知財求人 - 知財ポータルサイト「IP Force」
特開2024-50317フロー生成プログラム、フロー生成方法および情報処理装置
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024050317
(43)【公開日】2024-04-10
(54)【発明の名称】フロー生成プログラム、フロー生成方法および情報処理装置
(51)【国際特許分類】
G06N 3/126 20230101AFI20240403BHJP
【ＦＩ】
G06N3/12 160
【審査請求】未請求
【請求項の数】7
【出願形態】ＯＬ
(21)【出願番号】P 2022157119
(22)【出願日】2022-09-29
(71)【出願人】
【識別番号】000005223
【氏名又は名称】富士通株式会社
(74)【代理人】
【識別番号】110002147
【氏名又は名称】弁理士法人酒井国際特許事務所
(72)【発明者】
【氏名】丸尾 昭人
(72)【発明者】
【氏名】實宝 秀幸
(72)【発明者】
【氏名】添田 武志
(57)【要約】
【課題】最適な処理フローを効率的に得る。
【解決手段】実施形態のフロー生成プログラムは、選択する処理と、特定する処理とをコンピュータに実行させる。選択する処理は、処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶する記憶部を参照して対象問題に対応するメタ情報と所定の類似度を有するメタ情報の問題に対応する処理フローを選択する。特定する処理は、選択した処理フローを初期個体とする遺伝的プログラミングをもとに対象問題に対応する処理の木構造を特定する。
【選択図】図４
【解決手段】実施形態のフロー生成プログラムは、選択する処理と、特定する処理とをコンピュータに実行させる。選択する処理は、処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶する記憶部を参照して対象問題に対応するメタ情報と所定の類似度を有するメタ情報の問題に対応する処理フローを選択する。特定する処理は、選択した処理フローを初期個体とする遺伝的プログラミングをもとに対象問題に対応する処理の木構造を特定する。
【選択図】図４
【特許請求の範囲】
【請求項1】
処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶する記憶部を参照して前記対象問題に対応するメタ情報と所定の類似度を有するメタ情報の問題に対応する処理フローを選択し、
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理をコンピュータに実行させることを特徴とするフロー生成プログラム。
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理をコンピュータに実行させることを特徴とするフロー生成プログラム。
【請求項2】
任意に作成した問題に対応するメタ情報に基づいて当該問題に対応する処理フロー作成の有無を判定し、
作成有りと判定した場合、作成した前記問題に対応する処理フローを遺伝的プログラミングをもとに求め、
作成した前記問題に対応するメタ情報とともに、求めた前記処理フローを前記記憶部に蓄積する、
処理をさらに前記コンピュータに実行させることを特徴とする請求項１に記載のフロー生成プログラム。
作成有りと判定した場合、作成した前記問題に対応する処理フローを遺伝的プログラミングをもとに求め、
作成した前記問題に対応するメタ情報とともに、求めた前記処理フローを前記記憶部に蓄積する、
処理をさらに前記コンピュータに実行させることを特徴とする請求項１に記載のフロー生成プログラム。
【請求項3】
前記特定する処理により得られた木構造の処理フローに対して前記対象問題に対応するメタ情報を付与して前記記憶部に格納する、
処理をさらに前記コンピュータに実行させることを特徴とする請求項１に記載のフロー生成プログラム。
処理をさらに前記コンピュータに実行させることを特徴とする請求項１に記載のフロー生成プログラム。
【請求項4】
前記処理フローを選択する処理に先立って、メタ情報の種類の選択を受け付け、前記記憶部に記憶された処理フローの中から前記選択されたメタ情報の種類と一致する処理フローを絞り込む、
処理をさらに前記コンピュータに実行させることを特徴とする請求項１に記載のフロー生成プログラム。
処理をさらに前記コンピュータに実行させることを特徴とする請求項１に記載のフロー生成プログラム。
【請求項5】
前記絞り込む処理は、前記記憶部に記憶された処理フローの中で前記選択されたメタ情報の種類と一致度が所定値以上の処理フローについて、前記選択されたメタ情報の種類に対して不足する種類のメタ情報を補った上で前記一致する処理フローとする、
ことを特徴とする請求項４に記載のフロー生成プログラム。
ことを特徴とする請求項４に記載のフロー生成プログラム。
【請求項6】
処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶する記憶部を参照して前記対象問題に対応するメタ情報と所定の類似度を有するメタ情報の問題に対応する処理フローを選択し、
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理をコンピュータが実行することを特徴とするフロー生成方法。
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理をコンピュータが実行することを特徴とするフロー生成方法。
【請求項7】
処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶する記憶部を参照して前記対象問題に対応するメタ情報と所定の類似度を有するメタ情報の問題に対応する処理フローを選択し、
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理を実行する制御部を含むことを特徴とする情報処理装置。
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理を実行する制御部を含むことを特徴とする情報処理装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の実施形態は、フロー生成プログラム、フロー生成方法および情報処理装置に関する。
【背景技術】
【0002】
電子回路の設計、ロボットの制御プログラミングの作成等における最適な処理フローの決定は、データ生成、データ補正などの処理の順番、各処理における適切なモデルの選択、パラメータ設定等の処理手順の試行錯誤に時間を要するため、専門家でも困難な作業となる。
【0003】
このような処理フロー決定に関する従来技術としては、生物の進化の原理（交叉、突然変異）を木構造組み合わせ最適化に応用した遺伝的プログラミング（ＧＰ：Genetic Programming）を用いて最適な処理手順を探索する手法が知られている。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０００－１３２２０４号公報
【特許文献2】特開２００３－１０９１７０号公報
【特許文献3】特開平１１－８５７２０号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、上記の従来技術では、最適な処理フローの探索効率が悪く、探索に時間を要するという問題がある。例えば、遺伝的プログラミング（ＧＰ）では、初期の組み合わせ候補が多いと、交叉、突然変異を繰り返して最適な処理手順を探索するのに多大な時間を要することとなる。
【0006】
１つの側面では、最適な処理フローを効率的に得ることができるフロー生成プログラム、フロー生成方法および情報処理装置を提供することを目的とする。
【課題を解決するための手段】
【0007】
１つの案では、フロー生成プログラムは、選択する処理と、特定する処理とをコンピュータに実行させる。選択する処理は、処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶する記憶部を参照して対象問題に対応するメタ情報と所定の類似度を有するメタ情報の問題に対応する処理フローを選択する。特定する処理は、選択した処理フローを初期個体とする遺伝的プログラミングをもとに対象問題に対応する処理の木構造を特定する。
【発明の効果】
【0008】
最適な処理フローを効率的に得ることができる。
【図面の簡単な説明】
【0009】
【発明を実施するための形態】
【0010】
以下、図面を参照して、実施形態にかかるフロー生成プログラム、フロー生成方法および情報処理装置を説明する。実施形態において同一の機能を有する構成には同一の符号を付し、重複する説明は省略する。なお、以下の実施形態で説明するフロー生成プログラム、フロー生成方法および情報処理装置は、一例を示すに過ぎず、実施形態を限定するものではない。また、以下の各実施形態は、矛盾しない範囲内で適宜組みあわせてもよい。
【0011】
（実施形態について）
図１は、実施形態にかかる情報処理装置のハードウェア構成の一例を示すブロック図である。図１に示すように、情報処理装置１は、ＵＳＢ（Universal Serial Bus）等の通信線を介して記録装置２、入力装置３および表示装置４と接続される。情報処理装置１は、例えばＰＣ（Personal Computer）等を適用できる。
図１は、実施形態にかかる情報処理装置のハードウェア構成の一例を示すブロック図である。図１に示すように、情報処理装置１は、ＵＳＢ（Universal Serial Bus）等の通信線を介して記録装置２、入力装置３および表示装置４と接続される。情報処理装置１は、例えばＰＣ（Personal Computer）等を適用できる。
【0012】
記録装置２は、例えば、ＨＤＤ（Hard Disk Drive）装置、ＳＳＤ（Solid State Drive）装置等である。記録装置２は、プログラム２１、設定情報２２、フローＤＢ群２３、処理対象データ２４等の情報処理装置１が用いる種々の情報を記憶する。
【0013】
プログラム２１は、情報処理装置１のＣＰＵ１１（図２参照）が読み出して実行することで、情報処理装置１における各種機能を提供するプログラムデータである。
【0014】
設定情報２２は、情報処理装置１のＣＰＵ１１がプログラム２１を実行する際の各種設定内容を記載したデータである。
【0015】
フローＤＢ群２３は、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶するフローＤＢ（ＤＢ：DataBase）を複数集積したものである。
【0016】
処理対象データ２４は、電子回路の設計、ロボットの制御プログラミングの作成等のフロー生成の対象となる問題（適用問題ともよぶ）に関するデータである。
【0017】
入力装置３は、ユーザからのデータ入力を受け付ける装置であり、例えば、キーボード、マウス等を適用できる。表示装置４は、情報処理装置１の処理結果等の表示を行うディスプレイなどであり、例えば、ＬＣＤ（Liquid Crystal Display）等を適用できる。
【0018】
【0019】
通信Ｉ／Ｆ１０は、有線又は無線で外部装置等に接続され、ＣＰＵ１１の制御のもとで外部装置等との間でデータの送受信を行う通信インターフェースである。例えば、通信Ｉ／Ｆ１０は、ＵＳＢ等の通信線を介して接続する記録装置２、入力装置３および表示装置４との間でデータの送受信を行う。
【0020】
ＣＰＵ１１（CPU：Central Processing Unit）は、通信Ｉ／Ｆ１０を介して記録装置２より読み出したプログラム２１をＲＡＭ１２に展開して順次実行することで、情報処理装置１の動作を中央制御する。具体的には、ＣＰＵ１１は、プログラム２１を実行することで、学習処理部１１０、運用処理部１１１としての機能を有する。
【0021】
ＲＡＭ１２（RAM：Random Access Memory）は、ＣＰＵ１１が各種処理を行う際の作業領域を提供する。具体的には、ＲＡＭ１２は、通信Ｉ／Ｆ１０を介して記録装置２より読み出されたプログラム２１、設定情報２２、フローＤＢ２３１、処理対象データ２４等のデータをＣＰＵ１１より読み書き可能に格納する。
【0022】
学習処理部１１０は、フローＤＢ２３１を生成してフローＤＢ群２３に蓄積する学習フェーズを実行する処理部である。図３は、実施形態にかかる情報処理装置における学習フェーズの概要を説明する説明図である。
【0023】
図３に示すように、学習フェーズ（Ｓ１）が開始されると、学習処理部１１０は、まず、乱数等で任意の仮想問題（仮想データ）を生成する（Ｓ１０）。
【0024】
ついで、学習処理部１１０は、生成した仮想問題のメタ情報を用いて仮想問題に対応する自律フロー（処理フロー）の作成の有無を判定する（Ｓ１１）。
【0025】
ここで、メタ情報については、問題の内容を示すデータであればいずれであってもよい。例えば、メタ情報としては、問題に含まれる説明変数の数、データの個数、デフォルトフローを用いた決定係数（Ｒ２）、訓練データ交叉検証、テストデータ、元データに対するデータ密度の形状などがある。
【0026】
学習処理部１１０は、設定情報２２に予め設定された実問題に対応するメタ情報と、生成した仮想問題のメタ情報との類似度を求める。ついで、学習処理部１１０は、類似度が所定の閾値以上である場合、仮想問題に対応する自律フローの作成を有りと判定する。
【0027】
なお、類似度が所定の閾値以上でなく、生成した仮想問題が実問題と類似性がない場合、学習処理部１１０は、仮想問題に対応する自律フローの作成を無と判定し、仮想問題の生成をやり直す（Ｓ１２）。
【0028】
仮想問題に対応する自律フローの作成を有りと判定した場合、学習処理部１１０は、ＧＰ（遺伝的プログラミング）による公知の処理手順の探索処理により、仮想問題に対応する自律フローを生成する（Ｓ１３）。具体的には、学習処理部１１０は、乱数個体を初期個体として所定の確率で交叉、突然変異を繰り返すことで、生成した仮想問題に対応する処理手順に対応する木構造の組み合わせ最適化を行い、最適な木構造を特定する。
【0029】
ついで、学習処理部１１０は、生成した最適化結果の処理フローＦ１０に対し、仮想問題のメタ情報を付与してフローＤＢ２３１に蓄積する（Ｓ１４）。このように、学習処理部１１０は、生成した仮想問題について、メタ情報と、生成した最適化結果の処理フローＦ１０とをフローＤＢ２３１に蓄積する。
【0030】
ついで、学習処理部１１０は、フローＤＢ２３１が設定情報２２等に予め設定された十分な量（問題数）となるまでＳ１０～Ｓ１４の処理を繰り返す（Ｓ１５）。フローＤＢ２３１が十分な量となった場合、学習処理部１１０は、フローＤＢ２３１をフローＤＢ群２３に格納し（Ｓ１６）、学習フェーズ（Ｓ１）を終了する。
【0031】
図２に戻り、運用処理部１１１は、フロー生成の対象となる適用問題について、その問題に対応する最適な処理フローを求める適用フェーズを実行する処理部である。図４は、実施形態にかかる情報処理装置における運用フェーズの概要を説明する説明図である。
【0032】
図４に示すように、運用フェーズ（Ｓ２）が開始されると、入力装置３による入力操作などを介して、ユーザがメタ情報の選択を行う（Ｓ２０）。このメタ情報の選択は、フロー生成の対象となる適用問題について、最適な処理フローを求める際に用いるメタ情報の種類を、ユーザが予め選択するものである。
【0033】
運用処理部１１１は、入力装置３を介してメタ情報の選択を受け付けると、選択されたメタ情報の種類と一致するフローＤＢ２３１をフローＤＢ群２３より検索する。この検索の結果、メタ情報の種類が一致するフローＤＢ２３１がフローＤＢ群２３にない場合（Ｓ２１）、学習処理部１１０は、前述した学習フェーズ（Ｓ１）によるフローＤＢ２３１生成を行う（Ｓ２２）。
【0034】
上記の検索によりメタ情報の種類が一致するフローＤＢ２３１がある場合、運用処理部１１１は、メタ情報の種類が一致するフローＤＢ２３１をフローＤＢ群２３より取得する（Ｓ２３）。
【0035】
ついで、運用処理部１１１は、処理対象データ２４（適用問題）について、その適用問題のメタ情報を基に、取得したフローＤＢ２３１の中から、遺伝的プログラミング（ＧＰ）による処理フローの探索を行う際の初期個体（処理フロー）の選択を行う（Ｓ２４）。具体的には、運用処理部１１１は、取得したフローＤＢ２３１の中で、適用問題のメタ情報と類似するメタ情報の問題の処理フローを取得し、ＧＰにおける初期個体とする。
【0036】
ついで、運用処理部１１１は、適用問題のメタ情報と類似するメタ情報の問題の処理フローを初期個体とした上で、ＧＰによる処理手順の探索処理を行い、適用問題に対応する自律フロー（処理フロー）を生成する（Ｓ２５）。
【0037】
このＳ２５において、ＧＰによる処理手順の探索処理は、初期個体が予め適用問題と類似する問題の処理フローに絞り込まれていることから、個体数、世代数ともに比較的小規模で行われる。
【0038】
このＧＰの規模は、設定情報２２などに予め設定されており、通常は数百個体、数十世代であるところ、例えば数個体（個体数：８など）、数世代（世代数：５）などとして設定される。このように、ＧＰの規模を小さくすることで、探索時間を短くすることができる。また、適用問題と類似する問題の処理フローに初期個体が絞り込まれていることから、ＧＰの規模が比較的小規模であっても、十分な探索精度を保つことができる。
【0039】
ついで、運用処理部１１１は、Ｓ２５において生成した最適化結果の処理フローＦ１１に対し、適用問題のメタ情報を付与してフローＤＢ２３１に蓄積する（Ｓ２６）。このように、運用処理部１１１は、適用問題について、生成した最適化結果の処理フローＦ１１を、適用問題のメタ情報とともにフローＤＢ２３１に蓄積する。
【0040】
ここで、フローＤＢ２３１の蓄積量（問題数）が一定以上、すなわち設定情報２２に予め設定された閾値を上回る場合、運用処理部１１１は、もっとも古いフロー（問題のメタ情報と処理フロー）を削除する（Ｓ２７）。具体的には、フローＤＢ２３１は、格納順に識別情報が付与されるキュー形式で問題ごとのメタ情報と処理フローとを格納している。運用処理部１１１は、格納数が一定数となったところで、格納順が古く、直近のトレンドと一致しないような問題のフローを削除する。
【0041】
ここで、学習フェーズ（Ｓ１）における処理の詳細を説明する。図５は、実施形態にかかる情報処理装置１の動作例を示すフローチャートであり、学習フェーズ（Ｓ１）における情報処理装置１の動作例を示している。
【0042】
図５に示すように、処理が開始されると、学習処理部１１０は、仮想データ（仮想問題）を乱数で生成する（Ｓ３０）。ついで、学習処理部１１０は、生成した仮想データのメタ情報を算出し（Ｓ３１）、算出したメタ情報と、設定情報２２に予め設定された実問題に対応するメタ情報と比較して判定を行う（Ｓ３２）。
【0043】
具体的には、学習処理部１１０は、メタ情報を比較することで、生成した仮想問題（仮想データ）と実問題との類似性を判定し（Ｓ３３）、類似性がある場合（Ｓ３３：Ｙｅｓ）は仮想問題に対応する自律フローの作成有りとしてＳ３４へ処理を進める。類似性がない場合（Ｓ３３：Ｎｏ）は仮想問題に対応する自律フローの作成を無とし、学習処理部１１０は、Ｓ３０へ処理を戻す。
【0044】
Ｓ３４において、学習処理部１１０は、初期個体のフローをランダムに作成し（Ｓ３４）、ＧＰ（遺伝的プログラミング）による公知の処理手順の探索処理により、仮想問題に対応する自律フローを探索する（Ｓ３５）。これにより、学習処理部１１０は、最適化結果の処理フローＦ１０を得る。
【0045】
ついで、学習処理部１１０は、最適化結果の処理フローＦ１０に仮想問題のメタ情報を付与した上でフローＤＢ２３１に保存する（Ｓ３６）。
【0046】
ついで、学習処理部１１０は、フローＤＢ２３１の格納数（問題数）について設定情報２２等に予め設定された閾値と比較し、フローＤＢ２３１の格納数が十分であるか否かを判定する（Ｓ３７）。
【0047】
十分でない場合（Ｓ３７：Ｎｏ）、学習処理部１１０は、Ｓ３０へ処理を戻し、学習フェーズを継続する。十分である場合（Ｓ３７：Ｙｅｓ）、学習処理部１１０は、生成したフローＤＢ２３１をフローＤＢ群２３に保存し（Ｓ３８）、学習フェーズの処理を終了する。
【0048】
つぎに運用フェーズ（Ｓ２）における処理の詳細を説明する。図６Ａ、６Ｂは、実施形態にかかる情報処理装置１の動作例を示すフローチャートであり、運用フェーズ（Ｓ２）における情報処理装置１の動作例を示している。
【0049】
図６Ａに示すように、処理が開始されると、ユーザが入力装置３の操作などにより、メタ情報の種類の選択を行う（Ｓ４０）。運用処理部１１１は、通信Ｉ／Ｆ１０を介してユーザによるメタ情報の種類の選択結果を受け付ける。
【0050】
ついで、運用処理部１１１は、フローＤＢ群２３の中から、ユーザが選択したメタ情報の種類と一致するフローＤＢ２３１を検索する（Ｓ４１）。ついで、運用処理部１１１は、一致するフローＤＢ２３１があるか否かを判定し（Ｓ４２）、一致するフローＤＢ２３１がある場合（Ｓ４２：Ｙｅｓ）は一致するフローＤＢ２３１をフローＤＢ群２３より取得する（Ｓ４６）。
【0051】
一致するフローＤＢ２３１がない場合（Ｓ４２：Ｎｏ）、運用処理部１１１は、フローＤＢ群２３の各フローＤＢ２３１について、ユーザが選択したメタ情報の種類に対する一致度を求める。ついで、運用処理部１１１は、設定情報２２などで予め指定した一致度以上のフローＤＢ２３１がフローＤＢ群２３にあるか否かを判定する（Ｓ４３）。
【0052】
指定した一致度以上のフローＤＢ２３１がフローＤＢ群２３にある場合（Ｓ４３：Ｙｅｓ）、運用処理部１１１は、最も一致度が高いフローＤＢ２３１を複製し、この複製したフローＤＢ２３１について、ユーザが選択したメタ情報の種類と合うようにメタ情報を調整する（Ｓ４４）。具体的には、運用処理部１１１は、複製したフローＤＢ２３１について、ユーザが選択したメタ情報の種類に対して不足している種類のメタ情報を補う。
【0053】
このＳ４４におけるメタ情報の調整は、メタ情報の種類をユーザ選択に一致させることを目的とするものであり、メタ情報の内容を一致させることを目的としてはいない。したがって、運用処理部１１１が補うメタ情報については、任意の値や固定値であるものとする。運用処理部１１１は、このようにメタ情報を補った後のフローＤＢを、ユーザが選択したメタ情報の種類と一致するものとしてＳ４６へ処理を進める。
【0054】
指定した一致度以上のフローＤＢ２３１がフローＤＢ群２３にない場合（Ｓ４３：Ｎｏ）、学習処理部１１０は、学習フェーズ（Ｓ１）を実施することで新規のフローＤＢ２３１を生成し（Ｓ４５）、Ｓ４６へ処理を進める。
【0055】
このように、運用処理部１１１は、学習フェーズ（Ｓ１）の実施や、不足している種類のメタ情報を補うことで、一致するフローＤＢ２３１を取得してもよい（Ｓ４６）。
【0056】
図６Ｂに示すように、Ｓ４６についで、運用処理部１１１は、記録装置２から読み出すなどしてフローＤＢ群２３の入力を受け付ける（Ｓ４７）。ついで、運用処理部１１１は、フローＤＢ群２３、すなわち処理の対象問題（適用問題）の内容をもとにメタ情報を算出する（Ｓ４８）。
【0057】
ついで、運用処理部１１１は、取得したフローＤＢ２３１内のメタ情報を標準化（正規化）と、フローＤＢ群２３のメタ情報の標準化（正規化）とを行う（Ｓ４９、Ｓ５０）。具体的には、運用処理部１１１は、フローＤＢ２３１内のメタ情報およびフローＤＢ群２３のメタ情報に含まれる説明変数の数、データの個数、デフォルトフローを用いた決定係数（Ｒ２）などの値を互いに比較可能とするために、０～１の間の値で正規化する。
【0058】
ついで、運用処理部１１１は、標準化したメタ情報を用いたｋ近傍法により、適用問題のメタ情報と類似するメタ情報の問題の処理フローをフローＤＢ２３１から初期個体とする個体数分選択する（Ｓ５１）。ここで、運用処理部１１１は、重複したフローは含めないものとする。
【0059】
ついで、運用処理部１１１は、適用問題に類似する問題の処理フローが初期個体とする個体数分に足りるか否かを判定する（Ｓ５２）。初期個体とする個体数分に足りない場合（Ｓ５２：Ｙｅｓ）、運用処理部１１１は、不足分の処理フローをランダムに生成し（Ｓ５３）、Ｓ５４へ処理を進める。初期個体とする個体数分に足りる場合（Ｓ５２：Ｎｏ）、運用処理部１１１は、不足分がないことからそのままＳ５４へ処理を進める。
【0060】
Ｓ５４において、運用処理部１１１は、選択した処理フローをＧＰにおける初期個体に設定する。ついで、運用処理部１１１は、個体数、世代数などが小規模なＧＰ（遺伝的プログラミング）による処理フローの探索を行い（Ｓ５５）、最適化結果の処理フローＦ１１を得る。
【0061】
ついで、運用処理部１１１は、得られた処理フローＦ１１を、対象問題（適用問題）における最適な処理手順の結果とし、通信Ｉ／Ｆ１０を介して接続する表示装置４より表示・出力する（Ｓ５６）。
【0062】
ついで、運用処理部１１１は、最適化結果の処理フローＦ１１に対し、適用問題のメタ情報を付与した上でフローＤＢ２３１に保存する（Ｓ５７）。ついで、運用処理部１１１は、フローＤＢ２３１内の処理フロー（問題のメタ情報と処理フロー）の数が一定量以上であるか否かを判定する（Ｓ５８）。
【0063】
フローＤＢ２３１内の処理フローの数が一定量以上である場合（Ｓ５８：Ｙｅｓ）、運用処理部１１１は、フローＤＢ２３１内の最も古いフロー（問題のメタ情報と処理フロー）を削除し（Ｓ５９）、Ｓ６０へ処理を進める。
【0064】
フローＤＢ２３１内の処理フローの数が一定量以上でない場合（Ｓ５８：Ｎｏ）、運用処理部１１１は、フローＤＢ２３１をフローＤＢ群２３に保存し（Ｓ６０）、処理を終了する。
【0065】
（実施例１）
ここで、実施例１における具体例を説明する。実施例１では、混合物の特性予測モデルの生成フローの探索を目的とするものであり、次の各処理の最適な処理手順を求めるものとする。
前処理：データ制御（データ生成、データ補正など）
モデル化：モデルの選択（ガウス過程回帰、ＡｕｔｏＭＬなど）
モデルを生成する際の設定：標準化のありなし（説明変数、特性値）
ここで、実施例１における具体例を説明する。実施例１では、混合物の特性予測モデルの生成フローの探索を目的とするものであり、次の各処理の最適な処理手順を求めるものとする。
前処理：データ制御（データ生成、データ補正など）
モデル化：モデルの選択（ガウス過程回帰、ＡｕｔｏＭＬなど）
モデルを生成する際の設定：標準化のありなし（説明変数、特性値）
【0066】
なお、デフォルトのモデル情報は、ＡｕｔｏＭＬで説明変数・特性値標準化ありとする。また、最適な処理手順を求める際の目的関数（Ｆ）は次のとおりとし、Ｆを最大（ｍａｘ）とするものを求める。
・Ｆ＝０．４×（訓練データ交差検証Ｒ２）＋０．３×（テストデータＲ２）＋０．３×（元データに対するＲ２）－α×（モジュール数）
・Ｆ＝０．４×（訓練データ交差検証Ｒ２）＋０．３×（テストデータＲ２）＋０．３×（元データに対するＲ２）－α×（モジュール数）
【0067】
また、データ補正にはＳＭＯＧＮアルゴリズムを利用する。ＳＭＯＧＮのパラメータであるｒｅｌ＿ｔｈｒｅｓ（データ内の稀少性の閾値）、ｒｅｌ＿ｃｏｅｆ（オーバー／アンダーサンプリングを実施する際の係数）の大きさにより、次の４つのモジュール（ＤＣ０～ＤＣ３）を用意する。
・ＤＣ０：ｒｅｌ＿ｔｈｒｅｓ＝０．０５、ｒｅｌ＿ｃｏｅｆ＝１．５
・ＤＣ１：ｒｅｌ＿ｔｈｒｅｓ＝０．８、ｒｅｌ＿ｃｏｅｆ＝１．５
・ＤＣ２：ｒｅｌ＿ｔｈｒｅｓ＝０．０５、ｒｅｌ＿ｃｏｅｆ＝０．０１
・ＤＣ３：ｒｅｌ＿ｔｈｒｅｓ＝０．８、ｒｅｌ＿ｃｏｅｆ＝０．０１
・ＤＣ０：ｒｅｌ＿ｔｈｒｅｓ＝０．０５、ｒｅｌ＿ｃｏｅｆ＝１．５
・ＤＣ１：ｒｅｌ＿ｔｈｒｅｓ＝０．８、ｒｅｌ＿ｃｏｅｆ＝１．５
・ＤＣ２：ｒｅｌ＿ｔｈｒｅｓ＝０．０５、ｒｅｌ＿ｃｏｅｆ＝０．０１
・ＤＣ３：ｒｅｌ＿ｔｈｒｅｓ＝０．８、ｒｅｌ＿ｃｏｅｆ＝０．０１
【0068】
また、ＳＭＯＧＮのパラメータであるＫ（補間で考慮する隣接の数）は次のとおりにデータ数（Ｎ）による調整とし、その他はデフォルトとする。
Ｎ≦５：データの個数－１
５＜Ｎ≦４０：５
４０＜Ｎ：１０
Ｎ≦５：データの個数－１
５＜Ｎ≦４０：５
４０＜Ｎ：１０
【0069】
また、ユーザが選択したメタ情報の種類は、説明変数の数、データの個数、デフォルトフローを用いた決定係数Ｒ２（訓練データ交差検証）、デフォルトフローを用いた決定係数Ｒ２（テストデータ）、デフォルトフローを用いた決定係数Ｒ２（元データ）の５個とする。
【0070】
また、初期状態において、フローＤＢ群２３に格納されたフローＤＢ２３１はないものとする（学習フェーズ（Ｓ１）からスタート）。メタ情報を用いた類似性の判定は、デフォルトフローを用いた決定係数Ｒ２（訓練データ交差検証、テストデータ、元データ）の値を比較して行うものとする。たとえば、この比較において、正の値の場合は実問題と類似性ありとする。逆に、負の値の場合は実問題と類似性なしとする。
【0071】
この実施例１において、仮想問題の生成は次のように行った。
・候補成分数（説明変数）Ｎｃ：３～２０の整数でランダム
・データ個数Ｎｄ：１０～１００の整数でランダム
・データ成分の合計は１００％とする。
・データの刻み幅Δｄ：１０％
・１つのデータは２～ｒａｎｄ｛ｍｉｎ（Ｎｃ，１００／Δｄ）｝成分で構成される。
・特性値：０～１の実数でランダム
・候補成分数（説明変数）Ｎｃ：３～２０の整数でランダム
・データ個数Ｎｄ：１０～１００の整数でランダム
・データ成分の合計は１００％とする。
・データの刻み幅Δｄ：１０％
・１つのデータは２～ｒａｎｄ｛ｍｉｎ（Ｎｃ，１００／Δｄ）｝成分で構成される。
・特性値：０～１の実数でランダム
【0072】
【0073】
また、実施例１におけるモデル化条件、ＧＰ（遺伝的プログラミング）の設定などの実行条件は次のとおりとした。
・モデル化条件
テストデータの割合は１０［％］、交差検証分割数は５とする。
・ＧＰ設定
学習フェーズ（Ｓ１）におけるＧＰ（通常の規模）では、個体数を１００、世代数を３０とした。また、運用フェーズ（Ｓ２）におけるＧＰ（小規模）では、個体数を８、世代数を５とした。
・モデル化条件
テストデータの割合は１０［％］、交差検証分割数は５とする。
・ＧＰ設定
学習フェーズ（Ｓ１）におけるＧＰ（通常の規模）では、個体数を１００、世代数を３０とした。また、運用フェーズ（Ｓ２）におけるＧＰ（小規模）では、個体数を８、世代数を５とした。
【0074】
【0075】
【0076】
図９は、実施例１にかかる処理対象データの一例を説明する説明図である。図９に示すように、実施例１における処理対象データ２４は、特開２０２１－３４６３７号広報（名称：電波吸収材料、出願人：株式会社巴川製紙所）のデータを用いるものとする。
【0077】
また、混合物の特性予測モデルの生成フローの探索を、上記の処理対象データ２４を用いて行う場合の、目的変数および説明変数は次のとおりとする。
目的変数（特性値）：２（熱伝導率、電波吸収性）
説明変数（材料候補）：４（媒体、半導体フィラー、絶縁性熱伝導フィラー、導電性フィラー）
目的変数（特性値）：２（熱伝導率、電波吸収性）
説明変数（材料候補）：４（媒体、半導体フィラー、絶縁性熱伝導フィラー、導電性フィラー）
【0078】
図１０は、実施例１にかかる出力結果の一例を説明する説明図である。図１０のケースＣ１は運用フェーズ（Ｓ２）においてＴＣ特性値に関する処理フローを求めた結果であり、ケースＣ２は、ＲＡ特性値に関する処理フローを求めた結果である。
【0079】
実施例１では、運用フェーズ（Ｓ２）におけるＧＰの実行条件を、個体数を８、世代数を５と比較的小規模なものとしているが、図１０に示すように、ケースＣ１、Ｃ２ともに目的関数値（０．８９０、０．８２６）が１に近く、精度のよい処理フローが得られている。ここで、運用処理部１１１は、得られた結果の処理フローの木構造をモデル化したフローモデルＭ１、Ｍ２を生成し、表示・出力してもよい。
【0080】
図１１は、実施例１と従来例との比較を説明する説明図であり、図１０に例示した結果に対して、デフォルトおよび従来例（ＧＰ（初期個体ランダム））を並べて例示したものである。なお、フローモデルＭ１１、Ｍ１２は、ケースＣ１のＴＣ特性値に関するデフォルトおよび従来例の処理フローをモデル化したものである。同様に、フローモデルＭ２１、Ｍ２２は、ケースＣ２のＲＡ特性値に関するデフォルトおよび従来例の処理フローをモデル化したものである。
【0081】
図１１に示すように、運用フェーズ（Ｓ２）におけるＧＰの実行条件を、個体数を８、世代数を５と比較的小規模なものとした場合、初期個体をランダムとする従来例では、実施例１と比較して目的関数値が１より遠い値となっている。具体的には、ケースＣ１のＴＣ特性値の場合、実施例１が０．８９０であるのに対し、従来例では０．６８３となっている。また、ケースＣ２のＲＡ特性値の場合、実施例１が０．８２６であるのに対し、実施例では－０．９９３となっている。
【0082】
（実施例２）
実施例２では、次のメタ情報の種類を有する２つのフローＤＢ２３１がフローＤＢ群２３に予め格納されているものとする。
・第１のフローＤＢ：説明変数の数、データの個数、デフォルトフローを用いた決定係数Ｒ２（訓練データ交差検証）
・第２のフローＤＢ：説明変数の数、データの個数、デフォルトフローを用いた決定係数Ｒ２（訓練データ交差検証）、デフォルトフローを用いた決定係数Ｒ２（テストデータ）
実施例２では、次のメタ情報の種類を有する２つのフローＤＢ２３１がフローＤＢ群２３に予め格納されているものとする。
・第１のフローＤＢ：説明変数の数、データの個数、デフォルトフローを用いた決定係数Ｒ２（訓練データ交差検証）
・第２のフローＤＢ：説明変数の数、データの個数、デフォルトフローを用いた決定係数Ｒ２（訓練データ交差検証）、デフォルトフローを用いた決定係数Ｒ２（テストデータ）
【0083】
また、ユーザが選択したメタ情報の種類は、説明変数の数、データの個数、デフォルトフローを用いた決定係数Ｒ２（訓練データ交差検証）、デフォルトフローを用いた決定係数Ｒ２（テストデータ）、デフォルトフローを用いた決定係数Ｒ２（元データ）の５個とする。一致度の足切り（閾値）は０．５とする。
【0084】
第１、第２のフローＤＢそれぞれについてユーザが選択したメタ情報の種類に対する一致度（Ｓ１，Ｓ２）を計算すると、次のとおりとなる。
・第１のフローＤＢの一致度Ｓ１＝３／５＝０．６
・第２のフローＤＢの一致度Ｓ２＝４／５＝０．８
・第１のフローＤＢの一致度Ｓ１＝３／５＝０．６
・第２のフローＤＢの一致度Ｓ２＝４／５＝０．８
【0085】
ともに一致度０．５以上なので、運用処理部１１１は、一致度が最も大きい第２のフローＤＢのメタ情報を、ユーザが選択したメタ情報の種類と合うように調整する。
【0086】
図１２は、実施例２にかかるフローＤＢの調整を説明する説明図である。図１２におけるフローＤＢ２３１ａは上述した第１のフローＤＢ、フローＤＢ２３１ｂは上述した第２のフローＤＢの具体例である。図１２に示すように、運用処理部１１１は、一致度が最も大きいフローＤＢ２３１ｂについて、ユーザが選択したメタ情報の種類に対して不足している種類のメタ情報を付与することで、メタ情報を調整する。このように、メタ情報の調整後のフローＤＢ２３１ｃは、一致度Ｓ３が１（完全一致）となる。なお、メタ情報の調整については、図示例のように種類が過不足なく一致するように合わせればよく、不足分である決定係数Ｒ２（元データ）の値については、例えば定数（今回は０）を付与するなど、任意のものであってよい。
【0087】
（実施例３）
実施例３は、混合物の多目的最適化フローを探索するものであり、最適化手法の選択においてＤＡ（デジタルアニーラ）、ＧＡ（遺伝的アルゴリズム）が含まれるものとする。なお最適化手法については、他の手法（例えばＳＡや線形計画法など）を含めてもよい。
実施例３は、混合物の多目的最適化フローを探索するものであり、最適化手法の選択においてＤＡ（デジタルアニーラ）、ＧＡ（遺伝的アルゴリズム）が含まれるものとする。なお最適化手法については、他の手法（例えばＳＡや線形計画法など）を含めてもよい。
【0088】
ここで、最適化手法により利用できるモデル化手法が次のように異なるため、実施例３においては、最適化手法ごとにモデル化を行う。
・ＤＡ：１次重回帰、２次重回帰
・ＧＡ：すべて利用可能
・ＳＡ：すべて利用可能
・線形計画法：１次重回帰
・ＤＡ：１次重回帰、２次重回帰
・ＧＡ：すべて利用可能
・ＳＡ：すべて利用可能
・線形計画法：１次重回帰
【0089】
また、単目的最適化手法は、線形荷重を用いて多目的最適化を解くものとする。また、１ステップ前の処理の最適化結果を利用して最適化を行うものとする。ここで、１ステップ前の処理がない場合は、初期値は乱数あるいはデフォルト値を用いるものとする。また、ＤＡ→ＧＡの場合は、ＤＡの最適化結果をＧＡの初期個体とする。また、最終結果の多目的最適化結果の評価の際には、生成したモデルで最も良いモデル（例えば、目的関数値が１に近い）を用いるものとする。
【0090】
図１３は、実施例３にかかるモジュールの概要を説明する説明図であり、実施例３にかかるケースＣ３において使用するモジュールを例示している。図１３に示すように、実施例３にかかるケースＣ３では、ＧＡ（遺伝的アルゴリズム）、ＤＡ（デジタルアニーラ）の２個のモジュールを用いた処理の最適化を探索するものとする。
【0091】
また、実施例３において最適な処理手順を求める際の目的関数（Ｆ）は次のとおりとし、Ｆを最大（ｍａｘ）とするものを求める。
・Ｆ＝（最終結果のハイパーボリューム）－α×（モジュール数）
・Ｆ＝（最終結果のハイパーボリューム）－α×（モジュール数）
【0092】
図１４は、ハイパーボリュームの概要を説明する説明図である。図１４に示すように、ハイパーボリュームは、横軸がＦ１、縦軸がＦ２の多目的関数の空間上で、ある基準点と、アルゴリズムによって得られた解Ｋ１～Ｋ４の集合とによって形成される領域の面積を表す。この空間においては、上述した面積（ハイパーボリューム値）が大きいほど、良い結果が得られていることを示している。
【0093】
【0094】
図１６は、実施例３にかかる処理対象データの一例を説明する説明図である。図１６に示すように、実施例３にかかる処理対象データ２４は、混合テスト問題であり、特性値ｆ１、ｆ２について、候補成分数（説明変数）が４０個、データ個数が５００個あるものとある。また、１つのデータは、３～８成分で構成され、データの刻み幅は１０％であるものとする。
【0095】
図１７は、実施例３にかかるモデル化の概要を説明する説明図である。実施例３にかかる２次重回帰（Ｌ１）およびＧＰ回帰でのモデル化は、図１７に示すように行うものとする。ここで、テストデータの割合は、１０％（５０個）とする。また、テストデータは、２次重回帰（Ｌ１）→ＤＡ用、ＧＰ回帰→ＤＡ用とする。
【0096】
また、実施例３における最小化問題については次のとおりとする。
・Ｆ１（ｘ）＝ｆ１（ｘ）→ｍｉｎ，Ｆ２（ｘ）＝ｆ２（ｘ）→ｍｉｎ
・ＤＡの場合はＥ＝αｆ１（ｘ）＋（１－α）ｆ２（ｘ）→ｍｉｎ
・Ｆ１（ｘ）＝ｆ１（ｘ）→ｍｉｎ，Ｆ２（ｘ）＝ｆ２（ｘ）→ｍｉｎ
・ＤＡの場合はＥ＝αｆ１（ｘ）＋（１－α）ｆ２（ｘ）→ｍｉｎ
【0097】
また、実施例３における最適化手法の設定については、次のとおりとする。
・ＧＰ設定：（個体数：１、世代数：１）
・入力データのメタ情報：（説明変数の数：４０、成分数上限：３）
・ＤＡ設定：αを０≦α≦１の範囲で０．０１刻みで１０１回解析を実施
・ＧＡ設定：（個体数：１６０、世代数：２５０、成分数上限：３）
なお、ＤＡ→ＧＡの場合は、１０１個のＤＡの解をＧＡの初期個体として利用し、初期個体の残り（例えば５９個）はランダム個体を利用
・ＧＰ設定：（個体数：１、世代数：１）
・入力データのメタ情報：（説明変数の数：４０、成分数上限：３）
・ＤＡ設定：αを０≦α≦１の範囲で０．０１刻みで１０１回解析を実施
・ＧＡ設定：（個体数：１６０、世代数：２５０、成分数上限：３）
なお、ＤＡ→ＧＡの場合は、１０１個のＤＡの解をＧＡの初期個体として利用し、初期個体の残り（例えば５９個）はランダム個体を利用
【0098】
図１８は、実施例３にかかる出力結果の一例を説明する説明図である。図１８におけるフローモデルＭ３１は、デフォルト手法（従来例）により得られた処理フローをモデル化したものであり、フローモデルＭ３は、本実施例（実施例３）により得られた処理フローをモデル化したものである。
【0099】
図１８に示すように、本実施例（実施例３）では、ＤＡの解をＧＡの初期解として利用するフローモデルＭ３が得られている。このフローモデルＭ３の目的関数値と、フローモデルＭ３１の目的関数値とを比較しても明らかなように、本実施例（実施例３）のほうが性能（精度）のよいものとなっている。
【0100】
図１９は、実施例３と従来例との解の比較を説明する説明図である。図１９における丸印は、縦軸を特性値ｆ１、横軸を特性値ｆ２とする空間上の本実施例（実施例３）の解を示している。同様に、図１９におけるバツ印は、従来例の解を示している。
【0101】
図１９に示すように、本実施例（実施例３）では、従来例に対して、空間上における解の広がりがあり、より左側にも解のある、よりよいパレート解が得られている。
【0102】
図２０は、実施例３と従来例との初期個体と解の比較を説明する説明図である。図２０におけるグラフＧ１は、従来例（ＧＡのみ）のグラフであり、グラフＧ２は、本実施例（実施例３、ＤＡ初期個体利用）のグラフである。このグラフＧ１、Ｇ２における黒丸は初期個体をプロットしたものであり、白丸は解をプロットしたものである。
【0103】
図２０に示すように、グラフＧ１の従来例において、初期個体は、ランダムに生成されることから、一様にバラけており、解の近くにはほとんど存在しない。これに対し、グラフＧ２の本実施例（実施例３、ＤＡ初期個体利用）では、ＤＡの解を初期個体として利用しているため、解に近いところに初期個体が多くある（まばらに分布している初期個体は５９個のランダム個体）。このため、本実施例（実施例３）では、解に近いところから探索がスタートでき、より効率的な解の探索が可能となっている。
【0104】
以上のように、情報処理装置１は、処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶するフローＤＢ２３１を参照して対象問題に対応するメタ情報と類似するメタ情報の問題に対応する処理フローを選択する。情報処理装置１は、選択した処理フローを初期個体とする遺伝的プログラミング（ＧＰ）をもとに対象問題に対応する処理の木構造を最適化する。
【0105】
これにより、情報処理装置１は、遺伝的プログラミング（ＧＰ）をもとに対象問題に対応する処理の木構造を最適化する際に、対象問題とメタ情報が類似する問題の処理フローを初期個体とすることで、ランダムに多数の初期個体を用いることなく、効率的に最適な処理フローを生成することができる。
【0106】
また、情報処理装置１は、任意に作成した仮想問題に対応するメタ情報に基づいて当該問題に対応する処理フロー作成の有無を判定する。情報処理装置１は、処理フロー作成有りと判定した場合、作成した仮想問題に対応する処理フローを遺伝的プログラミングをもとに求める。情報処理装置１は、作成した仮想問題に対応するメタ情報とともに、求めた処理フローをフローＤＢ２３１に蓄積する。このように、情報処理装置１は、仮想問題から生成した処理フローをフローＤＢ２３１に蓄積しておくことで、種々の対象問題に対応することができる。
【0107】
また、情報処理装置１は、対象問題に対応する処理の最適化により得られた木構造の処理フローに対して対象問題に対応するメタ情報を付与してフローＤＢ２３１に格納する。これにより、情報処理装置１は、対象となる問題のトレンド（環境）に応じてフローＤＢ２３１に蓄積する内容（初期個体として用いる処理フロー）を順応させることができる。
【0108】
また、情報処理装置１は、対象問題に対応するメタ情報と類似するメタ情報の問題に対応する処理フローの選択に先立って、メタ情報の種類の選択を受け付け、フローＤＢ群２３に記憶されたフローＤＢ２３１の中から選択されたメタ情報の種類と一致するフローＤＢ２３１を絞り込む。これにより、情報処理装置１は、メタ情報の種類によりフローＤＢ２３１の絞り込み、すなわち、遺伝的プログラミング（ＧＰ）をもとに対象問題の最適化を行う際に用いる初期個体の絞り込みを行うことができる。
【0109】
また、情報処理装置１は、フローＤＢ群２３に記憶されたフローＤＢ２３１の中で選択されたメタ情報の種類と一致度が所定値以上のフローＤＢ２３１について、選択されたメタ情報の種類に対して不足する種類のメタ情報を補った上で一致するフローＤＢ２３１とする。これにより、情報処理装置１では、一致度が所定値以上のフローＤＢ２３１について、選択されたメタ情報の種類に対して不足する種類のメタ情報を補い、選択されたメタ情報の種類と一致させることができる。
【0110】
以上の実施形態に関し、さらに以下の付記を開示する。
【0111】
（付記１）処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶する記憶部を参照して前記対象問題に対応するメタ情報と所定の類似度を有するメタ情報の問題に対応する処理フローを選択し、
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理をコンピュータに実行させることを特徴とするフロー生成プログラム。
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理をコンピュータに実行させることを特徴とするフロー生成プログラム。
【0112】
（付記２）任意に作成した問題に対応するメタ情報に基づいて当該問題に対応する処理フロー作成の有無を判定し、
作成有りと判定した場合、作成した前記問題に対応する処理フローを遺伝的プログラミングをもとに求め、
作成した前記問題に対応するメタ情報とともに、求めた前記処理フローを前記記憶部に蓄積する、
処理をさらに前記コンピュータに実行させることを特徴とする付記１に記載のフロー生成プログラム。
作成有りと判定した場合、作成した前記問題に対応する処理フローを遺伝的プログラミングをもとに求め、
作成した前記問題に対応するメタ情報とともに、求めた前記処理フローを前記記憶部に蓄積する、
処理をさらに前記コンピュータに実行させることを特徴とする付記１に記載のフロー生成プログラム。
【0113】
（付記３）前記特定する処理により得られた木構造の処理フローに対して前記対象問題に対応するメタ情報を付与して前記記憶部に格納する、
処理をさらに前記コンピュータに実行させることを特徴とする付記１に記載のフロー生成プログラム。
処理をさらに前記コンピュータに実行させることを特徴とする付記１に記載のフロー生成プログラム。
【0114】
（付記４）前記処理フローを選択する処理に先立って、メタ情報の種類の選択を受け付け、前記記憶部に記憶された処理フローの中から前記選択されたメタ情報の種類と一致する処理フローを絞り込む、
処理をさらに前記コンピュータに実行させることを特徴とする付記１に記載のフロー生成プログラム。
処理をさらに前記コンピュータに実行させることを特徴とする付記１に記載のフロー生成プログラム。
【0115】
（付記５）前記絞り込む処理は、前記記憶部に記憶された処理フローの中で前記選択されたメタ情報の種類と一致度が所定値以上の処理フローについて、前記選択されたメタ情報の種類に対して不足する種類のメタ情報を補った上で前記一致する処理フローとする、
ことを特徴とする付記４に記載のフロー生成プログラム。
ことを特徴とする付記４に記載のフロー生成プログラム。
【0116】
（付記６）処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶する記憶部を参照して前記対象問題に対応するメタ情報と所定の類似度を有するメタ情報の問題に対応する処理フローを選択し、
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理をコンピュータが実行することを特徴とするフロー生成方法。
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理をコンピュータが実行することを特徴とするフロー生成方法。
【0117】
（付記７）任意に作成した問題に対応するメタ情報に基づいて当該問題に対応する処理フロー作成の有無を判定し、
作成有りと判定した場合、作成した前記問題に対応する処理フローを遺伝的プログラミングをもとに求め、
作成した前記問題に対応するメタ情報とともに、求めた前記処理フローを前記記憶部に蓄積する、
処理をさらに前記コンピュータが実行することを特徴とする付記６に記載のフロー生成方法。
作成有りと判定した場合、作成した前記問題に対応する処理フローを遺伝的プログラミングをもとに求め、
作成した前記問題に対応するメタ情報とともに、求めた前記処理フローを前記記憶部に蓄積する、
処理をさらに前記コンピュータが実行することを特徴とする付記６に記載のフロー生成方法。
【0118】
（付記８）前記特定する処理により得られた木構造の処理フローに対して前記対象問題に対応するメタ情報を付与して前記記憶部に格納する、
処理をさらに前記コンピュータが実行することを特徴とする付記６に記載のフロー生成方法。
処理をさらに前記コンピュータが実行することを特徴とする付記６に記載のフロー生成方法。
【0119】
（付記９）前記処理フローを選択する処理に先立って、メタ情報の種類の選択を受け付け、前記記憶部に記憶された処理フローの中から前記選択されたメタ情報の種類と一致する処理フローを絞り込む、
処理をさらに前記コンピュータが実行することを特徴とする付記６に記載のフロー生成方法。
処理をさらに前記コンピュータが実行することを特徴とする付記６に記載のフロー生成方法。
【0120】
（付記１０）前記絞り込む処理は、前記記憶部に記憶された処理フローの中で前記選択されたメタ情報の種類と一致度が所定値以上の処理フローについて、前記選択されたメタ情報の種類に対して不足する種類のメタ情報を補った上で前記一致する処理フローとする、
ことを特徴とする付記９に記載のフロー生成方法。
ことを特徴とする付記９に記載のフロー生成方法。
【0121】
（付記１１）処理フロー生成の対象問題に対応するメタ情報に基づき、問題ごとに、当該問題に対応するメタ情報と処理フローとを記憶する記憶部を参照して前記対象問題に対応するメタ情報と所定の類似度を有するメタ情報の問題に対応する処理フローを選択し、
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理を実行する制御部を含むことを特徴とする情報処理装置。
選択した前記処理フローを初期個体とする遺伝的プログラミングをもとに前記対象問題に対応する処理の木構造を特定する、
処理を実行する制御部を含むことを特徴とする情報処理装置。
【0122】
（付記１２）任意に作成した問題に対応するメタ情報に基づいて当該問題に対応する処理フロー作成の有無を判定し、
作成有りと判定した場合、作成した前記問題に対応する処理フローを遺伝的プログラミングをもとに求め、
作成した前記問題に対応するメタ情報とともに、求めた前記処理フローを前記記憶部に蓄積する、
処理をさらに前記制御部が実行することを特徴とする付記１１に記載の情報処理装置。
作成有りと判定した場合、作成した前記問題に対応する処理フローを遺伝的プログラミングをもとに求め、
作成した前記問題に対応するメタ情報とともに、求めた前記処理フローを前記記憶部に蓄積する、
処理をさらに前記制御部が実行することを特徴とする付記１１に記載の情報処理装置。
【0123】
（付記１３）前記特定する処理により得られた木構造の処理フローに対して前記対象問題に対応するメタ情報を付与して前記記憶部に格納する、
処理をさらに前記制御部が実行することを特徴とする付記１１に記載の情報処理装置。
処理をさらに前記制御部が実行することを特徴とする付記１１に記載の情報処理装置。
【0124】
（付記１４）前記処理フローを選択する処理に先立って、メタ情報の種類の選択を受け付け、前記記憶部に記憶された処理フローの中から前記選択されたメタ情報の種類と一致する処理フローを絞り込む、
処理をさらに前記制御部が実行することを特徴とする付記１１に記載の情報処理装置。
処理をさらに前記制御部が実行することを特徴とする付記１１に記載の情報処理装置。
【0125】
（付記１５）前記絞り込む処理は、前記記憶部に記憶された処理フローの中で前記選択されたメタ情報の種類と一致度が所定値以上の処理フローについて、前記選択されたメタ情報の種類に対して不足する種類のメタ情報を補った上で前記一致する処理フローとする、
ことを特徴とする付記１４に記載の情報処理装置。
ことを特徴とする付記１４に記載の情報処理装置。
【符号の説明】
【0126】
１…情報処理装置
２…記録装置
３…入力装置
４…表示装置
１０…通信Ｉ／Ｆ
１１…ＣＰＵ
１２…ＲＡＭ
２１…プログラム
２２…設定情報
２３…フローＤＢ群
２４…処理対象データ
１１０…学習処理部
１１１…運用処理部
２３１、２３１ａ～２３１ｃ…フローＤＢ
Ｃ１～Ｃ３…ケース
Ｆ１０、Ｆ１１…処理フロー
Ｇ１、Ｇ２…グラフ
Ｋ１～Ｋ４…解
Ｍ１～Ｍ３、Ｍ１１～Ｍ３１…フローモデル
２…記録装置
３…入力装置
４…表示装置
１０…通信Ｉ／Ｆ
１１…ＣＰＵ
１２…ＲＡＭ
２１…プログラム
２２…設定情報
２３…フローＤＢ群
２４…処理対象データ
１１０…学習処理部
１１１…運用処理部
２３１、２３１ａ～２３１ｃ…フローＤＢ
Ｃ１～Ｃ３…ケース
Ｆ１０、Ｆ１１…処理フロー
Ｇ１、Ｇ２…グラフ
Ｋ１～Ｋ４…解
Ｍ１～Ｍ３、Ｍ１１～Ｍ３１…フローモデル
【図1】
【図2】
【図3】
【図4】
【図5】
【図6A】
【図6B】
【図7】
【図8A】
【図8B】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】