Abstract
In this paper, we study on the convergence of the evolution strategies by introducing the Lamarckian
evolution and the Baldwin effect, and propose a random local searching and a reinforcement local searching
methods. In the random local searching method some neighbors generated randomly from each individual are
med without any other information, but in the reinforcement local searching method the previous results of
the local search are reflected on the current local search. From the viewpoint of the purpose of the local search
it is suitable that we try all the neighbors of the best individual and then search the neighbors of the best one
of them repeatedly. Since the reinforcement local searching method based on the Lamarckian evolution and
Baldwin effect does not search neighbors randomly, but searches the neighbors in the direction of the better
fitness, it has advantages of fast convergence and an improvement on the global searching capability. In other
words the performance of the evolution strategies is improved by introducing the learning, reinforcement local
search, into the evolution. We study on the learning effect on evolution strategies by applying the proposed
method to various function optimization problems.
본논문에서는 라마르크 진화와 볼드윈 효과를 진화전략에 적용하여 진화전략의 수렴성에 대해서 고찰한다. 또한 진화전략의 탐색법으로 랜덤 지역탐색법과 강화 지역 탐색법을 제안한다. 랜덤지역탐색은 미리 정한 일정한 회수의 지역탐색을 랜덤하게 수행하는 것이고 강화 지역탐색은 주어진 범위내에 존재하는 모든개체의 적합도를 평가하여 가장 적합도가 높은 개체 주변을 탐색하는 것이다. 이러한 관점에서 라마르크 진화와 볼드윈 효과를 기본으로 하는 강화 지역탐색은 단순히 랜덤하게 주변개체의 적합도를 탐색하는 것이 아니라 해 공간상에서 적합도가 높아지는 방향으로 지역 탐색을 행함으로써 랜덤 지역탐색에 비해 보다 효과적으로 주변 개체를 탐색할 수 있어 전역적 탐색능력의 향상은 물론 수렴속도의 향상은 가져 올수 있었다. 결과적으로 진화과정에 학습을 도입함으로써 진화만으로 최적해를 탐색할때보다 그성능이 향상됨을 볼 수 있다, 제안한 방법은 다양한 함수최적화 문제에 적용하여 그 시뮬레이션을 통해 학습이 진화에 미치는 영향에 대해서 고찰한다.
