![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
A multi-agent system represents a system where several independent entities (agents) differ either in information or interest, or both. Simulation is a valuable support in the strategic and tactical decision-making process. A set of rules to define how a system changes over time, given its current state, are mostly the elements of a simulation model. The purpose of a simulation is either to understand the operation of a target system better or to make predictions about a target system’s performance.
マルチエージェントシステムは、多くの独立したエンティティ（エージェント）が情報または関心、あるいはその両方が異なるシステムを表する. シミュレーションは、 戦略的および戦術的な意思決定プロセス。一連のルール現在の状態が基本的にシミュレーションモデルの要素である場合、システムが時間とともにどのように変化するかを定義します. シミュレーションの目的は、ターゲットシステムの動作をよりよく理解すること、またはターゲットシステムのパフォーマンスを予測します.
Big data is a field that treats ways to analyze, systematically extract information from, or otherwise, deal with data sets that are too large or complex to be dealt with by traditional data-processing application software. Data with many cases (rows) offer greater statistical power, while data with higher complexity (more attributes or columns) may lead to a higher false discovery rate. The challenges include capturing data, data storage, data analysis, search, sharing, transfer, visualization, querying, updating, information privacy, and data source.
ビッグデータ とは、一般的なデータ管理・処理ソフトウエアで扱うことが困難なほど巨大で複雑なデータの集合を表す用語である。組織が非常に大きなデータセット（テラバイト、ペタバイト、エクサバイトなどで測定）を作成、操作、および管理できるようにするすべてのものと、これらが格納されている機能を指す. ビッグデータを取り巻く課題の範囲は、情報の収集、取捨選択、保管[4]、検索、共有、転送、解析[5]、可視化等多岐にわたる。これら課題を克服しビッグデータの傾向をつかむことで「ビジネスに使える発見、疾病予防、犯罪防止、リアルタイムの道路交通状況判断」に繋がる可能性がある.
Mechanism design is a field in economics and game theory that takes an objectives-first approach to design economic mechanisms or incentives, toward desired objectives, in strategic settings, where players act rationally. Because it starts at the end of the game, then goes backward, it is also called reverse game theory. It has broad applications, from economics and politics (markets, auctions, voting procedures) to networked-systems (interdomain internet routing, sponsored search auctions).
メカニズムデザイン とは経済学の一分野である。資源配分や公共的意思決定などの領域で実現したい目標が関数の形で与えられたとき、その目標が自律的／分権的に実現できるようなルール（「メカニズム」とか「ゲームフォーム」とも呼ばれる）を設計することを目指している。言い換えれば、与えられた関数が要求する目標を、各プレイヤーの誘因を損なうことなく実現できるようなゲームを設計することをメカニズムデザインでは目指している。メカニズムデザインは経済学のなかでも特に社会選択理論および非協力ゲーム理論、さらには契約理論やマーケットデザインと密接な関係を持つ.
Mathematical programming, and especially linear programming, is one of the best developed and most used branches of management science. It concerns the optimum allocation of limited resources among competing activities, under a set of constraints imposed by the nature of the problem being studied. These constraints could reflect financial, technological, marketing, organizational, or many other considerations. In broad terms, mathematical programming can be defined as a mathematical representation aimed at programming or planning the best possible allocation of scarce resources.
数理計画、特に線形計画法は、最もよく開発され、管理科学の枝を使用しました。限られたリソースの最適な配分に関する調査中の問題の性質によって課せられた一連の制約の下での競合する活動。これら制約は、財務、技術、マーケティング、組織、または他の多くの考慮事項を反映する可能性があります。数学プログラミング、特に線形プログラミングは、最もよく開発され、 管理科学の枝を使用しました.限られたリソースの最適な配分に関する 調査中の問題の性質によって課せられた一連の制約の下での競合する活動。これら 制約は、財務、技術、マーケティング、組織、または他の多くの考慮事項を反映する可能性があります. 幅広い条件には、数学的なプログラミングは、プログラミングを狙うか、不十分な資源の最高の配分を予定している数学的な表現と定義されることができます.
| Title | Designing Scalable ML Algorithms for Handling Big Data |
| Abstract | We study the challenges of machine learning applied to big data. Generally, conventional ML algorithms do not scale to big data. Consider, for instance, an algorithm for classification used to specific datasets may not be suitable for a different datasets. We intend to develop ML algorithms to solve big data-related applications globally. |
| Keywords | Big data，machine learning，algorithms，optimization, Hadoop, data mining |
| Procedure | 1）Data manipulation, big data concepts. |
| 2）ML algorithms, optimization theory． | |
| 3）Data analysis, simulation, application of new ML algorithms into real cases. | |
| References | https://data.wingarc.com/what-is-big-data-11866 |
| https://www.msi.co.jp/bdmodule/introduction/index.html | |
| https://www.edureka.co/blog/machine-learning-and-big-data/ | |
| Challenger |
| タイトル | ビッグデータを処理するためのスケーラブルな機械学習アルゴリズムの設計 |
| 要旨 | ビッグデータに適用される機械学習の課題を調査します。一般的に、従来のMLアルゴリズムはビッグデータにスケーリングしません。たとえば、特定のデータセットに適用される分類のアルゴリズムは、別のデータセットには適さない場合があります。機械学習を開発するつもりですビッグデータ関連のアプリケーションをグローバルに解決するアルゴリズム。 |
| Keyword | ビッグデータ、機械学習、アルゴリズム、最適化、hadoop、データマイニング |
| 手順 | 1）データ操作、ビッグデータの概念. |
| 2）機械学習アルゴリズムの実装、最適化理論． | |
| 3）データ分析、シミュレーション、新しい機械学習アルゴリズムの実際のケースへの適用 | |
| リンク | https://data.wingarc.com/what-is-big-data-11866 |
| https://www.msi.co.jp/bdmodule/introduction/index.html | |
| https://www.edureka.co/blog/machine-learning-and-big-data/ | |
| 挑戦 |
| Title | Multi-agent Based Simulation and Game Theory |
| Abstract | Development of a multi-agent simulation platform to analyze large complex systems applying concepts of game theory and mechanism design. The target of this research is to propose decision-making tools based on multi-agent systems (MAS) and game theory models following the Japanese initiatives on Society 5.0. By introducing concepts of mechanism design, we analyze matching problems via simulations |
| Keywords | multi-agent，game theory，simulation，financial engineering, autonomous machine |
| Procedure | 1）Define and model agents mathematically. |
| 2）Built platform, programming, flowcharts, comparison studies. | |
| 3）Simulation, data analysis, evaluation, results. | |
| References | http://www.ai.soc.i.kyoto-u.ac.jp/field/chapter8.html |
| https://ja.wikipedia.org/wiki/%E3%82%B2%E3%83%BC%E3%83%A0%E7%90%86%E8%AB%96 | |
| https://www.jstage.jst.go.jp/article/jssst/29/4/29_4_15/_pdf | |
| Challenger |
| タイトル | マルチエージェント基づくシミュレーションとゲーム理論 |
| 要旨 | ゲーム理論とメカニズムデザインの概念を適用した大規模で複雑なシステムを分析するためのマルチエージェントシミュレーションプラットフォームの開発。本研究の目的は、日本のイニシアチブに従ってマルチエージェントシステム（MAS）とゲーム理論モデルに基づく意思決定ツールを提案することでSociety 5.0に関連する。メカニズム設計の概念を導入することにより、シミュレーションを通じてマッチング問題を分析する. |
| Keyword | マルチエージェント、ゲーム理論,メカニズムデザイン、シミュレーション |
| 手順 | 1）エージェントを数学的に定義およびモデリングする. |
| 2）構築されたプラットフォーム、プログラミング、フローチャート、比較研究. | |
| 3）シミュレーション、データ分析、評価、結果 | |
| リンク | http://www.ai.soc.i.kyoto-u.ac.jp/field/chapter8.html |
| https://ja.wikipedia.org/wiki/%E3%82%B2%E3%83%BC%E3%83%A0%E7%90%86%E8%AB%96 | |
| https://www.jstage.jst.go.jp/article/jssst/29/4/29_4_15/_pdf | |
| 挑戦 |
| Title | Production Planning under Robust Optimization |
| Abstract | Robust optimization model, applied to production planning problems for efficient decision making. Aspects related to risk on a multi-period inventory are also considered. Some concepts from financial engineering have been introduced for sensitivity analysis. |
| Keywords | Production planning, risk management, robust optimization, financial engineering |
| Procedure | 1）Survey of various conventional models, programming, database implementation, probabilistic models. |
| 2）Robust optimization modeling based on algorithms and risk management approach. | |
| 3）Simulation, evaluation, results. | |
| References | http://ibisml.org/archive/ibis2011/ibis2011-takeda.pdf#search='%E3%83%AD%E3%83%90%E3%82%B9%E3%83%88%E6%9C%80%E9%81%A9%E5%8C%96%E3%81%A8%E3%81%AF' |
| https://ja.wikipedia.org/wiki/%E3%83%AA%E3%82%B9%E3%82%AF%E3%83%9E%E3%83%8D%E3%82%B8%E3%83%A1%E3%83%B3%E3%83%88 | |
| https://it-trend.jp/production_management/article/10-0057 | |
| Challenger |
| タイトル | ロバスト最適化法による生産計画 |
| 要旨 | 効率的な意思決定のために生産計画問題に適用される堅牢な最適化モデル。多期間在庫のリスクに関連する側面も考慮されます。金融工学のいくつかの概念が感度分析のために導入された。 |
| Keyword | 生産計画,リスクマネジメント,ロバスト最適化,金融工学 |
| 手順 | 1）さまざまな従来型モデルの調査, プログラミング,データベースの実装,確率モデル． |
| 2）ロバスト最適化方法のアルゴリズムとリスクマネジメントアプローチに基づいてモデルを実装する． | |
| 3）シミュレーション、結果. | |
| リンク | http://ibisml.org/archive/ibis2011/ibis2011-takeda.pdf#search='%E3%83%AD%E3%83%90%E3%82%B9%E3%83%88%E6%9C%80%E9%81%A9%E5%8C%96%E3%81%A8%E3%81%AF' |
| https://ja.wikipedia.org/wiki/%E3%83%AA%E3%82%B9%E3%82%AF%E3%83%9E%E3%83%8D%E3%82%B8%E3%83%A1%E3%83%B3%E3%83%88 | |
| https://it-trend.jp/production_management/article/10-0057 | |
| 挑戦 |
| Title | Machine Learning under Optimization Viewpoint |
| Abstract | In machine learning, heuristic methods play an important role to solve problems such as classification, regression and estimation. In this research, we intend to combine ML and optimization applying some of the optimization techniques to find optimal solutions in large scale ML problems |
| Keywords | Machine learning, optimization, heuristic methods |
| Procedure | 1）Fundamentals of the theory and application of ML involving synthetic and real (if possible) data, programming, database implementation. |
| 2）Optimization models, algorithms and simulation. | |
| 3）Evaluation, results. | |
| References | https://qiita.com/ohtaman/items/0c383da89516d03c3ac0 |
| https://iiduka.net/intro/researches/machine | |
| https://arxiv.org/pdf/1906.06821.pdf | |
| Challenger |
| タイトル | 最適化の視点に基づく機械学習 |
| 要旨 | 機械学習では、分類、回帰、推定などの問題を解決するためにヒューリスティック手法が重要な役割を果たします.この研究では、MLと最適化手法の一部を適用した最適化を組み合わせて、大規模なML問題の最適解を見つけることを目的としています. |
| Keyword | 機械学習,最適化,発見的方法,データ |
| 手順 | 1）合成データと実際のデータ（可能な場合),プログラミング,データベース実装を含むMLの理論と応用の基礎． |
| 2）最適化モデル,アルゴリズム,シミュレーション. | |
| 3）評価,結果. | |
| リンク | https://qiita.com/ohtaman/items/0c383da89516d03c3ac0 |
| https://iiduka.net/intro/researches/machine | |
| https://arxiv.org/pdf/1906.06821.pdf | |
| 挑戦 |
