• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2002.05a
• /
• pp.159-165
• /
• 2002

진화연산에는 교배, 돌연변이, 경쟁, 선택이 있다. 이러한 과정 중에서 선택은 새로운 개체를 생산하지는 않지만, 모든 해중에서 최적의 해가 될만한 해는 선택하고, 그러지 않은 해는 버리는 판단의 역할을 한다. 따라서 아무리 좋은 해를 만들었다고 해도, 취사 선택을 잘못하면, 최적의 해를 찾지 못하거나, 또 많은 시간이 소요되게 된다. 따라서 본 논문에서는 stochastic한 성질을 갖고 있는 Tournament selection에 Local selection개념을 도입하여, 지역 해에서 벗어나 전역 해를 찾는데, 개선이 될 수 있도록 하였고 Fast Evolutionary Programming의 mutation과정을 개선하고, Genetic Algorithm의 연산자인 crossover와 mutation을 도입하여 Parallel search로 지역 해에서 벗어나 전역 해를 찾는 하이브리드 알고리즘을 제안하고자 한다.

• Journal of the Korean Institute of Telematics and Electronics C
• /
• v.36C no.3
• /
• pp.58-64
• /
• 1999

Evolutionary programming is mainly characterized by two factors; one is the selection strategy and the other the mutation rule. In this paper, a new mutation rule that is the same form of well-known backpropagation learning rule of neural networks has been presented. The proposed mutation rule adapts the best individual's value as the target value at the generation. The temporal error improves the exploration through guiding the direction of evolution and the momentum speeds up convergence. The efficiency and robustness of the proposed algorithm have been verified through benchmark test functions.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2004.10a
• /
• pp.169-172
• /
• 2004

유전 알고리듬은 NP-Hard 문제의 해결이나, 함수 최적화, 복잡한 제어기의 파라미터 값 추적 등, 광범위한 분야에 걸쳐 이용되고 있다 일반적인 유전 알고리듬은 적합도 함수를 통해 해들의 품질을 결정하고, 해들의 품질에 따라 선택 연산을 거쳐, 교차나 돌연변이를 통해 우수한 품질의 해를 찾는 과정을 가진다 현재 이 과정은 대부분 소프트웨어적으로 구현되어 범용 프로세서를 통해 수행된다. 그러나 높은 소프트웨어 의존성은 해집단의 크기가 커질수록 교차/변이 연산과 해들의 품질비교에 수행되는 시간을 크게 증가시키는 약점이 있다. 따라서 본 논문에서는 순위 기반 선택과 일점 교차(one-point crossover)를 사용한다는 제약하에, 해들의 순위를 정렬 네트워크를 통해 결정하고 해들을 Residue Number System(RNS)로 표현하여 하드웨어적으로 교차연산을 처리하는 프로세서 구조를 제안한다 이러한 접근을 통해 해들의 품질비교에 걸리는 시간을 크게 줄이고 교차/변이 연산의 효율을 높일 수 있다.

• Proceedings of the KOR-KST Conference
• /
• 1998.10a
• /
• pp.126-135
• /
• 1998

도로보수는 매우 고가의 사업으로서 정확한 분석이 필수적이라 할 수 있다. 따라서 본 연구에서는 수많은 대상구간의 도로파손에 대한 보수방법 및 보수우선순위를 정확하고 신속하게 결정하기 위해서 유전자 알고리즘(Genetic Algorithms)을 이용한 도로보수방법론을 개발하였다. 본 연구에서는 유전자 알고리즘의 주 분석기법인 교배연산, 돌연변이연산, 복제연산, 룰렛휠기법, 적합도함수등을 이용하였으며, 균열, 바퀴자국, 부스러짐, 플러쉬등의 4개 파손상태와 실코트, 덧씌우기, 팻칭, 재포장등의 4개 보수방법만을 분석대상으로 하였다. 또한 적합도의 판정을 위해서 각 구간의 보수효과, 자원요구량, 자원제약량을 이용하였으며, 이를 통해서 적절한 보수방법 및 보수우선순위를 결정하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2014.01a
• /
• pp.321-322
• /
• 2014

게임에서 캐릭터가 현재 위치에서 목적지까지 경로를 탐색하는 것은 매우 중요하다. 특히, 오브젝트나 벽 등의 장애물들이 배치된 복잡한 게임 맵에서는 이러한 장애물을 회피하면서 가능한 최단 경로를 찾아 이동해야 한다. 본 논문에서는 복잡한 게임 맵 상에서 캐릭터가 목적지까지 최단 경로를 탐색하는 방법으로 유전자 알고리즘을 적용하는 방법을 제안한다. 유전자 알고리즘은 모집단(Population)을 구성하는 염색체의 인코딩 및 디코딩, 진화를 위한 연산자인 교차연산(Crossover)과 돌연변이연산(Mutation), 그리고 염색체를 평가하는 목적함수로 구성된다. 본 논문에서는 염색체 구성을 시작 노드에서 목적지 노드까지의 전체 노드로 구성하기 보다는 캐릭터의 현재노드에서 이동할 수 있는 8방향만으로 구성하여 염색체의 크기를 줄였고, 이를 통해 염색체의 인코딩과 디코딩 연산 시간을 줄일 수 있었다.

• The Journal of the Korea institute of electronic communication sciences
• /
• v.19 no.2
• /
• pp.417-426
• /
• 2024

In general, the implementation of machine learning requires prior knowledge and experience with deep learning models, and substantial computational resources and time are necessary for data processing. As a result, machine learning encounters several limitations when deployed on embedded processors. To address these challenges, this paper introduces a novel approach where a genetic algorithm is applied to the convolution operation within the machine learning process, specifically for performing a selective convolution operation.In the selective convolution operation, the convolution is executed exclusively on pixels identified by a genetic algorithm. This method selects and computes pixels based on a ratio determined by the genetic algorithm, effectively reducing the computational workload by the specified ratio. The paper thoroughly explores the integration of genetic algorithms into machine learning computations, monitoring the fitness of each generation to ascertain if it reaches the target value. This approach is then compared with the computational requirements of existing methods.The learning process involves iteratively training generations to ensure that the fitness adequately converges.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.04b
• /
• pp.484-486
• /
• 2004

본 논문에서는 직접조작 방법을 이용하여 대화형 유전자 알고리즘(IGA)의 진화성능을 향상시키고 세대를 반복하면서 다양한 해를 얻을 수 있음을 NK-Landscape를 이용해 분석한다. 또한 NK모델을 이용하여 직접조작의 진화과정을 분석하기 위한 IGA 인터페이스를 생성한다. IGA를 이용한 진화는 특성상 적온 수의 개체와 세대수로 제한되기 때문에 지역해에 빠질 수 있는 문제점이 있다. 이러한 IGA 의 제약사창을 극복하는 방법으로 직접조작을 이용할 수 있으며 이 방법은 사용자가 원하는 개체를 생성할 수 있도록 진화과정에서 유전자를 직접 변경한다. IGA 에서 진화성능의 향상과 다양한 해외 생성을 분석하기 위하여 진화연산자인 교차, 돌연변이와 직접조작 방법의 성능을 비교 분석한다. Kauffman이 제안한 NK-Landscape로 진화과정에서 해공간이 얼마나 "ruggedness" 한지와 다양한 진화연산자에서 어떤 성능을 갖는지 분석할 수 있다 실험을 통해 3D 꽃 디자인 문제에서 NK-landscape기반 IGA인터페이스를 이용하여 IGA 해공간을 분석하고 교차, 돌연변이와 직접조작 방법의 성능을 비교함으로써 직접조작 방법으로 더 빠른 시간에 다양한 최적해를 찾을 수 있음을 알 수 있었다.

• Journal of Korea Society of Industrial Information Systems
• /
• v.10 no.4
• /
• pp.16-25
• /
• 2005

In this paper, we proposed a novel algorithm combined simulated annealing and genetic algorithms for designing optimal binary phase computer generated hologram. In the process of genetic algorithm searching by block units, after the crossover and mutation operations, simulated annealing algorithm searching by pixel units is inserted. So, the performance of BPCGH was improved. Computer simulations show that the proposed combined iterative algorithm has better performance than the simulated annealing algorithm in terms of diffraction efficiency

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2002.12a
• /
• pp.263-266
• /
• 2002

데이터의 군집화를 수행할 때 최적 군집수 결정은 군집 결과의 성능에 많은 영향을 미친다. 특히 K-means 방법에서는 초기 군집수 K에 따라 군집결과의 성능 차이가 많이 나타난다. 하지만 대다수의 군집분석에서 초기 군집수의 결정은 경험을 바탕으로 하여 주관적으로 결정된다. 이때 개체수와 속성수가 증가하면 이러한 결정은 더욱 어려워지며 이때 결정된 군집수가 최적이 된다는 보장도 없다. 본 논문에서는 군집의 수를 자동으로 결정하고 그 결과의 유효성을 보장하기 위해 유전자 알고리즘에 기반한 최적 군집수 결정 방안을 제안한다. 데이터의 속성에 근거한 초기 해 집단이 생성되고, 해 집단 내에서 최적화된 군집수를 찾기 위해 교차 연산이 이루어진다. 적합도 값은 전체 군집화의 비 유사성의 합의 역으로 결정되어 전체적인 군집화 성능이 향상되는 방향으로 수렴된다. 또한 지역 국소값을 해결하기 위해 돌연변이 연산이 사용된다. 그리고 유전자 알고리즘의 학습 시간의 비용을 줄이기 위해 붓스트랩 기법이 적용된다.

• Proceedings of the IEEK Conference
• /
• 2000.11c
• /
• pp.29-32
• /
• 2000

HMM(Hidden Markov Model)은 시간적인 정보를 토대로 하는 수학적인 방법으로서 문자인식에 많이 사용되어지고 있다. 그런데 HMM이 적용되고자 하는 문제에서 사용되어지는 상태 수와 HMM에서 사용되어지는 parameter들은 처음에 결정되는 값들에 의해서 상당히 많은 영향을 받게 된다. 따라서 한글의 특성을 이용한 HMM의 상태 수를 결정한 후 결정되어진 각각의 HMM parameter들을 Genetic Algorithm을 이용하였다. Genetic Algorithm은 매개변수 최적화 문제에 대하여 자연의 진화 원리를 마땅한 알고리즘으로 선택, 교배, 돌연변이 연산을 이용하여 최적의 개체를 구하게 된다. 여기서는 HMM에서의 Viterbi Algorithm을 적합도 검사에 사용하였다.