유전자알고리즘에서 단성생식과 양성생식을 혼용한 번식을 통한 개체진화 속도향상 = Improvement of evolution speed of individuals through hybrid reproduction of monogenesis and gamogenesis in genetic algorithms

국문 초록 (Abstract)

본 논문에서는 유전자알고리즘에서 단성생식과 양성생식을 혼용하여 개체진화 속도를 향상시키는 방법에 대하여 제안한다. 단성생식은 암수의 구분이 없는 세균이나 단세포 생물이 두 개의 개체로 분열되는 방법으로 유전적으로 지역적 탐색에 유리하며 양성생식은 암수의 구분이 있는 개체가 만나 생식하는 방법으로 유전적 다양성을 확보하는데 유리하다. 이러한 특성은 유전자알고리즘에서 개체의 진화속도를 향상시키는데 적절히 이용될 수 있다. 본 논문에서는 선택된 개체가 상대적으로 좋은 개체의 경우 진화를 위하여 지역적 탐색을 강화하는 단성생식을 하게 하고 상대적으로 좋지 않은 개체의 경우 유전자의 다양성을 확보하여 전역적 탐색을 강화하는 양성생식을 하게 하였다. 단성생식의 경우 지역적 탐색을 강화하기 위하여 돌연변이 확률을 기존의 유전자알고리즘 보다 낮추었으며 양성생식의 경우 유전자의 다양성 확보를 위하여 돌연변이 확률을 기존의 유전자알고리즘 보다 크게 높였다. 4가지 함수최적화 문제에 적용해본 결과 3개의 함수에서 성능이 매우 좋았으나 전역 최적해가 분산되어 있는 4번째 함수에서는 성능이 좋지 못하였다. 이는 전역최적해가 분산되어 있는 경우 안정적 진화에 혼란을 주기 때문인 것으로 판단된다.

다국어 초록 (Multilingual Abstract)

This paper proposes a method to accelerate the evolution speed of individuals through hybrid reproduction of monogenesis and gamogenesis. Monogenesis as a reproduction method that bacteria or monad without sexual distinction divide into two individuals has an advantage for local search and gamogenesis as a reproduction method that individuals with sexual distinction mate and breed the offsprings has an advantages for keeping the diversity of individuals. These properties can be properly used for improvement of evolution speed of individuals in genetic algorithms. In this paper, we made relatively good individuals among selected parents to do monogenesis for local search and forced relatively bad individuals among selected parents to do gamogenesis for global search by increasing the diversity of chromosomes. The mutation probability for monogenesis was set to a lower value than that of original genetic algorithm for local search and the mutation probability for gamogenesis was set to a higher value than that of original genetic algorithm for global search. Experimental results with four function optimization problems showed that the performances of three functions were very good, but the performances of fourth function with distributed global optima were not good. This was because distributed global optima prevented individuals from steady evolution.

참고문헌 (Reference)

• 1 E. Alba, "The exploration/exploitation tradeoff in dynamic cellular genetic algorithms" 9 (9): 126-142, 2005
• 2 Marcin Molga, "Test functions for optimization needs"
• 3 Silja Meyer-Nieberg, "Self-Adaptation in Evolutionary Algorithms" 54 : 47-75, 2007
• 4 A. E. Eiben, "Parameter Control in Evolutionary Algorithms" 54 : 19-46, 2007
• 5 D. Goldberg, "Genetic Algorithms in Search, Optimization and Machine Learning" Addison-Wesley 1989
• 6 J. Andre, "An improvement of the standard genetic algorithm fighting premature convergence in continuous optimization" 32 (32): 49-60, 2001
• 7 K. DeJong, "An Analysis of the Behavior of a Class of Genetic Adaptive Systems" University of Michigan 1975
• 8 M. Srinivas, "Adaptive Probabilities of Crossover and Mutation in Genetic Algorithm" 24 : 656-667, 1994
• 9 A. Tuson, "Adapting Operator Probabilities in Genetic Algorithms" University of Edinburgh 1995