粒子群最適化｜群知能で多次元空間を高速最適化

粒子群最適化

粒子群最適化は、群知能に着想を得たメタヒューリスティクスであり、連続値の探索空間で良解を効率的に探索する確率的最適化手法である。勾配情報を必要とせず、非凸・ノイズ・不連続を含む実問題にも適用しやすい点が特徴である。各候補解は「粒子」として表現され、粒子は自身の最良経験と群全体の最良経験に引き寄せられながら速度と位置を更新し、目的関数の最小化または最大化を試みる。産業応用では、設計パラメータの自動同定、制御器ゲイン調整、形状最適化、スケジューリングなどで広く用いられる手法である。

Table Of Contents

粒子群最適化

基本概念と更新式

粒子群最適化では、粒子iの位置をベクトル、速度をで表す。粒子は個人最良

_bestと群最良_bestを記憶し、反復ごとに以下の標準式で更新する：v←w·v+c1·r1·(p_best−x)+c2·r2·(g_best−x)、x←x+v。ここでwは慣性重み、c1は認知係数、c2は社会係数、r1,r2は[0,1]一様乱数である。群最良を全体で共有する「gbest」構造は収束が速い一方で早期収束のリスクがある。局所近傍で最良を共有する「lbest」構造は多様性を保ちやすい。

ハイパーパラメータの意味

w（慣性重み）：探索の広さと収束性のバランスを決める。0.9→0.4の線形減衰が経験的に用いられることが多い。
c1,c2（認知・社会係数）：自己探索と群探索の強さ。合計がおおよそ4前後（例：c1=c2=2.0）が一般的な初期値である。
v_max（速度制限）：発散を防ぐための上限。設計変数範囲の10〜20%を目安に設定する。
収束判定：g_bestの改善が閾値以下、速度ノルムの縮小、最大評価回数到達などを併用する。

アルゴリズム手順

初期化：設計変数の下限・上限に従い粒子群を一様またはLHSで配置し、速度を小さめに初期化する。
評価：各粒子の目的関数値を計算し、p_bestとg_bestを更新する。
更新：乱数r1,r2を生成し、標準式（または拘束付き式）でvとxを更新する。境界を越えた場合は反射・クリップ・再生成などで処理する。
反復：終了条件（評価回数、改善停滞など）まで2–3を繰り返す。

制約条件の扱い

粒子群最適化は制約処理を組み込みやすい。実務では目的関数に制約違反ペナルティを付与する方法が最も簡単であるが、過大なペナルティは探索多様性を損なうため注意が必要である。実装では、可行解優先（可行が不可行より常に優先）、違反量最小選好、実行可能領域への射影・修復などを併用すると安定する。

ペナルティ法：f′=f+ρ·V（Vは違反量）。ρは段階的に増やすと良い。
修復法：境界外成分を最近傍の可行点へ射影、または反射（x←2·bound−x）。
可行優先則：双方可行なら目的値で比較、片方のみ可行なら可行側を優先する。

多目的最適化（MOPSO）

多目的版ではパレート非劣解の集合を維持する外部アーカイブを用いる。リーダー（参照解）はアーカイブから多様性指標（例：crowding distance）の大きい解を確率的に選ぶ。重み付け和やε制約で単目的化する手もあるが、アーカイブ管理により前線全体の均一被覆が得やすい。アーカイブサイズは計算資源に応じて数十〜数百が目安である。

離散・バイナリPSO

組合せ最適化では、速度成分を確率に写像するバイナリPSOが使われる。典型的にはS字関数S(v)=1/(1+e^−v)でビット反転確率を定義し、x_i^d←1{rand<S(v_i^d)}とする。巡回路やスケジューリングでは、順序表現や近傍演算（swap、insert）を設計し、vの更新を「操作の選好度」に読み替えると安定する。

実装の実務ポイント

スケーリング：各設計変数を[0,1]正規化するとc1,c2やv_maxの解釈が一貫する。
多様性維持：lbestトポロジ、wの減衰、ランダム再始動、突然変異風の摂動（低頻度ガウス雑音）を併用する。
初期設計：探索空間の被覆を高めるためLHSや低偏差列を用いる。
ノイズ対策：評価ノイズが大きい場合は再評価・移動平均・ロバスト目的（例：分位点）を採用する。
並列化：目的関数評価は独立なので並列実行が容易であり計算時間短縮に有効である。
再現性：乱数シード固定、停止条件と記録の厳密化、評価回数ベースの管理を行う。

よくある落とし穴

早期収束：c1,c2が大きすぎる、またはgbest依存が強すぎると局所に閉じ込められる。
スケール不一致：変数スケールが極端に異なると速度が飽和し探索が偏る。
過度のペナルティ：可行化は進むが良好解へ到達しにくくなるため動的調整が必要。
高次元効果：次元が増えると多様性が不足しがちで、個体数の増加や分割探索が有効である。

工学分野での応用例

粒子群最適化は機械・電気・化学工学の多様な設計に適用される。機械ではトポロジー・形状パラメトリック最適化、支持剛性や固有振動数の調整、ギヤ・ばね・ダンパ定数の同定に用いられる。制御ではPIDや状態フィードバックのゲイン探索、ロバスト指標の最適化に有効である。製造では切削条件の最適化や工程スケジューリング、品質ばらつきの低減に寄与する。化学では反応条件の同定、混合・攪拌プロセスの操作点探索、材料配合比の最適化で成果が報告されている。

チューニングの指針（目安）

個体数：20〜50（高難度や高次元では増やす）。反復数：100〜500（評価コストと相談）。
w：0.9から0.4へ線形減衰。c1=c2=2.0付近から開始し、必要に応じてc1↑で探索、c2↑で収束を強める。
v_max：各次元レンジの10〜20%。越境時は反射またはクリップで安定化する。
制約：可行優先＋適度な動的ペナルティ、修復の3本柱を状況に応じて組み合わせる。
多目的：アーカイブ50〜200、crowding distanceで多様性維持、リーダーは確率選択で偏りを抑える。

拡張と変種

代表的拡張として、収束保証を狙う収縮係数法、適応w・c1・c2の自己調整型、混合トポロジ、学習履歴を組み込むメモリ強化、局所探索を併用するハイブリッド型などがある。問題特性（凸性、滑らかさ、制約形態、評価ノイズ）を見極め、粒子群最適化を基盤に必要な拡張を足し引きする設計が実務では有効である。