• 전자공학회논문지C
• /
• 제36C권11호
• /
• pp.75-83
• /
• 1999

주어진 응용에 적합한 MLP 분류기의 위상 구조를 효율적으로 학습하기 위하여 종족 유전 알고리즘 (SGA)과 파라미터 프리 유전 알고리즘(PfGA)을 결합한 파라미터 프리 종족 유전 알고리즘(PfSGA)을 제안한다. SGA는 전체 탐색 공간을 은닉층 뉴런의 수에 따라 여러 개의 영역(종족)으로 분할한 후, 학습 과정 중 기준에 미달되는 종족에 대해서는 학습을 중단시킴으로써 불필요한 탐색을 줄이는 학습법이다. 그러나 SGA는 돌연변이나 교배 확률 등 학습 파라미터 설정에 따라 분류기의 성능이 달라진다. 따라서 이 논문에서는 SGA와 PfGA를 결합하여 파라미터 설정에 무관하도록 하였다. 벤치마크 데이터와 수화 단어에 대하여 실험한 결과 PfSGA는 기존의 SGA에 비해 학습 시간을 단축시킬 수 있으며, 파라미터의 설정에 영향을 받지 않았다. 또한 기존의 방법에 비해 오인식율과 위상 구조 등에 있어서 효율적임을 확인하였다.

• 한국공작기계학회논문집
• /
• 제12권3호
• /
• pp.82-88
• /
• 2003

SGA(Single Genetic Algorithm) is a heuristic global optimization method based on the natural characteristics and uses many populations and stochastic rules. Therefore SGA needs many function evaluations and takes much time for convergence. In order to solve the demerits of SGA, ${\mu}GA$(Micro-Genetic Algorithm) has recently been developed. In this study, ${\mu}GA$ which have small populations and fast convergence rate, was applied to structural optimization with discrete or integer variables such as 3, 10 and 25 bar trusses. The optimized results of ${\mu}GA$ were compared with those of SGA. Solutions of ${\mu}GA$ for structural optimization were very similar or superior to those of SGA, and faster convergence rate was obtained. From the results of examples, it is found that ${\mu}GA$ is a suitable and very efficient optimization algorithm for structural design.

• 한국공작기계학회:학술대회논문집
• /
• 한국공작기계학회 2003년도 춘계학술대회 논문집
• /
• pp.9-14
• /
• 2003

SGA (Single Genetic Algorithm) is a heuristic global optimization method based on the natural characteristics and uses many populations and stochastic rules. Therefore SGA needs many function evaluations and takes much time for convergence. In order to solve the demerits of SGA, $\mu$GA(Micro-Genetic Algorithm) has recently been developed. In this study, $\mu$GA which have small populations and fast convergence rate, was applied to structural optimization with discrete or integer variables such as 3, 10 and 25 bar trusses. The optimized results of $\mu$GA were compared with those of SGA. Solutions of $\mu$GA for structural optimization were very similar or superior to those of SGA, and faster convergence rate was obtained. From the results of examples, it is found that $\mu$GA is a suitable and very efficient optimization algorithm for structural design.

• 한국지능시스템학회:학술대회논문집
• /
• 한국퍼지및지능시스템학회 2004년도 추계학술대회 학술발표 논문집 제14권 제2호
• /
• pp.63-66
• /
• 2004

The SGA(stochastic gradient ascent) algorithm is one of the most important tools in the area of reinforcement learning, and has been applied to a wide range of practical problems. In particular, this learning method was successfully applied by Kimura et a1. [1] to the control of a simple creeping robot which has finite number of control input choices. In this paper, we considered the application of the SGA algorithm to Kimura's robot control problem for the case that the control input is not confined to a finite set but can be chosen from a infinite subset of the real numbers. We also developed a MATLAB-based robot animation program, which showed the effectiveness of the training algorithms vividly.

• 제어로봇시스템학회논문지
• /
• 제4권5호
• /
• pp.616-623
• /
• 1998

Holland가 제안한 단순 유전자 알고리즘은 다원의 자연선택설을 기본으로 한 군 기반의 최적화 방법으로서, 이론적 기반으로는 스키마 정리와 빌딩블록 가설이 있다. 단순 유전자 알고리즘(SGA)이 이러한 이론적 기반에도 불구하고 여전히 일부 문제에 있어서 최적해로의 수렴을 보장하지 못하고 있다. 따라서 최근에 두 개의 집단이 서로 상호작용을 하며 진화하는 공진화 방법에 의해 이러한 문제를 해결하려고 하는데 많은 관심이 모아지고 있다. 본 논문에서는 이러한 공진화 방법이 잘 동작하는지에 대한 이론적 기반으로 확장 스키마 정리를 제안하고, SGA에서는 해결하지 못하는 최적화 문제, 예를 들면 deceptive function,에서 SGA와 공진화에 의한 방법을 비교함으로써 확장된 스키마 정리의 유효성을 확인한다.

• 한국전산구조공학회논문집
• /
• 제19권1호
• /
• pp.27-37
• /
• 2006

모사풀림(SA)의 특징적인 Metropolis 규준을 단순 유전자 알고리즘(SGA)의 재생산 연산과정에 도입함으로써 Metropolis 유전자 알고리즘(MGA)이 개발되고, 구조 설계 최적화에 응용되었다. 이러한 결합을 통하여 MGA는 개체의 다양성을 유지하며, 초기 세대에서 나타날 수 있는 유용한 유전자 정보가 보존될 수 있다. 따라서 이 연구에서 제안된 MGA는, 국부적 최적해로 조기 수렴하게 되는 SGA의 단점과 정밀한 전역적 최적해를 찾기 위해 수없이 많은 계산을 해야 하는 SA의 단점을 극복하게 되었다 수치예를 통하여 MGA의 성능과 적용성을 재래의 알고리즘들과 비교하고 평가하였다. 특히 MGA의 성능 신뢰성과 강건성을 평가하는 데는 집단 크기와 최대 반복세대수의 효과를 인용하였다. 이론적 고찰과 수치예의 결과로부터, 이 연구에서 개발된 MGA가 효율성과 신뢰성을 갖춘 구조 설계 최적화의 도구로서 평가되었다.

• Composites Research
• /
• 제21권1호
• /
• pp.30-39
• /
• 2008

본 논문에서는 기존의 유전자 알고리즘을 대신하여 병렬 마이크로 유전자 알고리즘을 사용한 복합재료 적층 구조물의 최적설계를 수행하였다. 마이크로 유전자 알고리즘은 한 세대 당 보통 5개의 개체로 해를 탐색한다 비록 세대를 구성하는 인구수는 적지만 공칭수렴 판단과 재초기화 과정을 통해 다양성을 제공하기 때문에 최적해 탐색이 가능하다. 2가지의 복합재 구조물의 최적화 문제를 가정하고 이를 마이크로 유전자 알고리즘을 사용하여 해를 구하였다. 효율성 판단을 위해서 기존의 유전자 알고리즘과 결과를 비교하였다. 두 문제 모두 마이크로 유전자 알고리즘이 비슷한 결과를 도출하면서도 약 70%의 계산량 감소를 보였다. 마이크로 유전자 알고리즘을 사용하여 일정 범위 내에서 변하는 하중을 받고 있는 복합재 적층 구조물의 최적설계를 수행하였다. 계산 결과 고정된 하중상태 하에서 얻은 최적해보다 하중 변화에 덜 민감한 설계변수를 얻을 수 있었다. 이상의 문제를 통해 다양한 설계변수를 갖는 복합재 적층 구조물의 최적설계의 한 방법으로서 마이크로 유전자 알고리즘이 효율적임을 확인하였다.

• 한국정보통신학회논문지
• /
• 제14권2호
• /
• pp.287-295
• /
• 2010

본 논문에서는 MPI(Message Passing Interface) 환경 하에서 채널배선 문제에 대한 분산 평균장 유전자 알고리즘(MGA, Mean field Genetic Algorithm)이라는 새로운 최적화 알고리즘을 제안한다. 분산 MGA는 평균장 어닐링(MFA, Mean Field Annealing)과 시뮬레이티드 어닐링 형태의 유전자 알고리즘(SGA, Simulated annealing-like Genetic Algorithm)을 결합한 경험적 알고리즘이다. 평균장 어닐링의 빠른 평형상태 도달과 유전자 알고리즘의 다양하고 강력한 연산자를 합성하여 최적화 문제를 효율적으로 해결하였다. 제안된 분산 MGA를 VLSI 설계에서 중요한 주제인 채널 배선문제에 적용하여 실험한 결과 기존의 GA를 단독으로 사용하였을 때보다 최적해에 빠르게 도달하였다. 또한 분산 알고리즘은 순차 알고리즘에서의 최적해 수렴 특성을 해치지 않으면서 문제의 크기에 대하여 선형적인 수행시간 단축을 나타냈다.

• 정보처리학회논문지B
• /
• 제14B권5호
• /
• pp.369-376
• /
• 2007

이 논문은 최적의 분류기 앙상블 선택을 위한 혼합 유전 알고리즘을 제안한다. 혼합 유전 알고리즘은 단순 유전알고리즘의 미세 조정력을 보완하기 위해 지역 탐색 연산을 추가한 것이다. 혼합 유전 알고리즘의 우수성을 입증하기 위해 단순 유전 알고리즘과 혼합 유전 알고리즘 각각을 비교 실험하였다. 또한 혼합 유전 알고리즘의 지역 탐색 연산으로 두 가지 방법(SSO: 순차 탐색 연산, CSO: 조합 탐색 연산)을 제안한다. 비교 실험 결과는 혼합 유전 알고리즘이 단순 유전 알고리즘에 비해 해를 탐색하는 능력이 우수하였다. 또한 분류기들의 상관관계를 고려한 CSO 방법이 SSO 방법보다 더 우수하였다.

• 한국전산구조공학회:학술대회논문집
• /
• 한국전산구조공학회 2002년도 봄 학술발표회 논문집
• /
• pp.225-232
• /
• 2002

Simple genetic algorithm(SGA) has been used to optimize a lot of structural optimization problems because it can optimize non-linear problems and obtain the global solution. But, because of large evolving populations during many generations, it takes a long time to calculate fitness. Therefore this paper applied micro-genetic algorithm(μ -GA) to structural optimization and compared results of μ -GA with results of SGA. Additionally, the Paper applied μ -GA to gate optimization problem for injection molds by using simulation program CAPA.