生物从进化中学习，科学技术开发加速。

小野──进化计算是一种模仿生物进化过程并通过试错找到最优解的算法。在解决问题时，如果有解决问题的解决手册，那么按照它来解决是最有效率的。但根据问题的不同，也有没有例子或前人留下的例子的情况。在这种情况下，你唯一能做的就是反复试验。生物体在应对环境变化的生存斗争中幸存下来的进化过程是“没有模型解决问题”的完美例子。进化计算的研究正在从中学习并将其系统化，作为解决前所未有的问题的方法。

小野──进化计算已被用于解决熟悉的问题。例如，N700系列新干线头车的车头形状就采用了进化计算^[1]新干线列车的机头形状已经演变，以减少进入隧道时产生的噪音。在N700系列之前，根据设计师的经验，每一代的鼻子都变得更尖。但车头太尖了，如果想进一步降低噪音，就只能减少头车的乘客数量，并且把它做得太长，以至于无法放在站台上。有必要放弃“基于经验的设计”并考虑“不基于示例或模型的设计。”

通过应用遗传算法（一种进化计算），我们能够找到形状与以前不同的设计解决方案，并且能够对其进行设计，使其即使在比以前更高的速度运行时也不会产生任何大声的噪音。类似的方法也应用于国产客机MRJ的机翼形状^[2]和轮胎形状^[3]，寻求性能的显着改进。

小野──过去，根据一定规则解决问题的人工智能（称为专家系统）本身就是一本解决方案手册。因此，不积累知识就无法解决问题。机器学习AI，比如现在广泛应用的深度学习，不需要解题手册，但没有从过去的案例中获取数据就无法找到解决方案。无论如何，AI需要手册或数据来找到解决方案。

另一方面，进化计算是一种适合于你被扔到未知环境中并且必须产生一定量工作的情况的方法。所需要的是一个黑盒环境，例如模拟器以及在那里要实现的目标。在这种情况下，进化计算涉及重复试验和错误，为失败做好准备，寻找更好的解决方案，同时评估所获得的结果是否满足目标。

在机器学习领域，有一种称为“强化学习”的方法，它利用环境奖励的线索来学习行为策略。这个想法与进化计算相同，通过反复试验来评估结果并寻求更好的解决方案。然而，由于强化学习是专门针对机器人、代理等的行为学习而制定的，因此它可以比进化计算更有效地促进这些问题的学习。另一方面，进化计算也可以应用于强化学习所针对的任务，使其成为一种更通用的问题解决方法。

小野──首先准备黑盒环境来计算评估值。例如，在设计新干线的机头时，我们准备了一个模拟器，可以再现机头周围的气流。然后，我们将任意设置的几种类型的解决方案候选放入其中，评估环境中发生的现象，并评估适合目的的好解决方案还是坏解决方案。然后，选择评价值最高的方案作为设计方案。

但是，按照这个速度，这只是反复试验。如果不小心将候选解输入黑匣子，则需要花费一些时间才能获得好的解。在涉及复杂现象（例如客机机翼形状）的情况下评估解决方案可能需要一整天的时间才能使用模拟器评估一个解决方案。因此，需要一种方法来找到更好的解决方案，而不需要经过不必要的试错。这是我们可以展示我们技能的地方。

小野──最经典的进化计算方法叫做“位串遗传算法（bitstring GA）”。这是一种简化试错的方法，由 John H Holland 在 20 世纪 70 年代开发。^[4]在该方法中，候选解被表示为0和1的比特串，并且在测试多个随机设置的候选解之后，将结果良好的解的特征结合起来以创建“下一代候选解”。通过多次重复这个过程，多个候选解逐渐接近最优解。基于“产生良好结果的候选解决方案必须包含某种能够带来良好结果的因素”的假设，我们寻找更能满足我们目标的解决方案。生成下一代解决方案的一种方法是通过以 50% 的概率交换两个候选解决方案的位串之间的每一位来生成新的候选解决方案。这种方法称为均匀交叉，但它在找到好的解决方案方面效率不高。

小野──没错。举个例子，小野实验室最近开发的DX-NES（基于距离的指数自然进化策略）^[5]DX-NES 是 Wirestra 等人设计的自然进化策略（NES）。 2008 年^[6]发展而来的方法，可以通过生成比比特串GA少得多的候选解来有效地逼近最优解。

使用 DX-NES，首先决定任意解决方案，并考虑以该解决方案为中心的正态分布。在具有两个变量的二维问题中，该区域具有椭圆形概率分布，其底部像山，顶点位于平面上的一点。然后，学习正态分布的质心和形状，以提高根据正态分布生成的候选解的评估值的期望值。具体来说，我们根据正态分布创建几个第一代候选解决方案。接下来，我们计算每个候选解的评估值，根据评估值对其进行加权，并确定正态分布的重心和形状以创建下一代候选解。这样，正态分布的重心就会向评价值最高的解的方向移动，从而可以在最优解的方向上生成更多的解。

此外，当正态分布的重心移动时，我们会为远离重心的好候选解赋予较大的权重，并将学习率设置为较大的值，而在其他时候，我们会为远离重心的好解候选赋予较大的权重，并将学习率设置为较小的值。结果，代间正态分布的重心在远离最优解时明显移动，在接近最优解时变小，从而可以更高效地搜索解。

当初始化区域设置为覆盖20维Sphere函数的简单基准问题中的最优解时，DX-NES求解的效率比之前引入的位串GA提高了100倍以上。以前只能用价值1000万日元的PC集群才能解决的问题现在可以用一台廉价的PC来解决。如果初始化区域设置为不覆盖最优解，或者问题是诸如变量之间存在依赖关系的函数之类的难题，DX-NES将能够找到最优解，但BitString GA将无法找到最优解。这项研究最好的部分是，根据想法的不同，有时可以获得如此戏剧性的效果。

小野──没错。我认为这项研究非常有价值，因为它使我们能够解决使用传统信息处理方法永远无法解决的问题。

例如，“旅行商问题”是一个著名的难题。^*1的组合优化问题。旅行商问题是给定多个城市作为目的地的问题，其任务是找到一次性访问所有城市的最短路线（最优解）。由于候选循环路径的数量是有限的，原则上应该可以通过识别所有循环路径来找到最优解。然而，即使有超级计算机，即使是只有30个城市的问题，也需要很长的计算时间，无法保证在一生中能够得到最优解。

小野──如果您对此类问题使用进化计算，并不能保证您会找到最优解决方案，但您可以相当有效地找到一个好的解决方案。例如，如图5所示，有六个基准问题，针对蒙娜丽莎和梵高等名作，用100,000到200,000个点点画，并在用一笔画连接所有点时找到最短路径^[7]换句话说，这是一个要访问10万到20万个城市的旅行商问题。这些基准问题比需要访问 30 个城市的旅行商问题需要更多的计算量。

为了解决这个问题，我们在东京工业大学的超级计算机TSUBAME20的30个计算节点上并行运行了我们实验室于2013年开发的进化计算算法，大约花了5个小时。 （100,000 个城市问题） - 在大约 30 小时内（200,000 个城市问题），我们能够获得相对于迄今为止已知的最佳解决方案（已知最佳解决方案）误差约为 00063%（100,000 个城市问题）到约 00075%（200,000 个城市问题）的解决方案。

小野──此外，使用相同的算法和不同的随机数序列，我们进行了另一项挑战，为六个问题中的每一个寻找最短路径 10 次，合并获得的前 10% 的解决方案，并将它们用作下一代解决方案的候选。然后使用进化计算算法进一步找到最短路径。结果，针对 100,000 个城市、140,000 个城市、160,000 个城市和 200,000 个城市这四个问题的最著名的解决方案（发现的路径长度分别为 5,757,191、6,810,665、7,619,953 和 8,17）1,677）并成功地发现了比针对 120,000 个城市和 180,000 个城市的两个问题的最著名解决方案（发现的路径长度分别为 6,543,609 和 7,888,731）^[8]。

小野──我认为量子退火机是非常有吸引力的硬件。我不是量子退火机方面的专家，所以我不能肯定地说，但我认为如果硬件发展顺利，量子退火很可能能够更有效地解决这些问题。然而，为了有效地利用量子退火，期望能够有效地利用从进化计算研究中获得的知识。模拟退火、进化计算、禁忌搜索等优化问题求解方法基于相似的原理，被归为一类称为“元启发式”的优化方法。由于这是一种类似的方法，我们相信在将实际问题转化为量子退火机解决的问题时，相同的知识将是有用的。

小野──是的。目前量子退火软件工程师紧缺，或者说未来还会紧缺。我们希望通过进化计算研究积累的知识对未来量子计算机的使用有用。

小野──从学生时代起，我就对人的智力活动特别是设计方法感兴趣。我想知道如何有效地进行设计和工作，以及首先是什么让困难的问题变得困难。当我还是本科三年级学生时，我选修了一门与人工智能相关的课程，向我介绍了遗传算法。在那里，我了解到困难的问题可以通过简单的试错过程来解决，我被其中的神秘乐趣所吸引，从那时起我继续了大约25年的研究。

小野──我们正在不断发展，以更快地解决难题。自然界发生了惊人的进化。但进化的速度极其缓慢，而且效率不高。通过简化这个过程，我们将能够发现当前生物体无法实现的能力。例如，飞机的灵感来自鸟类。鸟类的飞行速度不能超过音速，但人造喷气式飞机可以。进化计算还可以探索进一步进化超音速范围飞机的解决方案。

此外，现在可以解决具有多达 10,000 个变量的大规模黑盒函数优化问题。许多工程问题最多有 100 个变量。然而，当涉及到建模问题时，例如建立模型来解释复杂的现象，就需要处理更多的变量。例如，在处理确定基因之间相互作用参数的医学和生物学问题时，就会出现上述“10,000个变量”的大规模问题。进化计算还可以帮助解决这些医学和生物学问题。它还有助于解决经济现象建模并将其拟合数据等问题。建模问题不仅涉及10,000个变量，还涉及100,000甚至1,000,000个变量的问题，因此需要进一步提高算法性能。

小野──我确实有这样的感觉。然而，这并不那么容易。在研究中，我们使用基准问题来设计可以更快解决的方法，但即使我们在基准中得到了很好的结果，但在现实生活中应用到类似问题时，很多情况下结果并不符合预期。

小野──这是因为算法的优化仅仅是为了“解决基准问题”。根据现实生活中的问题创建基准时会丢失某些特征。为了使算法真正有用，我们需要将其合并并演化为能够处理困难问题和复杂过程的算法。

小野──没错。其实这就是“没有免费的午餐定理”^[9]如果您尝试创建一个完全通用的算法来处理所有可能的问题，那么您最终将获得与效率最低的随机搜索相同的平均性能。因此，为了提高解决现实问题的效率，有必要发现工程和科学领域待解决的现实问题中广泛出现的属性，并创建充分利用这些属性的算法。我们将一组具有共同属性的问题称为“问题类”，我们的目标是尽可能地概括它，同时扩大可以有效解决的问题的范围。因此，有必要通过反复创建和测试来改进该方法。

小野──我愿意致力于解决更大的问题和难以解决的问题。有一个称为“多目标优化问题”的问题，它寻求同时满足许多相互矛盾的目标的解决方案。多目标优化问题的特点是随着目标数量的增加，需要处理的变量数量也随之增加，问题本身也变得越来越复杂。然而，这些问题在实际产品开发中经常遇到。

多车型同时优化的基准问题^[10]举个例子。在汽车行业，其理念是在紧凑型轿车、SUV和大型轿车等多种车型上尽可能使用相同的零部件，以降低汽车制造成本。因为我们可以批量订购零件，所以可以降低成本。然而，如果只使用大型汽车的零部件来制造小型汽车，重量自然会增加，燃油效率也会受到影响。那么，零部件是不是更适合小型车呢？从保证碰撞安全性能的角度来看，需要使用适合大型汽车的零部件。换句话说，在通用部件的数量和重量之间存在权衡。

具有这种权衡关系的问题有多个最优解决方案。这称为“帕累托解”。有强调通用部件标准化的最优解决方案，也有强调减轻重量的最优解决方案。

小野──如果我们能够快速解决这些问题，我们就能对世界产生巨大影响。有很多人在寻找这个问题，许多大学也在举办竞赛来寻找这些问题的解决方案。

其实我前面提到的“多车型同时优化的基准问题”也是为比赛提供的问题^[11]还举行了一场为月球探测着陆器寻找最佳着陆点的竞赛。^[12]这个想法是尽量减少在阴凉处的天数，最大限度地延长与地球的通信时间，并选择尽可能平坦的着陆点。

最近，参与此类竞赛对于推进研究变得非常重要，机器学习和机器人控制就是如此。相信技工院校积极参加的Robocon比赛对于提高技工院校学生的技术技能和学习动力也非常有益。为了实现明确的目标而经历大量的尝试、错误和失败对于推进研究极其重要。

小野──我重视讨论并总是问“为什么”以让人们思考。我教导他们不要三心二意地满足于自己的结果，要不断地问自己为什么会得到这样的结果，事情进展顺利与否。

小野──非常重要。如果你能用语言表达你正在解决的问题，我认为你作为一名研究人员就走在正确的道路上。在研讨会上，我们以一种耗时的方式进行，先接受一个小时的解释，然后与所有实验室成员进行一个多小时的问答和讨论。

讨论时，首先澄清解释中使用的词语的定义，然后再继续。我们在研究中涉及的许多主题都是抽象的，因此，如果我们没有明确定义讨论中使用的术语，那么讨论将根本无法协调一致。只有当你能够正确地提出问题时，你才能从拥有你所不具备的观点的人那里获得宝贵的见解。有时我对研究过程中获得的结果感到不安。然而，我们倾向于将其隐藏在我们的意识中，而不告诉任何人。除非你用语言表达出来，否则你将无法获得新的知识。

小野──当学生踏入职场时，我当然希望他们能够运用在实验室中获得的专业知识，但更重要的是，如果他们能够利用在研究过程中培养的技能，用语言表达问题，并与他人交流信息以确定需要解决的问题，我会很高兴。我还希望他们开发出令人兴奋的技术，让人们感到快乐。