국부적 향상을 이용한 복합 유전자 알고리즘 : GA + 셀룰러 학습 GA + Cellular Learning = A Hybrid Genetic Algorithm using Local Improvements
진화 이론에 의하면 진화 과정 중 모집단에 속하는 가장 적합한 개체들만이 그 다음 세대에도 생존할 수 있으며 각 개체는 생명 주기 동안에 적응 능력을 학습하며 그 유전적 형질들이 다음 세대에도 보존됨을 알 수 있다. 또한 생명 주기동안에 학습된 특질들은 그 다음 세대에서 다시 학습할 필요가 없다. 이러한 경험 획득 과정을 학습(learning)이라 부르며 일반적으로 유전자 알고리즘에서는 국부 탐색(local search)을 통하여 학습이 이루어진다. 유전자 알고리즘은 복잡한 상태 공간상에서 최적의 해를 찾기 위해 유향성 임의 탐색을 행하는 전통적인 최적화 알고리즘이다. 이 논문에서는 함수 최적화를 위해 학습 속도를 개선한 셀롤러 학습을 기반으로 하는 유전자 알고리즘을 제안한다. 복합 유전자 알고리즘은 기존의 유전자 알고리즘과 국부 탐색 기법을 혼합시킴으로써 최적해로의 수렴률을 향상시킨 방법이다. 제안하는 셀롤러 학습 전략은 셀롤러 오토마타의 주기성과 수렴성을 기반으로 한다. 유기체가 그 개체의 생명 주기의 한 세대에서 얻게되는 지식과 경험들을 자손에게 전달한다는 이론을 바탕으로 한다. 분석적인 실험을 통하여 제한한 학습 전략이 기존의 방법보다 더 빨리 전역 최적 해를 찾을 수 있음을 증명하였다. 셀롤러 학습을 이용한 복합 유전자 알고리즘은 전역 최적해로의 수렴 속도를 향상시킨 최적화 알고리즘이다.
According to evolutionary theories, only the most suited individuals in a population are likely to survive and individuals learn to adapt significantly during their lifetime, and thus transmitting their biologocal heredity to new generations. Genetic Algorithms are traditional optimization techniques using directed random searches to locate optimal solutions in complex landscapes. This paper proposes a genetic algorithm based Cellular Learning with accelerated learning capability for function optimization. A Hybrid genetic algorithm combines local search with a more traditional genetic algorithm and it can be improved in convergent to optimum. Proposed Cellular Learning strategy is based on periodic and convergent behaviors in cellular automata, and on the theory of transmitting to offspring the knowledge and experience that organisms acquire in their lifetime. We demonstrated through analytical experiments that the proposed cellular learning strategy could find the global opyimum faster than conventional learning strategies. The hybrid genetic algorithm based on cellular learning is an optimization algorithm that is capable of accelerating convergence speed to global optimum.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)