JPH1091676A

JPH1091676A - 安定化設計方法及び安定化設計プログラムを記録した記録媒体

Info

Publication number: JPH1091676A
Application number: JP9128977A
Authority: JP
Inventors: Kazunori Oda; 和典織田
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 1996-07-25
Filing date: 1997-05-19
Publication date: 1998-04-10
Also published as: DE19731943A1

Abstract

(57)【要約】【課題】設計諸元や使用環境条件を変化させたときの
性能変化を考慮して製品の安定性を向上させる。【解決手段】既存のニューラルネットワークの構造か
ら、ニューラルネットワークの構造を複数について遺伝
的アルゴリズムで扱うことが可能なようにコード化して
初期世代の複数の染色体を設定し（１００）、ＲＭＳ誤
差求め適応度とし（１０２）、各々を適応度の高い順序
で並べ替え、適応度が高い染色体が残存するように選択
・淘汰、交叉、突然変異させ（１０４）、所定世代まで
繰り返して進化させ（１０８）、それを準初期値として
（１１０）、ニューラルネットワークを再構築する（１
１２）。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、安定化設計方法及
び安定化設計プログラムを記録した記録媒体にかかり、
特に、製品の安定性を反映する要因を含む性能を考慮し
て製品の安定性を重視しながら設計する安定化設計方
法、及びコンピュータによって製品の性能及び頑健性が
両立した設計条件を求める製品の安定化設計をするため
の設計プログラムを記録した記録媒体に関する。

【０００２】

【従来の技術】一般的に、機械設計や構造設計等の製品
設計は、当初の要求性能を満足するように基本設計を行
い、それを試作して試作品が要求性能を満足するかを評
価する。その結果を基本設計にフィードバックして試作
・評価を繰り返して試行錯誤的に目的とする要求性能を
満足する製品を設計している。また、評価としては、コ
ンピュータの発展に伴ってコンピュータを用いて設計
し、そのコンピュータを用いてユーザが設計に必要なエ
ンジニアリング試験や分析をすることもある（所謂、Ｃ
ＡＥ:Computer Aided Engineering ）。

【０００３】近年、製品設計においてＳＮ比や使用環境
等の各種要因に対する製品の安定性を重視した安定化設
計が重要視されている。例えば、２種類の部品Ａ，Ｂの
何れも要求性能を満足しているが、一方の部品Ｂがより
高性能であるとき、より高性能な部品Ｂを選択するであ
ろう。ところが、設計諸元と性能との関係を見てみる
と、部品Ａはノイズに強い頑強な（以下、ロバスト性の
寄与が高いという）部品であるのに対し、部品Ｂはノイ
ズに弱い部品である場合、使用環境によっては部品Ａを
選択すべきである。

【０００４】しかしながら、上記のような試作・評価を
繰り返して試行錯誤的な設計による評価やＣＡＥによる
評価では、設計諸元や使用環境条件から性能を予測する
ポイント設計であり、設計諸元や使用環境条件を変化さ
せたときの性能変化の考慮が十分ではない。このような
安定化設計をするための安定化設計方法は、設計諸元や
使用環境条件を変化させたときの性能変化を考慮して製
品の安定性を向上させるものである。

【０００５】この安定化設計方法としては、タグチメソ
ッドが知られている（上野著、”開発現場における品質
工学機能性評価による機械設計”（財）日本規格協
会、１９９５）。この方法では、設計者が制御できない
ばらつきを誤差因子として取り入れ、ロバスト性の寄与
が高い設計諸元を求め、次にロバスト性の寄与が低くか
つ性能への寄与が高い設計諸元を求め、ロバスト性の寄
与を低下させずに性能を向上させる製品を設計する。

【０００６】しかしながら、この方法では、誤差因子を
予め定めることやロバスト性の寄与が低くかつ性能への
寄与が高い設計諸元が実際に存在することが要求される
が、音質等の感覚量が要因であったり存在しない設計諸
元だったりして実質的な適用は困難である。また、設計
諸元と性能との関係は、非線形であることが多く、非線
形な対応を確実に解析するためには、膨大な量の実験を
必要とする。

【０００７】このような問題を解消するためのものとし
て、神経回路をモデル化したニューラルネットワークを
用いた設計方法が提案されている（特開平７−３１９５
０８号公報参照）。ニューラルネットワークは、神経回
路をモデル化したものであり、複数のニューロンからな
る入力層、中間層、及び出力層を重みを付し連結して構
成し、既知の入出力データによって連結関係を学習す
る。これにより入出力関係が非線形な対応であっても、
入力に対応する出力を得ることができる。

【０００８】

【発明が解決しようとする課題】しかしながら、ニュー
ラルネットワークを用いた場合であっても、最適性能を
得るための、設計諸元を含む入力層の数や中間層の数で
あるニューラルネットワークの構成自体は、試行錯誤的
に求めなければならず、煩雑な作業が伴っていた。

【０００９】本発明は、上記事実を考慮して、設計諸元
や使用環境条件を変化させたときの性能変化を考慮して
製品の安定性を向上させることができる安定化設計方法
を得ることが目的である。

【００１０】また、性能及び頑健性を両立させた設計諸
元を求めることが可能な安定化設計方法を得ることが目
的である。

【００１１】

【課題を解決するための手段】上記目的を達成するため
に請求項１に記載の発明は、製品の設計条件及び環境条
件に基づいて前記製品の性能を求め、安定性を考慮した
製品の安定化設計方法であって、前記製品の設計条件及
び環境条件と、前記製品の安定性を反映する要因を含む
性能との関係が既知の複数のデータにより、前記製品の
設計条件及び環境条件を入力としかつ前記製品の安定性
を反映する要因を含む性能を出力として、入出力関係が
非線形な対応を含む対応を定めるときに、多層構造の神
経回路モデルを有する対応手段を用い、遺伝的アルゴリ
ズムを用いて前記神経回路モデルを変更して前記対応手
段を構築し、任意の製品の設計条件及び環境条件に対応
する性能を求めることを特徴とする。

【００１２】請求項２に記載の発明は、請求項１に記載
の安定化設計方法であって、前記遺伝的アルゴリズムを
用いた前記神経回路モデルの変更は、所定確率でかつ、
前記神経回路モデルの複数について少なくとも一部を交
叉、及び前記神経回路モデルの少なくとも一部を変更す
る突然変異の少なくとも一方を行って前記神経回路モデ
ルを変更して前記対応手段の構造を決定することを特徴
とする。

【００１３】請求項３に記載の発明は、請求項１に記載
の安定化設計方法であって、前記複数のデータは、前記
製品の設計条件及び環境条件と、前記製品の安定性を反
映する要因を含む性能との関係が既知の多数のデータの
うち、マハラノビスの汎距離が所定距離以上のデータで
あることを特徴とする。

【００１４】製品の設計諸元等の設計条件及び周囲の温
度や湿度、そして風力等の環境条件から製品の性能が定
まる。この製品は、ノイズに強靱な安定性が考慮された
ロバスト性の寄与が高い製品の要求が高い。これらの製
品の設計条件及び環境条件と製品の性能との対応は非線
形であることが多く、非線形な対応関係を求めるものと
して、神経回路をモデル化したニューラルネットワーク
を用いたシステムがある。しかし、非線形な対応関係を
求めるものとして、神経回路をモデル化したとしてもそ
の構造を定めるのは煩雑である。そこで、請求項１の発
明では、遺伝的アルゴリズムの概念を導入した。多層構
造の神経回路をモデル化したニューラルネットワークで
ある対応手段は、製品の設計条件及び環境条件と、前記
製品の安定性を反映する要因を含む性能との関係が既知
の複数のデータにより、学習される。この対応手段は、
製品の設計条件及び環境条件を入力としかつ前記製品の
安定性を反映する要因を含む性能を出力として、入出力
関係が非線形な対応を含む対応を定めるものである。こ
の対応手段の神経回路モデルを、遺伝的アルゴリズムを
用いて変更することによって対応手段を構築する。これ
により、任意の製品の設計条件及び環境条件に対応する
性能を求めることができる。

【００１５】前記遺伝的アルゴリズムを用いた前記神経
回路モデルの変更は、具体的には、請求項２に記載した
ように、遺伝的アルゴリズムの選択・淘汰に対応する所
定確率でかつ、前記神経回路モデルの複数について少な
くとも一部を交叉、及び神経回路モデルの少なくとも一
部を変更する突然変異の少なくとも一方を行う。これに
よって神経回路モデルが変更されて前記対応手段の構造
が決定される。

【００１６】前記複数データは、外挿データでないもの
を用いる必要がある。すなわち、外挿問題の解には大き
な誤差を伴うことが多いためである。このため、請求項
３にも記載したように、前記複数のデータを、前記製品
の設計条件及び環境条件と、前記製品の安定性を反映す
る要因を含む性能との関係が既知の多数のデータのう
ち、マハラノビスの汎距離が所定距離以上のデータとす
る。これにより、多数のデータのうちマハラノビスの汎
距離が所定値未満のデータは上記構築された変換手段の
確認用として用いても外挿データとしてでなく、内挿デ
ータとして扱うことができ、大きな誤差を伴うことがな
い。

【００１７】請求項４に記載の発明の安定化設計方法
は、製品の設計条件及び環境条件と、該製品の設計条件
及び環境条件による前記製品の性能との間の関係が既知
の複数のデータを予め準備し、前記製品の設計条件及び
環境条件を入力とすると共に、前記性能を出力とする対
応関係を、多層構造の神経回路モデルで設定し、該対応
関係を前記複数のデータを用いて学習構築し、前記製品
の設計条件、前記環境条件及び前記製品の性能のうちの
少なくとも１つの許容範囲を制約する設計制約を定め、
前記複数のデータ以外の値を含むデータを用いて、前記
設計制約で制約される前記許容範囲内で前記製品の設計
条件及び前記環境条件と前記製品の性能との対応を複数
求めると共に、頑健性を表す頑健度を求め、求めた複数
の対応及び頑健度に基づいて前記製品の性能及び前記頑
健性が予め定めた所定範囲内の設計条件を抽出する。

【００１８】請求項１の欄にも述べたように、製品は、
ノイズに強靱な安定性が考慮された頑健性であるロバス
ト性の寄与が高い製品の要求が高く、これらの製品の設
計条件及び環境条件と製品の性能との対応は非線形であ
ることが多い。そこで、請求項４の発明では、製品の性
能及び頑健性を両立させた設計条件を求めている。具体
的には、製品の設計条件及び環境条件と、製品の設計条
件及び環境条件による製品の性能との間の関係が既知の
複数のデータを予め準備する。そして、製品の設計条件
及び環境条件を入力とすると共に、前記性能を出力とす
る対応関係を、多層構造の神経回路モデルで設定し、こ
の対応関係を複数のデータを用いて学習構築する。この
神経回路モデルであるニューラルネットワークは、製品
の設計条件及び環境条件の入力に対応する性能を出力す
る。製品の設計時には、製品の設計条件や性能につい
て、構造に起因する制約や最適な値及び許容範囲があ
る。従って、製品の設計条件、環境条件及び製品の性能
のうちの少なくとも１つの許容範囲を制約する設計制約
を定める。これによって、製品の設計条件、環境条件及
び性能について変動可能な範囲が定まる。次に、複数の
データ以外の値を含むデータを用いて、設計制約で制約
される許容範囲内で製品の設計条件及び環境条件と製品
の性能との対応を複数求めると共に、頑健性を表す頑健
度を求める。製品の設計条件及び環境条件と製品の性能
との対応は構築されている神経回路モデルによる対応関
係から求めることができ、頑健度は神経回路モデルによ
る対応関係を数式化したときにその数式の偏微分の値か
ら求めることができる。この偏微分の値を求めることは
神経回路モデルによるニューラルネットワークを構築し
その構築したニューラルネットワークで求めてもよい。
従って、複数の性能に対する対応及び頑健度が求まる。
これら求めた複数の対応及び頑健度に基づいて製品の性
能及び頑健性が予め定めた所定範囲内の設計条件を抽出
する。この設計条件の抽出は、製品の性能が大きく、頑
健性が大きいすなわち誤差因子による影響が少ない設計
条件、例えば構造上の長さや角度等の設計諸元を抽出す
ればよい。これら製品の性能と頑健性の関係に優先度が
存在するときは、優先する性能または頑健性が大きい設
計諸元を複数抽出し、その後に優先されなかった性能ま
たは頑健性の大きい設計諸元を抽出すればよい。

【００１９】前記多層構造の神経回路モデルで設定した
対応関係は、請求項５に記載したように、遺伝的アルゴ
リズムを用いて所定確率でかつ、前記神経回路モデルの
複数について少なくとも一部を交叉、及び前記神経回路
モデルの少なくとも一部を変更する突然変異の少なくと
も一方を行って少なくとも一部を変更して前記対応関係
を構築することができる。

【００２０】請求項５の発明では、製品の性能及び頑健
性を両立させた設計条件を求めるときの対応関係を構築
するにあたり、遺伝的アルゴリズムの概念を導入したも
のである。具体的には、多層構造の神経回路をモデル化
したニューラルネットワークである対応関係は、製品の
設計条件及び環境条件と、前記製品の性能との関係が既
知の複数のデータにより、学習される。この対応関係
は、製品の設計条件及び環境条件を入力としかつ製品の
性能を出力として、入出力関係が非線形な対応を含む対
応を定めるものである。この対応関係の神経回路モデル
を、遺伝的アルゴリズムを用いて変更することによって
対応関係を構築する。これにより、任意の製品の設計条
件及び環境条件に対応する性能を求めることができる。

【００２１】前記遺伝的アルゴリズムは、請求項６に記
載したように、前記複数のデータで学習構築された神経
回路モデルを初期世代と定め、前記複数のデータの各々
の入力に対する神経回路モデルの出力と、該複数のデー
タの各々の出力となるべきデータとの２乗の誤差の逆数
を得点として求め、求めた複数の得点のうち予め定めた
得点以上の神経回路モデルを選択し、選択した神経回路
モデルについて少なくとも一部を交叉、及び少なくとも
一部を変更する突然変異の少なくとも一方を行って前記
神経回路モデルを変更して神経回路モデルを決定するこ
とを、予め定めた所定世代になるまで繰り返すことがで
きる。

【００２２】請求項６の発明では、前記複数のデータで
学習構築された神経回路モデルを初期世代と定める。こ
の時点では、学習構築された神経回路モデルは複数あ
り、各々のモデルは、全てのデータについて最良の出力
を得ることができないものを含んでいる。そこで、複数
のデータの各々の入力に対する神経回路モデルの出力
と、該複数のデータの各々の出力となるべきデータとの
２乗の誤差の逆数を得点として求め、求めた複数の得点
のうち予め定めた得点以上の神経回路モデルを選択し、
選択した神経回路モデルについて少なくとも一部を交
叉、及び少なくとも一部を変更する突然変異の少なくと
も一方を行って神経回路モデルを変更して次の世代の神
経回路モデルを決定する。この次世代の神経回路モデル
は、初期世代のものの対応関係を受け継いでおり、さら
に、より最良の出力を得るのに近くなる構成になる。従
って、予め定めた所定世代になるまで前記交叉や突然変
異を繰り返して神経回路モデルを決定すれば、全てのデ
ータについて最良の出力を得ることができる。

【００２３】前記複数のデータは、請求項７に記載した
ように、マハラノビスの汎距離が所定距離未満のデータ
を前記学習構築された神経回路モデルを検証するための
検証データ、それ以外のデータを前記学習構築するため
の学習データに分類して用いることができる。

【００２４】前記請求項３の欄にも記載したように、前
記複数データは、外挿データでないものを用いる必要が
ある。すなわち、外挿問題の解には大きな誤差を伴うこ
とが多いためである。請求項７の発明では、複数のデー
タを、マハラノビスの汎距離が所定距離未満のデータを
前記学習構築された神経回路モデルを検証するための検
証データ、それ以外のデータを前記学習構築するための
学習データに分類して用いている。これにより、多数の
データのうちマハラノビスの汎距離が所定値未満のデー
タは構築された神経回路モデルの確認用である検証デー
タとして用いても外挿データとしてでなく、内挿データ
として扱うことができ、大きな誤差を伴うことがない。

【００２５】前記発明の安定化設計方法は、請求項８乃
至請求項１１に記載の記録媒体に記録した安定化設計プ
ログラムを実行することで実現できる。この安定化設計
プログラムは電子的にメモリ上に記憶させることも可能
である。

【００２６】請求項８に記載の安定化設計プログラムを
記録した記録媒体は、コンピュータによって製品の性能
及び頑健性が両立した設計条件を求める製品の安定化設
計をするための設計プログラムを記録した記録媒体であ
って、設計プログラムは、製品の設計条件及び環境条件
と、該製品の設計条件及び環境条件による前記製品の性
能との間の関係が既知の複数のデータを予め準備し、前
記製品の設計条件及び環境条件を入力とすると共に、前
記性能を出力とする対応関係を、多層構造の神経回路モ
デルで設定し、該対応関係を前記複数のデータを用いて
学習構築し、前記製品の設計条件、前記環境条件及び前
記製品の性能のうちの少なくとも１つの許容範囲を制約
する設計制約を定め、前記複数のデータ以外の値を含む
データを用いて、前記設計制約で制約される前記許容範
囲内で前記製品の設計条件及び前記環境条件と前記製品
の性能との対応を複数求めると共に、頑健性を表す頑健
度を求め、求めた複数の対応及び頑健度に基づいて前記
製品の性能及び前記頑健性が予め定めた所定範囲内の設
計条件を抽出する、ことを特徴とする。

【００２７】請求項９に記載の安定化設計プログラムを
記録した記録媒体は、請求項８に記載の記録媒体であっ
て、前記多層構造の神経回路モデルで設定した対応関係
を、遺伝的アルゴリズムを用いて所定確率でかつ、前記
神経回路モデルの複数について少なくとも一部を交叉、
及び前記神経回路モデルの少なくとも一部を変更する突
然変異の少なくとも一方を行って少なくとも一部を変更
して前記対応関係を構築することを特徴とする。

【００２８】請求項１０に記載の安定化設計プログラム
を記録した記録媒体は、請求項８に記載の記録媒体であ
って、前記遺伝的アルゴリズムは、前記複数のデータで
学習構築された神経回路モデルを初期世代と定め、前記
複数のデータの各々の入力に対する神経回路モデルの出
力と、該複数のデータの各々の出力となるべきデータと
の２乗の誤差の逆数を得点として求め、求めた複数の得
点のうち予め定めた得点以上の神経回路モデルを選択
し、選択した神経回路モデルについて少なくとも一部を
交叉、及び少なくとも一部を変更する突然変異の少なく
とも一方を行って前記神経回路モデルを変更して神経回
路モデルを決定することを、予め定めた所定世代になる
まで繰り返すことを特徴とする。

【００２９】請求項１１に記載の安定化設計プログラム
を記録した記録媒体は、請求項８乃至請求項１０の何れ
か１項に記載の記録媒体であって、前記複数のデータ
は、マハラノビスの汎距離が所定距離未満のデータを前
記学習構築された神経回路モデルを検証するための検証
データ、それ以外のデータを前記学習構築するための学
習データに分類して用いることを特徴とする。

【００３０】

【発明の実施の形態】以下、図面を参照して本発明の実
施の形態の一例を詳細に説明する。第１実施の形態は、
製品の設計諸元及び環境条件に基づいて製品の性能を求
め、安定性を考慮した製品の安定化設計するためのシミ
ュレータ装置に本発明を適用したものである。本実施の
形態のシミュレータ装置では、高等動物の神経回路網が
工学的にモデル化された非線形予測技術であるニューラ
ル・ネットワークの構造を遺伝的アルゴリズムを用いて
定めている。

【００３１】図１には、本実施の形態のシミュレータ装
置３０の概略を示した。このシミュレータ装置３０は、
データ等を入力するためのキーボード１０、予め記憶さ
れたプログラムに従って非線形化予測手法によるニュー
ラルネットワークを用いて製品の設計諸元及び環境条件
等からその性能を予測演算するコンピュータ本体１２、
及びコンピュータ本体１２の演算結果等を表示するＣＲ
Ｔ１４から構成されている。

【００３２】詳細には図２に示すように、シミュレータ
装置３０は、マイクロコンピュータを含んで構成された
コンピュータ本体１２、データやコマンド等を入力する
ためのキーボード１０、及びモニター１４から構成され
ている。コンピュータ本体１２は、ＣＰＵ１６、ＲＯＭ
１８、ＲＡＭ２０、ニューラルネットワークを構築する
ためのデータ（詳細は後述）を記憶するためのメモリ２
２、本体と他の装置との間でデータ等をやりとりするた
めの入出力装置（以下、Ｉ／Ｏという）２６及びこれら
をデータやコマンドが入出力可能なように接続されたバ
ス２４から構成されている。なお、ＲＯＭ１８には、後
述する処理プログラムが記憶されている。また、本実施
の形態では、Ｉ／Ｏ２６に、製品の設計諸元の値や環境
条件等の値を記憶するためのデータ記憶装置２８が接続
されている。このデータ記憶装置２８は、製品の設計諸
元や環境条件等の値をキーボード１０から入力する場
合、予めＲＯＭ１８やメモリ２２に記憶する場合には必
要としない。

【００３３】また、本実施の形態では、Ｉ／Ｏ２６に、
フロッピーディスク等の磁気記憶媒体２９に対してデー
タやプログラム等の情報を読み書きするためのリードラ
イト装置２７が接続可能である。従って、後述する処理
プログラムはＲＯＭ１８に記憶することに限定されず、
磁気記憶媒体２９に記憶させてもよく、また、磁気記憶
媒体２９に記憶された処理プログラムをリードライト装
置２７で読みだしてメモリ２２に記憶させてもよい。ま
た、ハードディスク装置等の記憶媒体をコンピュータ本
体１２内部または外部機器として備えて該ハードディス
ク装置に記憶させてもよい。なお、これらの記憶された
処理プログラムは、予め記憶された磁気記憶媒体２９上
でプログラム実行されてもよく、後述する処理プログラ
ムを記憶し、磁気記憶媒体２９上でプログラム実行して
もよく、メモリ２２等に記憶させて実行してもよい。

【００３４】図３は本実施の形態のシミュレータ装置３
０の機能別概略構成を示すブロック図である。本実施の
形態のシミュレータ装置３０は、製品の設計諸元及び環
境条件等の入力データから安定性を考慮した製品の性能
である出力データを出力する。

【００３５】このシミュレータ装置３０は、機能別に、
非線形演算部３２、遺伝的アルゴリズム演算部３４、デ
ータ入力部４０、及びデータ出力部４４に分類される。
非線形演算部３２は、ニューラルネットワークで構成さ
れ（詳細後述）、製品の設計諸元及び環境条件と製品の
性能との対応を計算する計算部として機能し、データ入
力部４０から入力されたデータに基づいて、製品の設計
諸元及び環境条件とその性能とが関連付けられたモデル
を求めるためのものである。なお、ここでいうモデルと
は、製品の設計諸元及び使用環境条件等とその性能とが
１対１に対応するように変換及び逆変換が可能な変換系
そのものをいい、学習後のニューラルネットワークを数
式で表現するときは数式及びその係数を含めたものをい
う。

【００３６】データ入力部４０は、製品の設計諸元及び
使用環境条件等を数値化して入力するためのものであ
る。このデータ入力部４０は、キーボード１０入力され
た数値データやデータ記憶装置２８に記憶したデータを
そのまま用いる場合にはキーボード１０やデータ記憶装
置２８が対応される。また、キーボード１０入力された
数値データやデータ記憶装置２８に記憶したデータを、
所定の関数やテーブルに従って変換データとして入力さ
せる場合には、演算処理を伴うので、コンピュータ本体
１２を含めたキーボード１０やデータ記憶装置２８がデ
ータ入力部４０に対応される。

【００３７】データ出力部４４は、非線形演算部３２の
演算の結果として、データ入力部４０からのデータが安
定化された製品の性能を表す出力データを出力するため
のものである。非線形演算部３２の演算の結果のデータ
がそのまま製品の性能を表す値であるときには、その値
をそのままモニター１４に表示したりデータ記憶装置２
８に記憶したりすることができるので、モニター１４や
データ記憶装置２８がデータ出力部４４に対応される。
また、非線形演算部３２の演算の結果のデータを、所定
の関数やテーブルに従って変換データとして加工した後
に製品の性能を表す値にさせる場合には、演算処理を伴
うので、コンピュータ本体１２を含めたモニター１４や
データ記憶装置２８がデータ出力部４４に対応される。

【００３８】なお、本実施の形態では、非線形演算部３
２は、図２に示すハードウェア資源及び後述するソフト
ウェア資源を用いて構成され、後述するように概念的な
ニューラルネットワークで構成された変換機能を有する
と共に、それを学習する学習機能を有している。また、
設計諸元等とその性能との対応を予め他のニューラルネ
ットワークで学習し、学習された他のニューラルネット
ワークの変換係数を入力するようにして、この変換係数
を用いてニューラルネットワークを構築するようにして
もよい。

【００３９】上記の非線形演算部３２は、設計諸元及び
使用条件の各値毎の入力を可能とするために入力層とし
て製品の設計諸元及び使用条件の数に応じたニューロン
を有し、中間層を介して出力層として製品の性能の数に
応じたニューロンを有して各々のニューロンがシナプス
によって結合されたニューラルネットワークを構成して
いる。この非線形演算部３２は、後述する学習後に、製
品の設計諸元及び使用条件の各値が入力されると、それ
に対応する製品の性能が出力される。学習時には、製品
の設計諸元及び使用環境条件に対応する既知の性能が教
師として入力され、出力の製品の性能と既知の製品の性
能との誤差差分等の大小により、製品の設計諸元及び使
用環境条件の各値と、その製品の性能とが対応されるよ
うに設定される。

【００４０】この非線形演算部３２に用いられているニ
ューラルネットワークの一例としては、図４に示すよう
に、ニューロンに対応する所定数のユニットＩ１、Ｉ
２、・・・、Ｉｐ（ｐ＞１）から成る入力層、多数のユ
ニットＭ１、Ｍ２、・・・、Ｍｑ（ｑ＞１）から成る中
間層、及び所定数（本実施の形態では１つ）の出力ユニ
ットＵ１から成る出力層から構成されている。なお、入
力層のユニット数、及び中間層のユニット数は、後述す
る遺伝的アルゴリズムで変動するが、設定当初は製品の
設計諸元及び使用環境条件の個数、製品の性能の個数に
応じて設定すればよい。また、中間層の各ユニット及び
出力層のユニットには出力値を所定値だけオフセットさ
せるためのオフセットユニット４６、４８に接続されて
いる。

【００４１】なお、本実施の形態では、中間層のユニッ
ト及び出力層のユニットは入出力関係がシグモイド関数
によって表されるシグモイド特性を有する神経回路素子
により構成され、入力層のユニットは入出力関係が線形
の神経回路素子で構成されている。このシグモイド特性
を有するように構成することによって、出力値は実値
（正の数）となる。

【００４２】非線形演算部３２における、中間層のユニ
ットの各出力は、次の数１に示す（１）式で表すことが
できる。すなわち、或るユニットについて、各シナプス
結合の強さに相当する重み（ユニットの結合係数）をｗ
_1ijとし、入力信号をｘ_iとするとき、ニューロンの膜
電位の平均値に相当する仮想的な内部状態変数ｕ_jで表
すことができ、出力ｙ_jはニューロンの特性を表す非線
形関数ｆ₁により表すことができる。同様に、出力層の
ユニットの各出力は、次の数２に示す（２）式で表すこ
とができる。

【００４３】

【数１】

【００４４】但し、θ_1j：オフセットユニットから供給
されるしきい値ｆ()：シグモイド関数

【００４５】

【数２】

【００４６】但し、θ_2k：オフセットユニットから供給
されるしきい値ｆ()：シグモイド関数または線形関数

【００４７】従って、入力層のユニットへ製品の設計諸
元及び使用環境条件の各値ｘ_iを入力することによっ
て、出力層のユニットから製品の性能を表す各値ｚ_kが
出力される。

【００４８】なお、上記の入力層の各ユニットの特性は
入力をそのまま出力する特性でよい。また、非線形演算
部３２（ニューラルネットワーク）の各ユニットの重み
（結合係数）は、後述する学習処理により、既知である
実験データについて誤差が最小となるように学習・修正
される。すなわち、生物の神経系ではニューロン間のシ
ナプス結合の強さを変化させることによって学習してい
ると考えられている。このため、ニューラルネットワー
クにおいて、学習・修正とは、シナプス加重に対応する
各ユニットの重み（結合係数）としきい値を変化させる
ことをいう。さらに、本実施の形態では、後述するよう
に、入力層のユニット数及び中間層のユニット数を遺伝
的アルゴリズムで最適化している。

【００４９】次に、非線形演算部３２におけるニューラ
ルネットワークの学習の処理の詳細を図６を参照して説
明する。本実施の形態では、製品の設計諸元及び使用環
境条件の各値によって製品を試作すると共に、その製品
の性能を表す各値を予め求める。この製品を異なる設計
諸元及び使用環境条件の複数について試作し求めること
によって、これらの製品の設計諸元及び使用環境条件の
各値と、その性能を表す各値との対応を実験データと
し、学習時に用いる複数の教師データとしている。な
お、複数の教師データのうち所定数（例えば、全体の７
０〜８０％）の実験データを学習データとすると共に、
それ以外（例えば、残り２０〜３０％）の実験データを
未学習データとしている。これは実験データを、ニュー
ラルネットワークの学習時に用いるデータと、学習が終
了したニューラルネットワークが最適に学習がなされた
かを確認するデータとに用いるためである。また、これ
ら製品の設計諸元及び使用環境条件の各値を入力教師デ
ータとすると共に、製品の性能を表す各値を出力教師デ
ータとしている。

【００５０】本実施の形態では、全データの中から未学
習データを設定するのに、設定された未学習データが外
挿データとならないように設定している。すなわち、マ
ハラノビスの汎距離が短いデータを未学習データとして
いる。これは多変量解析等の解析方法では内挿問題を対
象とするものであり、外挿問題の解には誤差が大きいも
のを含むことがあるためである。本実施の形態に用いた
ニューラルネットワークにあっても、非線形重回帰モデ
ルに相当するため、外挿データとならない未学習データ
を設定することが、得られるデータの信頼性向上に寄与
すると勘案したためである。

【００５１】まず、ステップ２００では、予め求めた、
学習データ及び未学習データを読み取る。次のステップ
２０２では、ニューラルネットワークにおける各ユニッ
トの結合係数（重み）及びしきい値を予め定めた値に設
定することによって初期化する。次のステップ２０４で
は、製品の設計諸元及び使用環境条件が既知の複数の学
習データを用いてニューラルネットワークを学習させる
ため、中間層及び出力層の各々のユニットの誤差を求め
る。

【００５２】出力層の誤差は学習データの機械的挙動に
対する差を誤差とすることができる。各結合係数及びし
きい値の少なくとも１つを僅かづつ変化させることによ
って出力層の誤差、すなわちユニットの誤差が最小にな
るようにすることができる。また、中間層の誤差は、出
力層の誤差を用いて誤差逆伝搬法（所謂、バックプロパ
ゲーション法）等の逆計算により求めることができる。

【００５３】次のステップ２０６では、上記求めた各結
合係数及びしきい値を更新（書換え）して、次のステッ
プ２０８においてその更新された各結合係数及びしきい
値によるニューラルネットワークによって未学習データ
の各々をテストしてテスト結果の値として製品の性能を
表すデータを得る。次のステップ２１０では、上記ステ
ップ２０８で求めたテスト結果の値が収束判定の基準で
ある所定範囲内の値か否かを判別することにより収束し
たか否かを判断するか、または上記の処理を所定回数繰
り返ししたか否かを判断し、肯定判断の場合には本ルー
チンを終了する。一方、否定判断の場合にはステップ２
０４へ戻り、上記処理を繰り返す。これによって、学習
データを入力した場合に、中間層及び出力層の各々のユ
ニットの誤差が最小になるように各結合係数及びしきい
値が定まる。

【００５４】このようにして、製品の設計諸元及び使用
環境条件が既知の複数の実験データを用いてニューラル
ネットワークを学習させる。すなわち、教師信号に対す
るニューラルネットワークの出力層からの出力値の誤差
が最小となるように学習される。このように、学習する
ことによって非線形演算部３２では、製品の設計諸元及
び使用環境条件の値が入力されると、製品の性能を表す
値を出力することになる。

【００５５】なお、以上の処理が終了し、ニューラルネ
ットワークの学習が十分に行われた後に、ネットワーク
の構造、すなわち結合係数やしきい値をメモリ１８に記
憶し、変換系を構築するようにしてもよい。

【００５６】次に、本実施の形態のシミュレーション装
置３０の作動を図７のフローチャートを参照して説明す
る。シミュレーション装置３０の電源が投入または実行
開始の指示がキーボードよりなされると、図７のステッ
プ１００へ進み、初期世代の複数の染色体を設定する。
すなわち、遺伝的アルゴリズムによって最適な設計諸元
の組み合わせ及び最適な中間層のユニット数、及び最適
な結合状態（重み及びしきい値）の初期値を求めると共
にニューラルネットワークが陥り易い極小値を回避する
ため、既に学習が終了した既存のニューラルネットワー
クの構造について、入力層のユニットの有無、中間層の
ユニットの有無、重みｗ及びしきい値θからなるニュー
ラルネットワークの構造を複数について遺伝的アルゴリ
ズムで扱うことが可能なように例えば「０」、「１」の
配列によりコード化する。次のステップ１０２では、全
学習データのＲＭＳ（Root Mean Square）誤差求め、こ
れを適応度とする。

【００５７】次のステップ１０４では、上記ステップ１
００で定めた複数の染色体について、各々を適応度の高
い順序で並べ替え、選択の確率で淘汰する。この場合、
適応度が高い染色体が残存するように選択がなされる。
また、このステップ１０４では、適応度の大きさ応じて
染色体を選択し、一部を交叉させる。さらに所定確率で
染色体の一部を突然変異、すなわち値を変更する。次の
ステップ１０６では、並べ替えたり交叉させたり突然変
異させたりした染色体による適応度を求める。このよう
な交叉等を予め定めた所定世代まで繰り返すことによっ
て（ステップ１０８）、自然界における生物の進化の過
程に相当する進化がなされる。すなわち、図５に示すよ
うに、入力層のユニットの数、中間層のユニットの数、
及びそれらの結合係数（重み）の初期値が決定される。
図中、実線は正符号、点線は負符号を表し、線の太さは
ユニット間の結合度合いの大きさを表している。

【００５８】上記の交叉とは、図８に示すように２つの
染色体の間でその一部を交換することをいい、突然変異
とは、図９に示すように染色体の一部の値を変更するこ
とをいう。

【００５９】なお、上記の進化の過程で、最も適応度が
高い染色体が交叉や突然変異で破壊されることを避ける
ために、最も適応度が高い染色体を次の世代に残存させ
るエリート戦略を採用することがこのましい。

【００６０】本実施の形態では、上記のように所定世代
で進化を終了させている。これは、ニューラルネットワ
ークに遺伝的アルゴリズムを適用する場合、最適値付近
で収束性が低下するためである。そこで、本実施の形態
では、遺伝的アルゴリズムのみにより最適値を求めるも
のではなく、所定世代で終了させて、その終了させた時
点の世代の適応度が最も高い染色体を準初期値として、
ステップ１１０において記憶する。この準初期値を用い
て、次のステップ１１２において、ニューラルネットワ
ークを誤差逆伝搬、すなわちバックプロパゲーション法
によって、再構築する。すなわち、遺伝的アルゴリズム
によりニューラルネットワークの初期構造を定め、その
初期構造によるニューラルネットワークを上記説明した
学習処理（図６）によって最適化し、最適な結合係数を
定める。

【００６１】以上説明したように、本実施の形態によれ
ば、遺伝的アルゴリズムによって最適な設計諸元の組み
合わせ及び最適な中間層のユニット数、及び最適な結合
状態（重み及びしきい値）の初期値を求めると共にニュ
ーラルネットワークが陥り易い極小値を回避することが
できる、ニューラルネットワークの構造、すなわち入力
層へ入力すべき設計諸元の組み合わせ、及びユニットの
数、中間層のユニットの数、重みｗ及びしきい値θから
なるニューラルネットワークの構造を最適に設定するこ
とができる。また、遺伝的アルゴリズムで進化させる世
代数を予め定めているので、最適値周辺において演算の
収束に負荷がかかる場合であっても、それを回避するこ
とができる。また、未学習データとしてマハラノビスの
汎距離が短いものを設定するので、外挿データとなるこ
とがなく、誤差が少ないニューラルネットワークを構築
することができる。

【００６２】次に、本発明者は、上記説明した遺伝的ア
ルゴリズムを用いてニューラルネットワークを構築し、
そのニューラルネットワークを、車両の空力騒音が低減
される安定化設計に用いるため以下のように実験を行
い、良好な結果を得た。

【００６３】最近では車両の暗騒音の低減により、２〜
３Ｈｚの周期で変動感を伴う５００〜１０００Ｈｚの空
力騒音（所謂、バサバサ音）が顕在化している。このバ
サバサ音はフロントピラー付近における風の流れの乱れ
により発生すると考えられているが、フロントピラー付
近の形状は意匠に関係するため、車両のデザイン段階よ
りの検討が好ましいものとなる。

【００６４】そこで、性能として実走行時のバサバサ音
を官能評価するため、次のように、官能を５段階で表現
した。１：大変気になる、２：気になる、３：少し気に
なる、４：気にならない、５：全く気にならない。ま
た、実験データはフロントピラー形状と官能値を１７車
種について測定した。

【００６５】この実験データ（１７個）を用いて、上記
のようにして遺伝的アルゴリズムを用いて、最適なフロ
ントピラー形状の設計諸元の組み合わせ、中間層のユニ
ット数、及び重みとしきい値を求めた。その後にバック
プロパゲーション法を実行の結果、図１０に示すように
ニューラルネットワークが構築された。この結果、設計
諸元として、図１２及び図１３に示すフロントウインド
シールド周辺の走行方向左側のフロントピラー５０の３
次元傾斜角（τ、θ、γ）と、フロントウインドシール
ドとレインガター５８（またはピラー５０）との段差
Ｈ、ピラー５０の幅Ｗ、ピラー５０の半径Ｒの合計６種
類の諸元がバサバサ音に影響が強いとの知見を得た。

【００６６】図１２において、３次元傾斜角のτはＬ軸
（車両後退方向の軸、図１２の矢印Ｌ方向に沿う方向の
軸）周りの傾斜角を表し、θはＷ軸（車幅方向の軸、図
１２の矢印θ方向に沿う方向の軸）周りの傾斜角を表
し、γはＨ軸（車高方向の軸、図１２の矢印γ方向に沿
う方向の軸）周りの傾斜角を表している。

【００６７】なお、図１２の太実線５４は、フロントウ
インドシールド周辺の走行方向左側フロントピラー５０
の周りを通過する主要な風流れを示し、細実線５６は、
フロントピラー周りでドアミラー５２の上方における太
実線５４による風流れの影響を受けた風流れを示してい
る。

【００６８】なお、１７個の実験データを教師データと
して、その内、１２データを学習データとし、残りの５
データを未学習データとして、最終的には１７データ全
てを用いてニューラルネットワークを構築した。

【００６９】図１１（ａ）に示すように、１７車種の教
師データの重相関係数は０．９２であり、推定精度は高
精度となった。また、図１１（ｂ）に示すように、上記
１７車種以外の車種について推定精度を求めたところ、
相関係数は教師データと同様の１．０と良好な結果を得
た。

【００７０】図１４には、設計諸元の一部と、バサバサ
音の官能値との関係を３次元イメージで示した。図から
理解されるように、官能値の境界が曲線となり、不等間
隔であることから、ニューラルネットワークの学習が非
線形的になされたことが理解される。また、ピラーの半
径Ｒが所定値のときに官能値が悪化することが理解され
る。

【００７１】従って、図１２からデザイン段階で性能を
予測するのみでなく、安定化設計を考慮して設計諸元を
定めることができる。

【００７２】次に、第２実施の形態を説明する。本実施
の形態は、安定性を考慮して高性能な製品の設計諸元を
求めるシミュレータ装置３１に本発明を適用したもので
ある。なお、本実施の形態は、上記実施の形態と略同様
の構成のため、同一部分には同一符号を付して詳細な説
明を省略する。

【００７３】安定化設計方法として知られているタグチ
メソッドは、設計者が制御できないばらつきを誤差因子
として取り入れてロバスト性の寄与が高い設計諸元を求
めることにより、ロバスト性の寄与が低くかつ性能への
寄与が高い設計諸元を求めることができる。すなわち、
タグチメソッドは、第１段階で設計者が制御できないば
らつきの影響を誤差因子として実験に取り入れて計測
し、性能がばらつかない、すなわちＳＮ比が大きいロバ
スト性の寄与が高い設計諸元を求める。そして、第２段
階でロバスト性の寄与が低くかつ性能への寄与が高い設
計諸元を求め、ロバスト性を低下させずに性能を向上さ
せる設計を行う。これらの２段階の設計段階を経た結
果、ロバスト性と性能とを両立させている。

【００７４】しかしながら、タグチメソッドでは実験計
画法を用いるため、直交表へ割りつけた実験データを予
め用意しなければならない。従って、新規の実験による
データ採取が要求され、過去の実験によって得られた膨
大な実行データを有効に利用することができない。ま
た、実験条件によっては、直交表への割りつけが困難な
場合もある。そこで、本発明者は、設計諸元と、設計者
が制御できない誤差因子と、性能との間の関係を特定で
きれば、タグチメソッドの２段階の設計に比べて１段階
設計で高性能の製品を設計できたり、ロバスト性の寄与
が高い製品を設計できたりできる安定化設計を行うこと
が可能であることを勘案した。

【００７５】すなわち、各種の設計諸元をｘ＝（ｘ₁，
ｘ₂，・・・，ｘ_m）^T、設計者が制御できない１また
は複数の誤差因子をｒ＝（ｒ₁，ｒ₂，・・・，ｒ_n）
^T、これらにより得られる１または複数の性能をｚ＝
（ｚ₁，ｚ₂，・・・，ｚ_p） ^Tと定義すると、設計諸
元ｘ、設計者が制御できない誤差因子ｒ、及び性能ｚの
関係は、次の（３）式に示す関係式で表すことができ
る。なお、この（３）式で表された関係は、非線形関係
であることが想定されるが、上記実施の形態で述べたよ
うに、遺伝的アルゴリズムで構築されたニューラルネッ
トワークによって、定めることができる（詳細後述）。
従って、実質的に取りうる設計諸元ｘの全ての値につい
て性能ｚを求めて、その最大値を求めれば、高性能な製
品設計をすることができる。また、（３）式の誤差因子
ｒについての偏微分∂ｇ／∂ｒを求め、偏微分∂ｇ／∂
ｒを最小にする設計諸元ｘを求めれば、ロバスト性の寄
与が高い製品を設計できる。

【００７６】ｚ＝ｇ（ｘ，ｒ）・・・（３）

【００７７】なお、上記定義した（）^Tは、転置を表
しており、例えば、ｘ＝（ｘ₁，ｘ ₂，・・・，ｘ_m）
^T、ｒ＝（ｒ₁，ｒ₂，・・・，ｒ_n）^Tについて、ｒ
＝ｈ（ｘ）の関係があるとき、次のように表すことがで
きる。

【００７８】

【数３】

【００７９】図１５は本実施の形態のシミュレータ装置
３１の機能別概略構成を示すブロック図である。シミュ
レータ装置３１は、上記実施の形態のシミュレータ装置
３０と略同様の機能分類であり、機能別に、非線形演算
部３２、遺伝的アルゴリズム演算部３４、データ入力部
４０、データ出力部４４、及び安定化設計部６０に分類
される。非線形演算部３２は、上記実施の形態と同様に
ニューラルネットワークで構成され、製品の設計諸元及
び環境条件と製品の性能との対応を計算する計算部とし
て機能する。データ入力部４０は製品の設計諸元及び使
用環境条件等を数値化して入力するためのものであり、
データ出力部４４は、非線形演算部３２の演算の結果と
して、データ入力部４０からのデータが安定化された製
品の性能を表す出力データを出力するためのものであ
る。データ入力部４０、データ出力部４４、及び非線形
演算部３２は、上記実施の形態と同様であるため、詳細
な説明を省略する。

【００８０】なお、本実施の形態の形態では、データ入
力部４０は、製品の設計諸元及び使用環境条件等を数値
化しての入力に加え、後述するように安定化設計時の製
品の設計諸元を表す値の段階的な入力も兼ねている。ま
た、データ出力部４４は、非線形演算部３２の演算の結
果、すなわち、製品の性能を表す出力データを出力する
ものであるが、安定化設計時に中間値、すなわち後述す
るように製品の設計諸元を表す値の段階的な値に対応す
る性能値の出力も兼ねている。

【００８１】安定化設計部６０は、上記非線形演算部３
２で計算される製品の設計諸元及び使用環境条件等と製
品の性能との対応のうち、性能を重視したりロバスト性
を重視したりして最適な製品の設計諸元を求めるもので
あり、ハードウェア資源（図２参照）及び後述するソフ
トウェア資源を用いて構成することができる。この安定
化設計部６０は、後述するように構築された非線形演算
部３２に対して、入力データ部４０を介して製品の設計
諸元及び使用環境条件等のデータを入力させ、データ出
力部４４で得られる、すなわち非線形演算部３２の演算
の結果である製品の性能を表す出力データを採取しなが
ら安定化設計するものである。なお、この安定化設計部
６０は、安定化設計を行うにあたり、事前に非線形演算
部３２を構築する必要があるので、遺伝的アルゴリズム
部３４に対して制御指示を出力したり構築完了の指示を
受けたりすることができる。

【００８２】次に、本実施の形態の作用を説明する。本
実施の形態のシミュレーション装置３１の電源が投入ま
たは安定化設計計算実行開始の指示がキーボードよりな
されると、図１６のステップ４００へ進み、多数の実験
データが準備される。この実験データは、予め製品の設
計諸元及び使用環境条件等と製品の性能との対応実験が
なされた結果を各々数値化したデータであり、データ記
憶装置２８に記憶されている。従って、ステップ４００
では、データ記憶装置２８に記憶された実験データを読
み取ることに相当する。これによって、設計諸元ｘ＝
（ｘ₁，ｘ₂，・・・，ｘ_m）^T、設計者が制御できな
い誤差因子ｒ＝（ｒ₁，ｒ₂，・・・，ｒ_n）^T、及び
これらにより得られる性能ｚ＝（ｚ₁，ｚ₂，・・・，
ｚ_p）^Tについて、複数の組み合わせを準備することに
なる。なお、この実験データは、データ記憶装置２８に
記憶することに限定されるものではなく、キーボード１
０から入力するようにしてもよく、予めＲＯＭ１８やメ
モリ２２に記憶してもよい。

【００８３】次のステップ４０２では、計算が容易なよ
うに準備した実験データを無次元化する。例えば、最大
値を０．９、最小値を０．１に定め、全ての実験デー
タ、すなわち設計諸元ｘ、誤差因子ｒ、及び性能ｚの各
々をこの最大値と最小値との間に規格化する。なお、最
大値と最小値は、設計諸元ｘ、誤差因子ｒ、及び性能ｚ
の各々について異なる値を定めてもよい。

【００８４】以上のようにして実験データの準備が終了
すると、ステップ４０４において、次のようにして、ニ
ューラルネットワークと、遺伝的アルゴリズムによっ
て、設計諸元ｘ、誤差因子ｒ、及び性能ｚの関係を学
習、すなわち（３）式を特定する。この学習処理は、上
記実施の形態で述べたニューラルネットワークの学習及
びニューラルネットワークの構築によってなされる（図
６及び図７参照）。

【００８５】まず、非線形演算部３２におけるニューラ
ルネットワークの構築・学習の処理ため、複数の実験デ
ータのうち所定数（例えば、全体の７０〜８０％）の実
験データを学習データとすると共に、それ以外（例え
ば、残り２０〜３０％）の実験データを未学習データと
する。なお、全データの中の未学習データの設定は、多
変量解析等の解析方法で内挿問題を対象とするもので外
挿問題の解には誤差が大きいものを含むことがあるた
め、上記実施の形態と同様に、設定された未学習データ
が外挿データとならないように設定、すなわち、マハラ
ノビスの汎距離が短いデータを未学習データとしてい
る。

【００８６】学習処理は、学習データ及び未学習データ
を読み取り、ニューラルネットワークにおける各ユニッ
トの結合係数（重み）及びしきい値を初期値に設定し、
学習データを用いてニューラルネットワークの中間層及
び出力層の各々のユニットの誤差を求める（ステップ２
００〜２０４）。このユニットの誤差を求めたときの各
結合係数及びしきい値を更新（書換え）して更新された
各結合係数及びしきい値によるニューラルネットワーク
によって未学習データの各々をテストしてテスト結果の
値として製品の性能を表すデータを得て、求めたテスト
結果の値が収束するまで、上記処理を繰り返す（ステッ
プ２０６〜２１０）。これによって、学習データを入力
した場合に、中間層及び出力層の各々のユニットの誤差
が最小になるように各結合係数及びしきい値が定まる。

【００８７】なお、以上の処理が終了し、ニューラルネ
ットワークの学習が十分に行われた後に、ネットワーク
の構造、すなわち結合係数やしきい値をメモリ１８に記
憶し、変換系を構築するようにしてもよい。

【００８８】次に、学習処理が終了したニューラルネッ
トワークの初期構造を遺伝的アルゴリズムによって構築
する（図７）。まず、遺伝的アルゴリズムによって最適
な設計諸元の組み合わせ（ニューラルネットワークの入
力層の数と位置）及び最適な中間層のユニット数、及び
最適な結合状態（重み及びしきい値）の値を求めると共
にニューラルネットワークが陥り易い極小値を回避する
ため、既に学習が終了した既存のニューラルネットワー
クの構造を、入力層のユニットの有無、中間層のユニッ
トの有無、重みｗ及びしきい値θからなるニューラルネ
ットワークの構造の各々を初期世代の染色体として定
め、適応度を求める（ステップ１００、１０２）。次
に、複数の染色体について、各々を適応度の高い順序で
並べ替え、選択の確率で淘汰、また、適応度の大きさ応
じて染色体を選択し、一部を交叉させた後に、適応度を
求める（ステップ１０４、１０６）。このような交叉等
を所定世代まで繰り返し（ステップ１０８）、自然界に
おける生物の進化の過程に相当する進化がなされると、
入力層のユニットの数、中間層のユニットの数、及びそ
れらの結合係数（重み）の初期値が決定され、初期値を
基にしてニューラルネットワークを構築する（ステップ
１１０、１１２）。

【００８９】すなわち、最適値付近で収束性が低下する
ことを回避するため、上記実施の形態と同様に所定世代
で進化を終了させる。次に、ニューラルネットワークを
誤差逆伝搬、すなわちバックプロパゲーション法によっ
て、再構築する。すなわち、遺伝的アルゴリズムにより
ニューラルネットワークの初期構造を定め、その初期構
造によるニューラルネットワークを上記説明した学習処
理（図６）によって最適化し、最適な結合係数を定め
る。

【００９０】なお、本実施の形態では、最初に学習処理
を行った後に遺伝的アルゴリズムによりニューラルネッ
トワークの初期構造を定め、その初期構造によるニュー
ラルネットワークを上記説明した学習処理によってさら
に最適化し、結合係数を定めているが、ニューラルネッ
トワークの学習処理に限定されるものではなく、ニュー
ラルネットワークの初期構造は予め定めた任意の値によ
る構造をランダムに設定してもよい。

【００９１】次に、図１６のステップ４０６では、上記
のようにして構築されたニューラルネットワーク、すな
わち設計諸元ｘ、誤差因子ｒ、及び性能ｚの関係である
（３）式を用いて後述するようにして（無次元化状態
で）安定化設計がなされる。この安定化設計がなされた
後には、ステップ４０８において、無次元化された設計
諸元ｘの次元を復旧し、実際の設計諸元ｘの値を求め
る。なお、このステップ４０８では、設計諸元ｘ、誤差
因子ｒ、及び性能ｚの各々の次元を復旧し、実際の設計
諸元ｘ、誤差因子ｒ、及び性能ｚの値を求めるようにす
れば、設計諸元ｘ、誤差因子ｒ、及び性能ｚの間の関係
を実際の値で評価・検証することもできる。このように
して、性能とロバスト性を両立した設計諸元ｘを求める
ことができる。

【００９２】次に、遺伝的アルゴリズムの適用事例を説
明する。次の表１には、この適用事例に用いたデータDa
ta1 〜Data13を示す。

【００９３】

【表１】

【００９４】上記データData1 〜Data13については、以
下の（４）式に示す関係が成立しているものとする。な
お、これらのデータは、以下の関係から理解されるよう
に、性能ｚには設計諸元Ｘ₄が関与していないものを用
いている。

【００９５】

【数４】

【００９６】第１世代として、５０個の固体（ニューラ
ルネットワークの構造）をランダムに作成し、上記のデ
ータData1 〜Data13を用いて適応度を求めた。図１８
（１）には、上記データData1 〜Data13を教師データと
して、その教師データに対応するニューラルネットワー
クの推定値との関係から適応度を求めた、学習結果の中
でもっとも適応度が高い個体を示した。この適応度は、
上記データData1 〜Data13を教師データとし、その教師
データに対応するニューラルネットワークの推定出力値
と教師データとの２乗の誤差の逆数を用いている。図１
８（１）から理解されるように、入力層のユニットは、
設計諸元Ｘ₁，Ｘ₂，Ｘ₄を取り込んでいるが設計諸元
Ｘ₃は取り込まずかつ中間層のユニット数は２つに定ま
っている。また、図１９（１）には教師データとニュー
ラルネットワークの推定出力値との相関関係を示した。
この図１９（１）から理解されるように、相関関係がな
いことが理解される。

【００９７】次に、上記初期世代の個体から、求めた複
数の適応度のうち最大の適応度である個体を選択し、選
択した個体について少なくとも一部を交叉、及び少なく
とも一部を変更する突然変異の少なくとも一方を行って
個体、すなわちニューラルネットワークの構造を変更し
て次世代の個体を決定することを、５０世代になるまで
繰り返す。なお、上記交叉を行わせるためには少なくと
も２つの個体を選択するが、突然変異を行わせるために
は１つの個体のみの選択でもよい。図１８（２）には、
その第５０世代の個体のうちもっとも適応度が高い個体
を示した。図１８（２）から理解されるように、性能ｚ
に関与していない、すなわち本来入力として取り込むべ
きでない、設計諸元Ｘ₄は削除されると共に、中間層の
ユニット数は４つに増加されている。また、図１９
（２）の相関関係から理解されるように、教師データと
ニューラルネットワークの推定出力値は相関関係が理想
関係に近づいている。すなわち、重みとしきい値である
結合係数が適正値に近づいていることが理解される。

【００９８】さらに、上記交叉や突然変異を繰り返し、
第１０００世代になるまで繰り返す。図１８（３）に
は、その第１０００世代の個体のうちもっとも適応度が
高い個体を示した。図１８（３）から理解されるよう
に、性能ｚに関与するすなわち本体取り込むべき設計諸
元Ｘ₃を取り込みかつ、性能ｚに関与していないすなわ
ち本来入力として取り込むべきでない設計諸元Ｘ₄は削
除されると共に、中間層のユニット数は４つを維持して
いる。また、図１９（３）の相関関係から理解されるよ
うに、教師データとニューラルネットワークの推定出力
値は相関関係が理想関係にさらに近づいている。すなわ
ち、重みとしきい値である結合係数がさらに適正値に近
づいていることが理解される。

【００９９】上記事例では、第１０００世代で進化を終
了させている。これは、ニューラルネットワークに遺伝
的アルゴリズムを適用する場合、最適値付近で収束性が
低下するためである。そこで、遺伝的アルゴリズムのみ
により最適値を求めるものではなく、第１０００世代で
終了させて、その世代の適応度が最も高い染色対を準初
期値として、ニューラルネットワークを誤差逆伝搬、す
なわちバックプロパゲーション法によって、再構築す
る。すなわち、遺伝的アルゴリズムによるニューラルネ
ットワークの初期構造を定め、その初期構造によるニュ
ーラルネットワークを学習処理（図６）によって最適化
し、最適な結合係数を定める。

【０１００】このようにして、ニューラルネットワーク
に遺伝的アルゴリズムを組み合わせることにより、本来
思考錯誤的に行っていた最適な設計諸元の組み合わせ
と、最適なニューラルネットワークの構造、すなわち中
間層の個数（ユニット数）を定めることができる。

【０１０１】次に、図１６のステップ４０６の安定化設
計の詳細を説明する。この安定化設計は、設計諸元ｘ及
び誤差因子ｒの値に対応する性能について、設計諸元ｘ
や誤差因子ｒの値を変動させながら最適な設計諸元ｘ、
誤差因子ｒ、及び性能ｚの関係を探索するものである。
安定化設計処理が開始されると、図１７の安定化設計ル
ーチンが実行され、ステップ３００へ進む。

【０１０２】ステップ３００では、安定化設計のための
設計制約を準備する。この設計制約とは、設計時に用い
るパラメータや設計条件をいう。具体的に設計条件は製
品設計時の製品の取りうる寸法範囲の制約や性能の許容
範囲の制約をいい、本実施の形態では、設計諸元ｘ、誤
差因子ｒ及び性能ｚの各々の最大値及び最小値を表して
いる。また、パラメータには設計諸元ｘの値を変動させ
るときの間隔がある。この間隔が大き過ぎると非線形性
（上記（３）式）のため、最適解を見逃すことがあり、
また小さ過ぎると探索に必要とする計算時間が増大す
る。例えば、車両の空力騒音（所謂バサバサ音）を低減
するための安定化設計として、図１２及び図１３に示し
たフロントピラー周辺の構造設計に適用した場合には、
上記実施の形態でも説明したバサバサ音に影響が強いこ
とが想定される設計諸元ｘのうちフロントウインドシー
ルドとレインガター５８（またはピラー５０）との段差
Ｈ、ピラー５０の幅Ｗ、ピラー５０の半径Ｒについて
は、１ｍｍ程度の間隔が好ましい。これは、１ｍｍの間
隔でこれらの設計諸元ｘを変動させることであれば、性
能変化を十分検知できると共に、探索する回数も膨大な
数にならないためである。

【０１０３】なお、設計制約は、キーボード１０からの
入力でもよく、予めデータとして用意しておき、データ
記憶装置２８に記憶しこれを読み取るようにしてもよ
い。

【０１０４】次のステップ３０２では、上記の設計制約
から定まる設計諸元ｘ及び誤差因子ｒの全ての組み合わ
せについて、関係式から性能ｚ＝ｇ（ｘ，ｒ）、及び偏
微分値∂ｇ／∂ｒを求める。すなわち、例えば、車両の
空力騒音（所謂バサバサ音）を低減するための安定化設
計として、バサバサ音に影響が強いことが想定される段
差Ｈ、ピラー５０の幅Ｗ、ピラー５０の半径Ｒを設計諸
元ｘとして定めたときには、これらＨ，Ｗ，Ｒの値を最
大値から最小値までについて、１ｍｍづつ変化させると
共に誤差因子ｒを最大値から最小値まで変化させた全て
の組み合わせを設定する。これらの組み合わせの各々に
ついて、非線形演算部３２（ニューラルネットワーク）
を用いて性能ｚ、及びロバスト性を表す偏微分値∂ｇ／
∂ｒを求める。なお、偏微分値∂ｇ／∂ｒを求めるため
の数式は、上記（３）式から求めることができるので、
予め数式として求めておき、この数式を用いて求めるこ
とができる。この偏微分値∂ｇ／∂ｒを求めるための数
式は、ステップ３０２の処理開始時に求めるようにして
もよい。さらに、偏微分値∂ｇ／∂ｒを求めるための設
計諸元ｘ及び誤差因子ｒとの対応関係を求めるために、
ニューラルネットワークを構築して用いてもよい。

【０１０５】次のステップ３０４では、次のようにし
て、性能ｇ（ｘ，ｒ）が大きくかつ偏微分の絶対値ａｂ
ｓ（∂ｇ／∂ｒ）が小さい設計諸元ｘを求める。

【０１０６】性能ｇ（ｘ，ｒ）が大きい設計諸元ｘは、
任意の設計諸元ｘについて全ての誤差因子ｒの組み合わ
せについて最小となる性能ｇ（ｘ，ｒ）をｇ_xとすると
き、全ての設計諸元ｘの組み合わせについて性能ｇ_xが
最大となる設計諸元ｘを求めることで求めることができ
る。また、偏微分の絶対値ａｂｓ（∂ｇ／∂ｒ）が小さ
い設計諸元ｘは、任意の設計諸元ｘについて全ての誤差
因子ｒの組み合わせについて最大となる偏微分の絶対値
ａｂｓ（∂ｇ／∂ｒ）をｇ_zとするとき、全ての設計諸
元ｘの組み合わせについて偏微分の絶対値ｇ_zが最小と
なる設計諸元ｘを求めることで求めることができる。

【０１０７】なお、ステップ３０２において、設計諸元
ｘ及び誤差因子ｒの全ての組み合わせについて、性能ｚ
及び偏微分値∂ｇ／∂ｒが求まっているので、ステップ
３０４の性能ｇ（ｘ，ｒ）が大きい設計諸元ｘ及び偏微
分の絶対値ａｂｓ（∂ｇ／∂ｒ）が小さい設計諸元ｘ
は、求められた各値から該当する設計値を抽出すること
で求めることができる。

【０１０８】上記の性能ｇ（ｘ，ｒ）が大きくかつ偏微
分の絶対値ａｂｓ（∂ｇ／∂ｒ）が小さい設計諸元ｘ
は、次の（５）式から定めることができる。

【０１０９】

【数５】

【０１１０】ただし、ｔ：非負の実数

【０１１１】上記（５）式の計算結果が小さくなる設計
諸元ｘを求めることで性能を重視した設計諸元を求める
ことができ、大きくなる設計諸元ｘを求めることでロバ
スト性を重視した設計諸元を求めることができる。

【０１１２】なお、ステップ４０６の安定化設計におい
て、設計諸元ｘ及び誤差因子ｒの値に対応する性能につ
いて、設計諸元ｘや誤差因子ｒの値を変動させながら最
適な設計諸元ｘ、誤差因子ｒ、及び性能ｚの関係を探索
するのに、計算時間が増大することが想定されるときに
は、設計制約で定めた間隔で最大値から最小値の間の全
ての組み合わせについて性能ｚを求めることに代えて遺
伝的アルゴリズムを用いて探索するようにしてもよい。

【０１１３】このようにして、ニューラルネットワーク
に遺伝的アルゴリズムを組み合わせることにより、本来
思考錯誤的に行っていた最適な設計諸元の組み合わせ
と、最適なニューラルネットワークの構造、すなわち中
間層の個数（ユニット数）を定めることができる。この
ようにして構築されたニューラルネットワークを用い
て、性能及びロバスト性を重視した、すなわち性能及び
ロバスト性を両立させた設計諸元を１段階の設計で求め
ることができる。従って、本実施の形態では、１段階設
計で済むため、タグチメソッドのように従来の設計方法
が２段階設計であるのに対して、より柔軟な設計を行う
ことがきる。また、従来、設計諸元と誤差因子のように
直接関係が得られない交互作用の扱いは困難であった
が、本実施の形態の安定化設計を可能とするシミュレー
ション装置では、１段階設計であるため、設計諸元と誤
差因子が明確に分離されている必要がない。例えば、任
意の製品が複数の性能を満足する必要がある場合、任意
の性能に対する設計諸元が、別の性能に対して改善した
場合に誤差因子となり、設計因子と誤差因子が同一であ
る場合のように、設計諸元と誤差因子が明確に分離され
ていないときであっても、設計諸元と誤差因子を分離し
て設定することなく単に入力データとして扱うことがで
き、最適な設計諸元を求めることができる。

【０１１４】また、タグチメソッドで用いられる実験計
画法では、予め実験済の環境等の水準の組み合わせの性
能までしか得ることができないが、本実施の形態のシミ
ュレーション装置では、ニューラルネットワークを学習
するにあたり検証に用いるデータについて未学習データ
としてマハラノビスの汎距離が短いものを設定するの
で、外挿データとなることがなく、誤差が少ないニュー
ラルネットワークを構築することができ、任意の内挿の
範囲内の性能を容易に予測することができる。

【０１１５】

【発明の効果】以上説明したように請求項１に記載した
発明によれば、遺伝的アルゴリズムを用いて神経回路モ
デルを変更して対応手段を構築しているので、非線形的
な対応である、製品の設計条件及び環境条件と、製品の
安定性を反映する要因を含む性能との関係を容易に得る
ことができる、という効果がある。

【０１１６】請求項２に記載した発明によれば、所定確
率でかつ、神経回路モデルの複数について少なくとも一
部を交叉、及び神経回路モデルの少なくとも一部を変更
する突然変異の少なくとも一方を行って神経回路モデル
を変更して前記対応手段の構造を決定するので、対応手
段の構造を最適に決定することができる、という効果が
ある。

【０１１７】請求項３に記載した発明によれば、既知の
多数のデータのうちマハラノビスの汎距離が所定距離以
上のデータを用いているので、外挿データにならず、誤
差が少ない対応を求めることができる、という効果があ
る。

【０１１８】請求項４に記載した発明によれば、予め準
備した複数のデータを用いて多層構造の神経回路モデル
の対応関係を学習構築し、製品の設計条件や性能につい
ての制約や許容範囲を定め、設計制約で制約される許容
範囲内で前記対応や頑健性を表す頑健度を求め、製品の
性能及び頑健性が予め定めた所定範囲内の設計条件を抽
出するので、製品の性能と頑健性を両立させた設計諸元
を求めることができる、という効果がある。

【０１１９】請求項５に記載した発明によれば、前記多
層構造の神経回路モデルで設定した対応関係を遺伝的ア
ルゴリズムを用いて所定確率でかつ神経回路モデルの複
数について少なくとも一部を交叉や一部を変更する突然
変異を行って構築するので、任意の製品の設計条件及び
環境条件に対応する性能を求めることができる、という
効果がある。

【０１２０】請求項６に記載した発明は、遺伝的アルゴ
リズムについて、複数のデータで学習構築された最初の
神経回路モデルを初期世代と定め、神経回路モデルを選
択し、少なくとも一部を交叉や突然変異を行う神経回路
モデルの変更を所定世代になるまで繰り返しているの
で、各世代の対応関係を受け継ぎかつより最良の出力を
得るのに近い構成になる神経回路モデルを決定できる、
という効果がある。

【図面の簡単な説明】

【図１】第１実施の形態にかかるシミュレータ装置の外
観図である。

【図２】第１実施の形態にかかるシミュレータ装置の概
略構成図である。

【図３】第１実施の形態にかかるシミュレータ装置の機
能別概略ブロック図である。

【図４】ニューラルネットワークの概念構成図である。

【図５】遺伝的アルゴリズムにより構築後のニューラル
ネットワークの概念構成図である。

【図６】ニューラルネットワークの学習処理の流れを示
すフローチャートである。

【図７】第１実施の形態にかかるシミュレータ装置の作
動の流れを示すフローチャートである。

【図８】交叉を示す概念イメージ図である。

【図９】突然変異を示す概念イメージ図である。

【図１０】車両の空力騒音が低減される安定化設計に用
いるためのニューラルネットワーク構築過程を示すイメ
ージ図である。

【図１１】図１１（ａ）には１７車種の教師データと推
定結果の関係を示し、図１１（ｂ）には他の車種につい
て実験データと推定結果の関係を示した。

【図１２】設計諸元の一部を示す車両の斜視図である。

【図１３】図１２のＡ−Ａ’断面図である。

【図１４】設計諸元の一部と、バサバサ音の官能値との
関係を示す３次元イメージ図である。

【図１５】第２実施の形態にかかるシミュレータ装置の
機能別概略ブロック図である。

【図１６】第２実施の形態にかかるシミュレータ装置の
作動の流れを示すフローチャートである。

【図１７】第２実施の形態にかかるシミュレータ装置の
安定化設計処理の流れを示すフローチャートである。

【図１８】遺伝的アルゴリズムで構築される過程のニュ
ーラルネットワークの概念構成図である。

【図１９】遺伝的アルゴリズムで構築される過程のニュ
ーラルネットワークにおける教師データとニューラルネ
ットワークの推定出力値との関係を示す線図である。

【符号の説明】

１０キーボード１２コンピュータ本体１４ＣＲＴ３０、３１シミュレータ装置３２非線形演算部３４遺伝的アルゴリズム部

Claims

【特許請求の範囲】

【請求項１】製品の設計条件及び環境条件に基づいて
前記製品の性能を求め、安定性を考慮した製品の安定化
設計方法であって、前記製品の設計条件及び環境条件と、前記製品の安定性
を反映する要因を含む性能との関係が既知の複数のデー
タにより、前記製品の設計条件及び環境条件を入力とし
かつ前記製品の安定性を反映する要因を含む性能を出力
として、入出力関係が非線形な対応を含む対応を定める
ときに、多層構造の神経回路モデルを有する対応手段を
用い、遺伝的アルゴリズムを用いて前記神経回路モデル
を変更して前記対応手段を構築し、任意の製品の設計条
件及び環境条件に対応する性能を求めることを特徴とす
る安定化設計方法。
【請求項２】前記遺伝的アルゴリズムを用いた前記神
経回路モデルの変更は、所定確率でかつ、前記神経回路
モデルの複数について少なくとも一部を交叉、及び前記
神経回路モデルの少なくとも一部を変更する突然変異の
少なくとも一方を行って前記神経回路モデルを変更して
前記対応手段の構造を決定することを特徴とする請求項
１に記載の安定化設計方法。
【請求項３】前記複数のデータは、前記製品の設計条
件及び環境条件と、前記製品の安定性を反映する要因を
含む性能との関係が既知の多数のデータのうち、マハラ
ノビスの汎距離が所定距離以上のデータであることを特
徴とする請求項１に記載の安定化設計方法。
【請求項４】製品の設計条件及び環境条件と、該製品
の設計条件及び環境条件による前記製品の性能との間の
関係が既知の複数のデータを予め準備し、前記製品の設計条件及び環境条件を入力とすると共に、
前記性能を出力とする対応関係を、多層構造の神経回路
モデルで設定し、該対応関係を前記複数のデータを用い
て学習構築し、前記製品の設計条件、前記環境条件及び前記製品の性能
のうちの少なくとも１つの許容範囲を制約する設計制約
を定め、前記複数のデータ以外の値を含むデータを用いて、前記
設計制約で制約される前記許容範囲内で前記製品の設計
条件及び前記環境条件と前記製品の性能との対応を複数
求めると共に、頑健性を表す頑健度を求め、求めた複数の対応及び頑健度に基づいて前記製品の性能
及び前記頑健性が予め定めた所定範囲内の設計条件を抽
出する、安定化設計方法。
【請求項５】前記多層構造の神経回路モデルで設定し
た対応関係を、遺伝的アルゴリズムを用いて所定確立で
かつ、前記神経回路モデルの複数について少なくとも一
部を交叉、及び前記神経回路モデルの少なくとも一部を
変更する突然変異の少なくとも一方を行って少なくとも
一部を変更して前記対応関係を構築することを特徴とす
る請求項４に記載の安定化設計方法。
【請求項６】前記遺伝的アルゴリズムは、前記複数の
データで学習構築された神経回路モデルを初期世代と定
め、前記複数のデータの各々の入力に対する神経回路モ
デルの出力と、該複数のデータの各々の出力となるべき
データとの２乗の誤差の逆数を得点として求め、求めた
複数の得点のうち予め定めた得点以上の神経回路モデル
を選択し、選択した神経回路モデルについて少なくとも
一部を交叉、及び少なくとも一部を変更する突然変異の
少なくとも一方を行って前記神経回路モデルを変更して
神経回路モデルを決定することを、予め定めた所定世代
になるまで繰り返すことを特徴とする請求項４に記載の
安定化設計方法。
【請求項７】前記複数のデータは、マハラノビスの汎
距離が所定距離未満のデータを前記学習構築された神経
回路モデルを検証するための検証データ、それ以外のデ
ータを前記学習構築するための学習データに分類して用
いることを特徴とする請求項４乃至請求項６の何れか１
項に記載の安定化設計方法。
【請求項８】コンピュータによって製品の性能及び頑
健性が両立した設計条件を求める製品の安定化設計をす
るための設計プログラムを記録した記録媒体であって、設計プログラムは、製品の設計条件及び環境条件と、該製品の設計条件及び
環境条件による前記製品の性能との間の関係が既知の複
数のデータを予め準備し、前記製品の設計条件及び環境条件を入力とすると共に、
前記性能を出力とする対応関係を、多層構造の神経回路
モデルで設定し、該対応関係を前記複数のデータを用い
て学習構築し、前記製品の設計条件、前記環境条件及び前記製品の性能
のうちの少なくとも１つの許容範囲を制約する設計制約
を定め、前記複数のデータ以外の値を含むデータを用いて、前記
設計制約で制約される前記許容範囲内で前記製品の設計
条件及び前記環境条件と前記製品の性能との対応を複数
求めると共に、頑健性を表す頑健度を求め、求めた複数の対応及び頑健度に基づいて前記製品の性能
及び前記頑健性が予め定めた所定範囲内の設計条件を抽
出する、ことを特徴とする安定化設計プログラムを記録した記録
媒体。
【請求項９】前記多層構造の神経回路モデルで設定し
た対応関係を、遺伝的アルゴリズムを用いて所定確率で
かつ、前記神経回路モデルの複数について少なくとも一
部を交叉、及び前記神経回路モデルの少なくとも一部を
変更する突然変異の少なくとも一方を行って少なくとも
一部を変更して前記対応関係を構築することを特徴とす
る請求項８に記載の安定化設計プログラムを記録した記
録媒体。
【請求項１０】前記遺伝的アルゴリズムは、前記複数
のデータで学習構築された神経回路モデルを初期世代と
定め、前記複数のデータの各々の入力に対する神経回路
モデルの出力と、該複数のデータの各々の出力となるべ
きデータとの２乗の誤差の逆数を得点として求め、求め
た複数の得点のうち予め定めた得点以上の神経回路モデ
ルを選択し、選択した神経回路モデルについて少なくと
も一部を交叉、及び少なくとも一部を変更する突然変位
の少なくとも一方を行って前記神経回路モデルを変更し
て神経回路モデルを決定することを、予め定めた所定世
代になるまで繰り返すことを特徴とする請求項８に記載
の安定化設計プログラムを記録した記録媒体。
【請求項１１】前記複数のデータは、マハラノビスの
汎距離が所定距離未満のデータを前記学習構築された神
経回路モデルを検証するための検証データ、それ以外の
データを前記学習構築するための学習データに分類して
用いることを特徴とする請求項８乃至請求項１０の何れ
か１項に記載の安定化設計プログラムを記録した記録媒
体。