• 한국산학기술학회논문지
• /
• 제21권2호
• /
• pp.8-18
• /
• 2020

본 연구에서는 기존의 Harmony Search(HS)의 성능을 강화한 Exponential Bandwidth Harmony Search with Centralized Global Search(EBHS-CGS)를 개발하였다. EBHS-CGS는 HS의 성능 강화를 위해 총 두 가지 방법을 추가하였다. 첫 번째 방법은 지역탐색을 강화하기 위한 Bandwidth(bw) 개량방안이다. 이 방법은 기존 bw를 지수형태의 bw로 대체하여 적용함으로써 반복시산이 진행되면서 bw값을 줄인다. 이러한 형태의 bw는 정밀한 지역탐색을 가능하고, 이를 통해 알고리즘은 더욱 정밀한 값을 구할 수 있다. 두 번째 방법은 효과적인 전역탐색을 위한 탐색범위 축소이다. 이 방법은 Harmony Memory(HM) 내에서 가장 좋은 결정변수를 고려하여 탐색범위를 축소한다. 이를 Centralized Global Search(CGS)라 하며, 이 과정은 새로운 매개변수 Centralized Global Search Rate(CGSR)에 의해 HS의 전역탐색과는 별도로 진행된다. 축소된 탐색범위는 효과적인 전역탐색을 가능하게 하며, 이를 통해 알고리즘의 성능이 향상된다. EBHS-CGS를 대표적인 최적화 문제(수학 및 공학 분야)에 적용하고, 그 결과를 HS와 Improved Harmony Search(IHS)와 비교하여 제시하였다.

• 한국수자원학회논문집
• /
• 제53권8호
• /
• pp.597-604
• /
• 2020

하도홍수추적을 위한 수문학적 방법인 머스킹검 방법은 유입량, 유출량 그리고 저류량의 관계를 활용하여 유출량을 예측하는 방법이다. 머스킹검 방법에 관한 많은 연구가 진행되면서 필요한 매개변수들은 점점 늘어나게 되었고, 많은 매개변수로 인해 계산과정이 복잡해졌다. 이러한 문제를 해결하기 위해 최적화 알고리즘을 머스킹검 방법의 매개변수 산정에 적용하였다. 본 연구는 Advanced Nonlinear Muskingum Model considering continuous flow (ANLMM-L)를 Wilson 홍수자료와 Sutculer 홍수자료에 적용하여 Linear Munsingum Model incorporating Lateral flow (LMM-L)과 Kinematic Wave Model (KWM)의 결과와 비교하였다. 관측 유출량과 모의 유출량과의 비교를 위한 지표로 Sum of Squares (SSQ)를 사용하였다. Exponential Bandwidth Harmony Search with Centralized Global Search (EBHS-CGS)가 ANLMM-L의 매개변수 산정에 적용되었다. Wilson 홍수자료에 적용한 결과 LMM-L보다 ANLMM-L이 정확한 결과를 나타냈다. Sutculer 홍수자료에서는 ANLMM-L이 KWM보다 좋은 결과를 보이긴 했으나, Sutculer 홍수자료의 유량이 크기 때문에 Wilson 홍수자료의 경우에 비해 SSQ가 크게 나타났다. EBHS-CGS는 본 연구에서 적용한 머스킹검 홍수추적뿐만 아니라 다양한 수자원 공학 문제에 적용할 수 있을 것이다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.114-114
• /
• 2022

딥러닝의 학습 및 예측성능을 개선하기 위해서는 딥러닝 기법 내 연산과정의 개선과 함께 학습 및 예측에 사용되는 데이터의 전처리 과정이 중요하다. 본 연구에서는 딥러닝의 성능을 개량하기 위해 제안된 메타휴리스틱 최적화 알고리즘-딥러닝 결합모형과 데이터 전처리 기법을 통해 댐의 수위를 예측하였다. 수위예측을 위해 Multi-Layer Perceptron(MLP), 메타휴리스틱 최적화 알고리즘인 Harmony Search(HS)와 딥러닝을 결합한 MLP using a HS(MLPHS) 및 Exponential Bandwidth Harmony Search with Centralized Global Search(EBHS-CGS)와 딥러닝을 결합한MLP using a EBHS-CGS(MLPEBHS)를 통해 댐의 수위를 예측하였다. 메타휴리스틱 최적화 알고리즘-딥러닝 결합모형의 학습 및 예측성능을 개선하기 위해 학습 및 예측을 위한 자료를 기반으로 데이터 전처리기법을 적용하였다. 적용된 데이터 전처리 기법은 정규화, 수위구간별 사상(Event)분리 및 수위 변동에 대한 자료의 구분이다. 수위예측을 위한 대상유역은 금강유역에 위치한 대청댐으로 선정하였다. 대청댐의 수위예측을 위해 대청댐 상류에 위치하는 수위관측소 3개소를 선정하여 수위자료를 취득하였다. 각 수위관측소에서 취득한 수위자료를 입력자료로 설정하였으며, 대청댐의 수위자료를 출력자료로 설정하여 메타휴리스틱 최적화 알고리즘-딥러닝 모형의 학습을 진행하였다. 각 수위관측소 및 대청댐에서 취득한 수위자료는 2010년부터 2020년까지 총 11년의 일 단위 수위자료이며, 2010년부터 2019년까지의 자료를 학습자료로 사용하였으며, 2020년의 자료를 예측 및 검증자료로 사용하였다.

• 한국산학기술학회논문지
• /
• 제22권1호
• /
• pp.61-73
• /
• 2021

메타휴리스틱 탐색법은 주어진 정보의 부족 및 시간의 제약을 받는 상황에서 다양한 목적함수를 가진 문제를 해결하기 위해 개발되었다. 본 연구에서는 기존의 최적화 알고리즘인 Vision Correction Algorithm(VCA)의 성능을 강화한 Hybrid Vision Correction Algorithm(HVCA)을 개발하였다. HVCA는 기존의 알고리즘의 성능을 개선하기 위해 두 가지 방법을 적용하였다. 첫 번째 방법으로 사용자가 입력해야 하는 매개변수를 자가적응형 매개변수로 개선하였다. 두 번째 방법으로 Exponential Bandwidth Harmony Search With Centralized Global Search(EBHS-CGS)의 CGS 구조를 HVCA에 추가하였다. CGS 구조의 추가로 인해 HVCA 내부는 CGS와 VCA의 두 가지 구조로 구성되어 있다. 두 가지 구조를 효율적으로 사용하기 위해 반복시산을 진행하면서 최적값이 나오는 구조의 선택확률을 증가시키는 방법을 적용하였다. 제안된 HVCA의 성능을 확인하기 위해 최적화 문제에 적용하고, 그 결과를 Harmony Search(HS), Improved Harmony Search(IHS) 및 VCA와 비교하여 나타내었다. 적용결과 수학문제와 공학문제에서 HVCA는 HS, IHS 및 VCA보다 최적값 및 100번의 반복실행 중 최적값을 찾는 횟수가 많았으며, 최적값에 수렴하는 반복시산횟수도 낮았다. 이를 통해 HVCA가 성능이 개선되었다는 것을 확인할 수 있었다. 제안된 HVCA는 적용한 수학문제 및 공학문제 이외에도 많은 분야에 대해 좋은 결과를 나타낼 것으로 기대된다.