 が最大になる𝒙 𝟒を選ぶ
⇒最適解???
2.具体例を通じた解法
貪欲法だと、うまくいかない
7
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒 → 𝒎𝒂𝒙
貪欲法による解=19(𝑥1 = 3, 𝑥2 = 1, 𝑥3 = 0, 𝑥4 = 3)
⇒しかし、𝐽は21(𝑥1 = 1, 𝑥2 = 3, 𝑥3 = −1, 𝑥4 = 2)なども取れる!!
⇒最初の方の関数の最適化を考えるあまり、後の関数の大きな値を逃す。
2.具体例を通じた解法
各段階のみを見るのではなく、次の段階も考える
8
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒 → 𝒎𝒂𝒙
〇動的計画法
各段階の関数だけをみて、それを最適化させる。
⇒これだとうまくいかない
⇒次の段階の関数までみないと、本当に最適な値は決まらない。
例えば、𝒙 𝟏の最適化を考える際、𝒇 𝟏 𝒙 𝟏 のみを考えるのではな
く、𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏(𝒙 𝟏, 𝒙 𝟐)を考える。これは、𝒙 𝟐のとりうる値一
つずつに対して、𝒎𝒂𝒙 𝒙 𝟏
[𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏(𝒙 𝟏, 𝒙 𝟐)]とすればよい。
2.具体例を通じた解法
各段階について、「次の関数」を考える
9
〇動的計画法
𝒙 𝟏の最適化を考える際、 𝒙 𝟐のとりうる値一つずつに対して、
𝒎𝒂𝒙 𝒙 𝟏
[𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏(𝒙 𝟏, 𝒙 𝟐)]とすればよい。
⇒𝒇 𝟐 𝒙 𝟐 = 𝒎𝒂𝒙 𝒙 𝟏
[𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏(𝒙 𝟏, 𝒙 𝟐)]とおく。
⇒𝑱 = 𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
⇒もとの関数と同じ形で、変数が一つ減ってる!!!
同様に…
𝒇 𝟑 𝒙 𝟑 = 𝒎𝒂𝒙 𝒙 𝟐
[𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟑(𝒙 𝟐, 𝒙 𝟑)]
𝒇 𝟒 𝒙 𝟒 = 𝒎𝒂𝒙 𝒙 𝟑
[𝒇 𝟑 𝒙 𝟑 + 𝒉 𝟑(𝒙 𝟑, 𝒙 𝟒)]
と置けば、𝑱 = 𝒇 𝟒 𝒙 𝟒 となり、一変数関数の最適化となる。
2.具体例を通じた解法
例題8.1の最適化問題を動的計画法で
10
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱の最大値と、その最大値を与える変数の組を求める。
〇動的計画法による最適化
Step1-3.各段階で「次の関数を考え」、以下を得る。(𝒊 = 𝟐, 𝟑, 𝟒)
𝒇𝒊 𝒙𝒊 = 𝒎𝒂𝒙 𝒙 𝒊−𝟏
[𝒇 𝒙 𝒊−𝟏
𝒙𝒊−𝟏 + 𝒉 𝒙 𝒊−𝟏
𝒙𝒊−𝟏, 𝒙𝒊 ]
𝒙𝒊−𝟏
′
𝒙𝒊 = 𝒂𝒓𝒈𝒎𝒂𝒙 𝒙 𝒊−𝟏
[𝒇 𝒙 𝒊−𝟏
𝒙𝒊−𝟏 + 𝒉 𝒙 𝒊−𝟏
(𝒙𝒊−𝟏, 𝒙𝒊)]
Step4.𝑱 = 𝒇 𝟒 𝒙 𝟒 から、最大値とそれを実現する𝒙 𝟒を求める。
Step5.計算しておいた𝒙𝒊−𝟏
′
(𝒙𝒊)から𝒙 𝟑, 𝒙 𝟐, 𝒙 𝟏を求める。
2.具体例を通じた解法
𝒙 𝟐を固定して、𝒙 𝟏の最適値を探索する。
11
〇Step1.
𝒇 𝟐 𝒙 𝟐 = 𝒎𝒂𝒙 𝒙 𝟏
[𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏(𝒙 𝟏, 𝒙 𝟐)]
𝒙 𝟏
′
𝒙 𝟐 = 𝒂𝒓𝒈𝒎𝒂𝒙 𝒙 𝟏
[𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏(𝒙 𝟏, 𝒙 𝟐)]
f(x1)
x1=0 x1=1 x1=2
2 1 3
h1(x1,x2)
h1 x2=1 x2=2 x2=3
x1=0 3 5 1
x1=1 1 0 7
x1=2 3 0 0
f1(x1)+
h1(x1,x2)
f1+h1 x2=1 x2=2 x2=3
x1=0 3+2 5+2 1+2
x1=1 1+1 0+1 7+1
x1=2 3+3 0+3 0+3
x2=1 x2=2 x2=3
f2(x2) 6 7 8
x'1(x2) 2 0 1
このとき、もとの式は。。。
𝑱 = 𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
⇒もっと簡単に!
2.具体例を通じた解法
𝒙 𝟑を固定して、𝒙 𝟐の最適値を探索する。
12
〇Step2.
𝒇 𝟑 𝒙 𝟑 = 𝒎𝒂𝒙 𝒙 𝟐
[𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐(𝒙 𝟐, 𝒙 𝟑)]
𝒙 𝟐
′
𝒙 𝟑 = 𝒂𝒓𝒈𝒎𝒂𝒙 𝒙 𝟐
[𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐(𝒙 𝟐, 𝒙 𝟑)]
f(x2)
x2=1 x2=2 x2=3
6 7 8
h2(x2,x3)
h2 x3=-1 x3=0 x3=1
x2=1 1 7 1
x2=2 1 1 3
x2=3 5 6 1
f2(x2)+
h2(x2,x3)
f1+h1 x3=-1 x3=0 X3=1
x2=1 1+6 7+6 1+6
x2=2 1+7 1+7 3+7
x2=3 5+8 6+8 1+8
x3=-1 x3=0 x3=1
f3(x3) 13 14 10
x’2(x3) 3 3 2
このとき、もとの式は。。。
𝑱 = 𝒇 𝟑 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
⇒もっと簡単に!
2.具体例を通じた解法
𝒙 𝟒を固定して、𝒙 𝟑の最適値を探索する
13
〇Step3.
𝒇 𝟒 𝒙 𝟒 = 𝒎𝒂𝒙 𝒙 𝟑
𝒇 𝟑 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝒙 𝟑
′
𝒙 𝟒 = 𝒂𝒓𝒈𝒎𝒂𝒙 𝒙 𝟏
[𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏(𝒙 𝟏, 𝒙 𝟐)]
f3(x3)
x3=-1 x3=0 x3=1
13 14 10
h3(x3,x4)
h3 x4=1 x4=2 x4=3
x3=-1 7 9 8
x3=0 2 3 6
x3=1 5 4 1
f3(x3)+
h3(x3,x4)
f3+h3 x4=1 x4=2 x4=3
x3=-1 7+13 9+13 8+13
x3=0 2+14 3+14 6+14
x3=1 5+10 4+10 1+10
x4=1 x4=2 x4=3
f4(x4) 20 22 20
x’3(x4) -1 -1 0
このとき、もとの式は。。。
𝑱 = 𝒇 𝟒 𝒙 𝟒 ⇒この最適化は簡単!
2.具体例を通じた解法
簡単になった目的関数𝑱を最大化する
14
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱 = 𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱 = 𝒇 𝟑 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱 = 𝒇 𝟒 𝒙 𝟒
Step1.
Step2.
Step3.
x2=1x2=2x2=3
f2(x2) 6 7 8
x'1(x2) 2 0 1
x3=-1 x3=0 x3=1
f3(x3) 13 14 10
x’2(x3) 3 3 2
x4=1 x4=2 x4=3
f4(x4) 20 22 20
x’3(x4) -1 -1 0
Step4. 𝑱の最大値は22.このとき、𝒙 𝟒 = 𝟐
2.具体例を通じた解法
計算しておいた𝒙′
𝒊−𝟏(𝒙𝒊)から、𝒙 𝟏, 𝒙 𝟐, 𝒙 𝟑を得る。
15
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱 = 𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱 = 𝒇 𝟑 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱 = 𝒇 𝟒 𝒙 𝟒
Step1.
Step2.
Step3.
x2=1x2=2x2=3
f2(x2) 6 7 8
x'1(x2) 2 0 1
x3=-1 x3=0 x3=1
f3(x3) 13 14 10
x’2(x3) 3 3 2
x4=1 x4=2 x4=3
f4(x4) 20 22 20
x’3(x4) -1 -1 0
Step4. 𝑱の最大値は22.このとき、𝒙 𝟒 = 𝟐
Step5.
𝒙 𝟑 = −𝟏, 𝒙 𝟐 = 𝟑, 𝒙 𝟏 = 𝟏
2.動的計画法の一般形
一般⇒行きと帰りが長くなるだけで、具体例と一緒
16
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑
+ … + 𝒉 𝒎−𝟏(𝒙 𝒎−𝟏, 𝒙 𝒎)
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐
+𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
Step1-3.各段階で「次の関数を考え」、以下を得る。
(𝒊 = 𝟐, 𝟑, 𝟒)
𝒇𝒊 𝒙𝒊 = 𝒎𝒂𝒙 𝒙 𝒊−𝟏
[𝒇 𝒙 𝒊−𝟏
𝒙𝒊−𝟏 + 𝒉 𝒙 𝒊−𝟏
𝒙𝒊−𝟏, 𝒙𝒊 ]
𝒙𝒊−𝟏
′
𝒙𝒊 = 𝒂𝒓𝒈𝒎𝒂𝒙 𝒙 𝒊−𝟏
[𝒇 𝒙 𝒊−𝟏
𝒙𝒊−𝟏 + 𝒉 𝒙 𝒊−𝟏
(𝒙𝒊−𝟏, 𝒙𝒊)]
Step4.𝑱 = 𝒇 𝟒 𝒙 𝟒 から、最大値とそれを実現する𝒙 𝟒を
求める。
Step5.計算しておいた 𝒙𝒊−𝟏
′
(𝒙𝒊)から 𝒙 𝟑, 𝒙 𝟐, 𝒙 𝟏 を求める。
Procedure 𝑫𝑷 𝒇 𝟏 𝒙 𝟏 , 𝒉𝒊 𝒙, 𝒚 𝒊=𝟏
𝒏
1.𝒊 = 𝟏, … , 𝒏 − 𝟏 に対して、以下を計算
𝒇𝒊+𝟏 𝒙𝒊+𝟏 = 𝒎𝒂𝒙 𝒙 𝒊
[𝒇 𝒙 𝒊
𝒙𝒊 + 𝒉 𝒙 𝒊
𝒙𝒊, 𝒙𝒊+𝟏 ]
𝒙𝒊
′
𝒙𝒊+𝟏 = 𝒂𝒓𝒈𝒎𝒂𝒙 𝒙 𝒊
[𝒇 𝒙 𝒊
𝒙𝒊 + 𝒉 𝒙 𝒊
(𝒙𝒊, 𝒙𝒊+𝟏)]
数表の形で保存
2.𝒇 𝒏(𝒙 𝒏) を最大にする𝒙 𝒏の値𝒙 𝒏
∗
を探索し、その最大
値を𝑱∗
= 𝒇 𝒏(𝒙 𝒏
∗
)とする。
3.𝒊 = 𝒏 − 𝟏, . . , 𝟏に対して、𝒙𝒊
∗
= 𝒙𝒊
′
(𝒙𝒊+𝟏
∗
)を計算
4.(𝒙 𝟏
∗
, … , 𝒙 𝒏
∗
)および𝑱∗
を返す。
目次
1.解きたい問題は何か
2.具体例を通じた解法
2.1.グリーディー法
2.2.動的計画法
2.3.具体例と一般の対応
3.動的計画法の特徴
3.1.再帰性原理
3.2.数表での保存
3.3.最適経路問題と最適性原理
17
ここまでで、質問ありますか??
3.動的計画法の特徴
動的計画法性質①:再帰原理
18
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱 = 𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱 = 𝒇 𝟑 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝑱 = 𝒇 𝟒 𝒙 𝟒
Step1.
Step2.
Step3.
⇒ステップを踏むごとに、同じ形をもったより小さい問題に帰着できている!
3.動的計画法の特徴
動的計画法の性質②:数表としての保存
19
𝑱 = 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
Step1.
Step2.
Step3.
x2=1 x2=2 x2=3
f2(x2) 6 7 8
x'1(x2) 2 0 1
x3=-1 x3=0 x3=1
f3(x3) 13 14 10
x’2(x3) 3 3 2
x4=1 x4=2 x4=3
f4(x4) 20 22 20
x’3(x4) -1 -1 0
⇒各段階の関数を計算するときに前の計算結果を再利用できる
⇒𝒙 𝟑の最適化で、𝒙 𝟏のことを考えなくていい。𝒇 𝟐(𝒙 𝟐)に入ってる。
⇒計算量の削減(全数検査:𝑶 𝑵 𝒎
⇒ 動的計画法:𝑶(𝒎𝑵 𝟐
))
𝒇 𝟐 𝒙 𝟐 = 𝒎𝒂𝒙 𝒙 𝟏
[𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏(𝒙 𝟏, 𝒙 𝟐)]
𝒇 𝟑 𝒙 𝟑 = 𝒎𝒂𝒙 𝒙 𝟐
[𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐(𝒙 𝟐, 𝒙 𝟑)]
𝒇 𝟒 𝒙 𝟒 = 𝒎𝒂𝒙 𝒙 𝟑
𝒇 𝟑 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
3.動的計画法の特徴
動的計画法の性質③:最適経路問題としての解釈
20
0
1
2
1
2
3
-1
1
0S G
1
2
3
𝑥1 𝑥2 𝑥3 𝑥4
・各変数の実現値をノードとし、SからGまでノードをたどる。
・各経路の評価が、教科書p219の𝑱で与えられているとする。
・このとき𝑱を最大にする、ノードのたどり方を考える=最適経路問題
2
1
3
𝑓1(𝑥1)
3.動的計画法の特徴
最適経路問題:Step1.との対応
21
0
1
2
1
2
3
-1
1
0S G
1
2
3
𝑥1 𝑥2 𝑥3 𝑥4
𝒇 𝟐 𝒙 𝟐 = 𝒎𝒂𝒙 𝒙 𝟏
[𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 ]
𝒙 𝟐の各ノードについて、 𝒇 𝟏 𝒙 𝟏 + 𝒉 𝟏 𝒙 𝟏, 𝒙 𝟐 を最大化させるエッジを書きこむ
2
1
3
𝑓1(𝑥1)
7
8
6
x2=1 x2=2 x2=3
f2(x2) 6 7 8
x'1(x2) 2 0 1
𝑓2(𝑥2)
3.動的計画法の特徴
最適経路問題:Step2.との対応
22
0
1
2
1
2
3
-1
1
0S G
1
2
3
𝑥1 𝑥2 𝑥3 𝑥4
𝒇 𝟑 𝒙 𝟑 = 𝒎𝒂𝒙 𝒙 𝟐
𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑
𝒙 𝟑 の各ノードについて、𝒇 𝟐 𝒙 𝟐 + 𝒉 𝟐 𝒙 𝟐, 𝒙 𝟑 を最大化させるエッジを書きこむ
2
1
3
𝑓1(𝑥1)
7
8
6
x3=-1x3=0 x3=1
f3(x3) 13 14 10
x’2(x3) 3 3 2
𝑓2(𝑥2)
13
14
10
𝑓3(𝑥3)
3.動的計画法の特徴
最適経路問題:Step3.との対応
23
0
1
2
1
2
3
-1
1
0S G
1
2
3
𝑥1 𝑥2 𝑥3 𝑥4
𝒇 𝟒 𝒙 𝟒 = 𝒎𝒂𝒙 𝒙 𝟑
𝒇 𝟑 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒
𝒙 𝟒 の各ノードについて、𝒇 𝟑 𝒙 𝟑 + 𝒉 𝟑 𝒙 𝟑, 𝒙 𝟒 を最大化させるエッジを書きこむ
2
1
3
𝑓1(𝑥1)
7
8
6
x4=1 x4=2 x4=3
f4(x4) 20 22 20
x’3(x4) -1 -1 0
𝑓2(𝑥2)
13
14
10
𝑓3(𝑥3)
20
22
20
𝑓4(𝑥4)
3.動的計画法の特徴
最適経路問題:Step4.との対応
24
0
1
2
1
2
3
-1
1
0S G
1
2
3
𝑥1 𝑥2 𝑥3 𝑥4
𝑱 = 𝒇 𝟒 𝒙 𝟒 を最大化させる𝒙 𝟒及び最大値𝑱∗
を決定。
⇒𝒙 𝟒 = 𝟐, 𝑱∗
= 𝟐𝟐となる。
2
1
3
𝑓1(𝑥1)
7
8
6
x4=1 x4=2 x4=3
f4(x4) 20 22 20
x’3(x4) -1 -1 0
𝑓2(𝑥2)
13
14
10
𝑓3(𝑥3)
20
22
20
𝑓4(𝑥4)
3.動的計画法の特徴
最適経路問題:Step5.との対応
25
0
1
2
1
2
3
-1
1
0S G
1
2
3
𝑥1 𝑥2 𝑥3 𝑥4
⇒𝒙 𝟒が決まったので、そのもとでの𝒙 𝟑が決まり、同様に、𝒙 𝟐, 𝒙 𝟏が決まる。
⇒来た道を逆順にたどっていくイメージ
2
1
3
𝑓1(𝑥1)
7
8
6
x4=1 x4=2 x4=3
f4(x4) 20 22 20
x’3(x4) -1 -1 0
𝑓2(𝑥2)
13
14
10
𝑓3(𝑥3)
20
22
20
𝑓4(𝑥4)
3.動的計画法の特徴
最適経路問題:最適性原理
26
0
1
2
1
2
3
-1
1
0S G
1
2
3
𝑥1 𝑥2 𝑥3 𝑥4
最適性原理:どの部分解も部分問題の最適解となっていること
上図であれば、𝒙 𝟑 = −𝟏, 𝟎, 𝟏がゴールであるときの最適経路が示されている。
2
1
3
𝑓1(𝑥1)
7
8
6
x3=-1x3=0 x3=1
f3(x3) 13 14 10
x’2(x3) 3 3 2
𝑓2(𝑥2)
13
14
10
𝑓3(𝑥3)
〇以上です。
質問のあるかたよろしくお願い致します。
27

Contenu connexe

Tendances

機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化gree_tech
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門joisino
 
Stochastic Variational Inference
Stochastic Variational InferenceStochastic Variational Inference
Stochastic Variational InferenceKaede Hayashi
 
ベータ分布の謎に迫る
ベータ分布の謎に迫るベータ分布の謎に迫る
ベータ分布の謎に迫るKen'ichi Matsui
 
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定Akira Masuda
 
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学Ken'ichi Matsui
 
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)Yusuke Kaneko
 
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎セミパラメトリック推論の基礎
セミパラメトリック推論の基礎Daisuke Yoneoka
 
最適化超入門
最適化超入門最適化超入門
最適化超入門Takami Sato
 
PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現hagino 3000
 
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介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
 
強化学習における好奇心
強化学習における好奇心強化学習における好奇心
強化学習における好奇心Shota Imai
 
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
 
不均衡データのクラス分類
不均衡データのクラス分類不均衡データのクラス分類
不均衡データのクラス分類Shintaro Fukushima
 
確率的主成分分析
確率的主成分分析確率的主成分分析
確率的主成分分析Mika Yoshimura
 
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)Hidetoshi Matsui
 
時系列分析による異常検知入門
時系列分析による異常検知入門時系列分析による異常検知入門
時系列分析による異常検知入門Yohei Sato
 
逐次モンテカルロ法の基礎
逐次モンテカルロ法の基礎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
 
最適輸送の解き方
最適輸送の解き方最適輸送の解き方
最適輸送の解き方joisino
 

Tendances (20)

機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化機械学習モデルのハイパパラメータ最適化
機械学習モデルのハイパパラメータ最適化
 
最適輸送入門
最適輸送入門最適輸送入門
最適輸送入門
 
Stochastic Variational Inference
Stochastic Variational InferenceStochastic Variational Inference
Stochastic Variational Inference
 
ベータ分布の謎に迫る
ベータ分布の謎に迫るベータ分布の謎に迫る
ベータ分布の謎に迫る
 
ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定ようやく分かった!最尤推定とベイズ推定
ようやく分かった!最尤推定とベイズ推定
 
15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学15分でわかる(範囲の)ベイズ統計学
15分でわかる(範囲の)ベイズ統計学
 
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
効果のあるクリエイティブ広告の見つけ方(Contextual Bandit + TS or UCB)
 
セミパラメトリック推論の基礎
セミパラメトリック推論の基礎セミパラメトリック推論の基礎
セミパラメトリック推論の基礎
 
最適化超入門
最適化超入門最適化超入門
最適化超入門
 
PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現PRML 6.1章 カーネル法と双対表現
PRML 6.1章 カーネル法と双対表現
 
Gurobi python
Gurobi pythonGurobi python
Gurobi python
 
ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介ベイズ統計学の概論的紹介
ベイズ統計学の概論的紹介
 
強化学習における好奇心
強化学習における好奇心強化学習における好奇心
強化学習における好奇心
 
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
 
不均衡データのクラス分類
不均衡データのクラス分類不均衡データのクラス分類
不均衡データのクラス分類
 
確率的主成分分析
確率的主成分分析確率的主成分分析
確率的主成分分析
 
スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)スパース推定法による統計モデリング(入門)
スパース推定法による統計モデリング(入門)
 
時系列分析による異常検知入門
時系列分析による異常検知入門時系列分析による異常検知入門
時系列分析による異常検知入門
 
逐次モンテカルロ法の基礎
逐次モンテカルロ法の基礎逐次モンテカルロ法の基礎
逐次モンテカルロ法の基礎
 
最適輸送の解き方
最適輸送の解き方最適輸送の解き方
最適輸送の解き方
 

Similaire à これならわかる最適化数学8章_動的計画法

人工知能2018 強化学習の応用
人工知能2018 強化学習の応用人工知能2018 強化学習の応用
人工知能2018 強化学習の応用Hirotaka Hachiya
 
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装するSMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装するsleepy_yoshi
 
University CodeSprint 4 - Magic value
University CodeSprint 4 - Magic valueUniversity CodeSprint 4 - Magic value
University CodeSprint 4 - Magic valuesatanic
 
場の量子論
場の量子論場の量子論
場の量子論M M
 
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)第4回数理モデル勉強会(日本植物学会第84回大会関連集会)
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)TakaakiYonekura
 
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
 
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティングPrml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティングtakutori
 
人工知能2018 6 強化学習の基礎
人工知能2018 6 強化学習の基礎人工知能2018 6 強化学習の基礎
人工知能2018 6 強化学習の基礎Hirotaka Hachiya
 
暗号技術の実装と数学
暗号技術の実装と数学暗号技術の実装と数学
暗号技術の実装と数学MITSUNARI Shigeo
 
Computing for Isogeny Kernel Problem by Groebner Basis
Computing for Isogeny Kernel Problem by Groebner BasisComputing for Isogeny Kernel Problem by Groebner Basis
Computing for Isogeny Kernel Problem by Groebner BasisYasu Math
 
コンピュータビジョン最先端ガイド6 第2章:4~4.2節
コンピュータビジョン最先端ガイド6 第2章:4~4.2節コンピュータビジョン最先端ガイド6 第2章:4~4.2節
コンピュータビジョン最先端ガイド6 第2章:4~4.2節nonane
 
階差数列の和?について 数学B 数列
階差数列の和?について 数学B 数列階差数列の和?について 数学B 数列
階差数列の和?について 数学B 数列saiaki
 
球面フィッティングの導出と実装
球面フィッティングの導出と実装球面フィッティングの導出と実装
球面フィッティングの導出と実装j_rocket_boy
 
続・わかりやすいパターン認識第5章
続・わかりやすいパターン認識第5章続・わかりやすいパターン認識第5章
続・わかりやすいパターン認識第5章Roy Ray
 
グレブナー基底輪読会 #1 ―準備体操の巻―
グレブナー基底輪読会 #1 ―準備体操の巻―グレブナー基底輪読会 #1 ―準備体操の巻―
グレブナー基底輪読会 #1 ―準備体操の巻―Yutaka Nagahata
 
[Dl輪読会]introduction of reinforcement learning
[Dl輪読会]introduction of reinforcement learning[Dl輪読会]introduction of reinforcement learning
[Dl輪読会]introduction of reinforcement learningDeep Learning JP
 
退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発についてTakahiro Hashira
 
強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現Kazu Ghalamkari
 

Similaire à これならわかる最適化数学8章_動的計画法 (20)

双対性
双対性双対性
双対性
 
人工知能2018 強化学習の応用
人工知能2018 強化学習の応用人工知能2018 強化学習の応用
人工知能2018 強化学習の応用
 
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装するSMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
 
University CodeSprint 4 - Magic value
University CodeSprint 4 - Magic valueUniversity CodeSprint 4 - Magic value
University CodeSprint 4 - Magic value
 
場の量子論
場の量子論場の量子論
場の量子論
 
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)第4回数理モデル勉強会(日本植物学会第84回大会関連集会)
第4回数理モデル勉強会(日本植物学会第84回大会関連集会)
 
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
 
Prml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティングPrml 最尤推定からベイズ曲線フィッティング
Prml 最尤推定からベイズ曲線フィッティング
 
人工知能2018 6 強化学習の基礎
人工知能2018 6 強化学習の基礎人工知能2018 6 強化学習の基礎
人工知能2018 6 強化学習の基礎
 
暗号技術の実装と数学
暗号技術の実装と数学暗号技術の実装と数学
暗号技術の実装と数学
 
Computing for Isogeny Kernel Problem by Groebner Basis
Computing for Isogeny Kernel Problem by Groebner BasisComputing for Isogeny Kernel Problem by Groebner Basis
Computing for Isogeny Kernel Problem by Groebner Basis
 
コンピュータビジョン最先端ガイド6 第2章:4~4.2節
コンピュータビジョン最先端ガイド6 第2章:4~4.2節コンピュータビジョン最先端ガイド6 第2章:4~4.2節
コンピュータビジョン最先端ガイド6 第2章:4~4.2節
 
階差数列の和?について 数学B 数列
階差数列の和?について 数学B 数列階差数列の和?について 数学B 数列
階差数列の和?について 数学B 数列
 
球面フィッティングの導出と実装
球面フィッティングの導出と実装球面フィッティングの導出と実装
球面フィッティングの導出と実装
 
続・わかりやすいパターン認識第5章
続・わかりやすいパターン認識第5章続・わかりやすいパターン認識第5章
続・わかりやすいパターン認識第5章
 
グレブナー基底輪読会 #1 ―準備体操の巻―
グレブナー基底輪読会 #1 ―準備体操の巻―グレブナー基底輪読会 #1 ―準備体操の巻―
グレブナー基底輪読会 #1 ―準備体操の巻―
 
[Dl輪読会]introduction of reinforcement learning
[Dl輪読会]introduction of reinforcement learning[Dl輪読会]introduction of reinforcement learning
[Dl輪読会]introduction of reinforcement learning
 
Fourier transform
Fourier transformFourier transform
Fourier transform
 
退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について退化型Keller--Segel系の解の有限時刻爆発について
退化型Keller--Segel系の解の有限時刻爆発について
 
強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現強束縛模型における多体電子状態の第2量子化表現
強束縛模型における多体電子状態の第2量子化表現
 

これならわかる最適化数学8章_動的計画法