【研究分野】社会システム工学

【研究領域課題番号】14580490 (KAKENデータベースで見る）

【研究キーワード】

進化的学習モデル / エージェントベースモデリング / ハイパーゲーム / 組織学習 / ダブルループ学習 / 遺伝的アルゴリズム / ネットワーク型ハイパーゲーム / 進化 / 相互学習 / 消費者選好 / 適応 / 消費者行動

【研究成果の概要】

進化的学習モデルの定式化をエージェントベースモデリングの観点に基づいて,特にハイパーゲーム型のモデルと分配型のモデルの方向から行った。
ハイパーゲーム型のモデルについては,3人ネットワーク型動的ハイパーゲームの場合について,従来の限定的な利得行列に対する学習過程がどの程度一般的な利得行列に有効であるのかを利得行列全体の空間を考慮して系統的に調べた。
分配型のモデルについては,組織学習の基本的概念であるシングルループ学習とダブルループ学習のレベルを考慮した分配型のモデルを新たに構築した。このモデルは,生産関数の類推から従来研究のモデルを拡張したもので,ハイパーゲーム的状況を一般化したものとなっている。このモデルにおけるダブルループ学習としてのエージェントの状況認知の学習をモデルが論理的に識別できるすべての状況に関して行うことに成功した。
組織学習の応用分野として,消費者集団における選好関数の進化,学習過程をモデル化し,そのシミュレーションを遺伝的アルゴリズムにより行った。モデルは,消費者集団と,消費者にとっての環境である製品の動的変化を表す製品空間とを区別し,製品空間の動的特性を変化させて,環境の変化に消費者集団がいかに適応していくかを解析する枠組を整えた。シミュレーションでは,新規マーケットでの潜在的な優良顧客の特徴を抽出することに成功した。
これらの研究成果について,米国社会シミュレーション学会(NAACSOS)やアジア太平洋エージェントシミュレーション学会(PAAA)および計測自動制御学会システム工学部会研究会,進化経済学会,経営情報学会等において発表を行った。

【研究種目】基盤研究(C)

【研究期間】2002 - 2004

【配分額】2,800千円 (直接経費: 2,800千円)

【研究分野】社会システム工学

【研究領域課題番号】12680449 (KAKENデータベースで見る）

【研究キーワード】

組織学習 / ハイパーゲーム / エージェント / エージェントベースモデリング / 遺伝的アルゴリズム / 進化的方法 / 内部モデル

【研究成果の概要】

(モデルの特徴と経過)
(1)これまでに開発してきたネットワーク型動的ハイパーゲームに基づいて,各ゲーム形式(利得行列,戦略集合)に関する学習過程を扱うためのモデルを複数定式化した。
(2)各モデルにおいて,認知の学習過程を遺伝的アルゴリズムによりシミュレーション分析した。
(3)これまでの結果を踏まえ,さらにエージェント指向の考え方を取り入れて,ハイパーゲーム型状況を本質的に包含する一般的な分配モデルに基づく組織のモデルを定式化した。
(4)新たな一般モデルを使って,エージェントの学習過程を限定された条件の下で遺伝的アルゴリズムを用いて分析した。
(研究成果)
(1)これまでのネットワーク型動的ハイパーゲームに関する結果から,組織学習論で提唱されている2種類のループ学習を表現するレベルの違いを明確に区別することがモデル記述のレベルで可能となった。
(2)さらにこれまでのハイパーゲームに依拠したモデルを拡張,一般化し,分配モデルに基づく組織の基本モデルを新たに定式化することで,組織における2種類の学習レベルを明示的にモデルの中で表現することができるようになった。
(3)組織に関するエージェント指向モデリングの立場からの研究と完全に接続することが可能となった。
(4)本研究による基本モデルが,組織学習の全体モデルの中で,基本的学習モジュールを記述する位置にいることが明らかとなった。

【研究種目】基盤研究(C)

【研究期間】2000 - 2001

【配分額】3,600千円 (直接経費: 3,600千円)

【研究分野】社会システム工学

【研究領域課題番号】09780408 (KAKENデータベースで見る）

【研究キーワード】

ハイパーゲーム / 動的ネットワーク型ハイパーゲーム / 相互認識 / 学習 / 遺伝的アルゴリズム / 状況認知 / コンフリフト / 認知 / 情報生成

【研究成果の概要】

本研究ではまず、社会状況に含まれる各主体の状況に対する認知が異なることによる情報の分散共有の状態を記述するための数理的モデルとして、二人ハイパーゲームを本質的に拡張した動的ネットワーク型ハイパーゲームを定式化した。これによりゲームを繰り返すことで各主体が持つ認知を学習していく過程を記述することが可能となった。
次に、学習過程を分析するために、遺伝アルゴリズムを動的ネットワーク型ハイパーゲームに適用して、相互認識の学習過程における情報のタイプについて知見を得た。本研究では、社会集団に含まれる各主体が同時に並列的に状況認知を表す自己の利得行列を改善する方法、特にゲームを繰り返す中で以前のゲームの結果をどのように評価し次のゲームにおける利得行列に反映させたらよいのかを探ることが主な目的であった。本研究により、利得が(0,1,2)の限られた場合における利得行列の並列的学習に成功した。
実験の結果を基づいて、認知の学習理論のための基礎枠組みを構築することも試みた。基本的には動的ネットワーク型ハイパーゲームであるが、そこにおける認知の進化的学習の問題を定式化した。これにより、従来型の漸近的な学習プロセスによる取り扱いでは本研究におけるハイパーゲーム型状況の学習に接近することが困難であることが明かとなった。
これらの研究成果は、システム関連の国際会議、経営情報学会、進化経済学会において発表された。特に進化経済学会における発表では、進化ゲーム等との関連も明らかにした。

【研究種目】奨励研究(A)

【研究期間】1997 - 1998

【配分額】2,000千円 (直接経費: 2,000千円)

【研究分野】社会システム工学

【研究領域課題番号】08780420 (KAKENデータベースで見る）

【研究キーワード】

ハイパーゲーム / 遺伝的アルゴリズム / 自律分散システム / ゲーム理論 / 認知の学習

【研究成果の概要】

複雑な社会状況に含まれる各主体の状況に対する認知が異なることから生じるコンフリクトをハイパーゲームの枠組みで記述し,そのゲームを繰り返すことで各主体が持つ認知を学習していく過程を遺伝的アルゴリズムを用いて分析した.
これまでの研究では二人ハイパーゲームにおいて一方のみが認知を学習し,他方は「自然」であるという仮定のもとに学習しない場合が扱われていた.本研究では,社会集団に含まれる各主体が同時に並列的に状況認知を表す自己の利得行列を改善する方法を明らかにした.
具体的には,利得行列を学習するプレーヤは集団を構成し,各自のゲームの結果の情報を交換する「ネットワーク型意思決定」を行うと仮定し,ゲームの結果をもとに二つの集団の各プレーヤは同時並列的な情報交換を行い,各自の利得行列を変更する.各自の利得行列は遺伝的アルゴリズムにおける適応度関数によって評価されるが,適応度関数の設定に依存して交換される情報の有効性が決定される.
本研究では特に,自律的主体の状況認知の学習のためには,ゲームの直接的な結果だけでなく,それらを集団内で交換することにより,状況に対する大域的な情報として解釈することが必要なことを主に明らかにすることができた.本研究の結果は,自律的主体からなる多主体系における状況認知の学習過程のモデルの構築に貢献することができる.

【研究種目】奨励研究(A)

【研究期間】1996

【配分額】800千円 (直接経費: 800千円)

【研究分野】社会システム工学

【研究領域課題番号】06680397 (KAKENデータベースで見る）

【研究キーワード】

ハイパーゲーム / 遺伝的アルゴリズム / 学習 / 適応

【研究成果の概要】

本研究では「繰り返し二人ハイパーゲーム」の枠組みを定式化し、不完全情報下の社会状況を記述した。この枠組みにより、問題状況に関与する各主体の認知の相違と、そこから生じるコンフリクトを表現することができる。またゲームを繰り返すことにより、コンフリクトの解消に焦点をあてたモデル化が可能となった。
上述の定式化された枠組みを用いて、各主体の状況に対する認知の学習に遺伝的アルゴリズムを適用し、計算機を用いて実験を行った。ハイパーゲーム的社会状況に対し遺伝的アルゴリズムが使われた例はこれまでになく、本研究の特色である。本研究では、プレーヤの認知を改善し、正しい認知になるように学習を行わせることに成功した。
本研究の結果により、目標となる相手の利得行列が未知であるとき、自己の持つ相手への認知をどのように評価すれば認知を状況に適応する方向へ改善できるのかという、ハイパーゲームの学習過程に関する規範的知見を得ることができた。具体的には、利得行列を学習するためには、状況に適応している行列ならば得られるであろう利得と実際に得られた利得との差だけではなく、ナッシュ解の個数などの行列の形に関する性質も必要である。
本研究の結果は計測自動制御学会のシンポジウムで発表され、日本経営情報学会の論文誌に投稿され、掲載予定である。

【研究種目】一般研究(C)

【研究期間】1994

【配分額】2,100千円 (直接経費: 2,100千円)