KCI등재
기계학습 모델과 데이터의 변화에 따른 대리 모델의 성능 관찰 = Investigation on the Performance of Surrogate-assisted Genetic Algorithms According to Changes in Learning Model and Data
저자
발행기관
학술지명
아시아태평양융합연구교류논문지(Asia-pacific Journal or Convergent Recearch Interchange)
권호사항
발행연도
2023
작성언어
Korean
주제어
등재정보
KCI등재
자료형태
학술저널
수록면
29-38(10쪽)
DOI식별코드
제공처
Optimization problems are used in various fields, but it is difficult to use optimization techniques such as genetic algorithms when calculating fitness takes a very long time. In this context, many studies have been conducted to reduce the computation time of black box optimization problems by predicting the quality of solutions by creating surrogate models with machine learning algorithms such as gaussian process and support vector regression. In this study, we compared the difference in approximate performance of machine learning according to the type of learning model, the amount of training data, and the sampling method of training data in binary, permutational, real, and periodic- function encodings. Therefore, the simpler the problem is, the better the performance of the gaussian process is, also, the larger the number of training data is, the better the approximation performance is, The results showed that unbiased training through sampling is advantageous for high performance. Based on these results, experiments were performed by replacing the fitness function of the genetic algorithm with a machine-learning model on binary, permutation, and real number encoding. When the machine learning approximation was well done, on average, the performance of genetic algorithms with surrogate models was slightly lower or similar to that of genetic algorithms without surrogate models. In rare cases, it showed better performance, such as finding an optimal solution within about 1.6 times fewer generations, or finding an optimal solution with a higher fit than the genetic algorithm that dose not use a surrogate model.
더보기최적화 문제는 실세계의 다양한 분야에서 사용되지만, 적합도를 계산하는 시간이 매우 오래 걸리는 경우 유전 알고리즘과 같은 최적화 기법을 사용하기 어렵다. 이러한 맥락에서, 가우시안 프로세스, 서포트 벡터 회귀와 같은 기계학습 알고리즘으로 대리 모델(surrogate model)을 만들어 해의 품질을 예측해 블랙박스 최적화 문제의 계산 시간을 줄이기 위한 많은 연구가 수행되어 왔다. 본 연구에서는 이진, 순열, 실수, 주기함수 인코딩 상황에서 학습 모델의 종류, 학습 데이터의 양, 학습 데이터의 샘플링 방법에 따른 기계학습의 근사성능 차이를 비교하였다. 그리하여 단순한 문제일수록 가우시안 프로세스의 성능이 우세하고, 학습 데이터의 수가 많을수록 근사성능이 좋았으며, 샘플링을 통한 편향되지 않은 학습이 높은 성능을 내기에 유리하다는 결과를 보였다. 이 결과를 바탕으로 이진, 순열, 실수 인코딩에서 한가지 씩 뽑아 유전 알고리즘의 적합도 함수를 기계학습 모델로 대체하여 실험을 수행하였고, 기계학습 근사가 잘 이루어졌을 때 성능이 평균적으로 대리 모델 유전 알고리즘이 대리 모델을 사용하지 않은 유전 알고리즘보다 약간 낮거나 비슷했다. 드물게는 약 1.6배 적은 세대 안에 최적해를 찾아내거나, 대리 모델이 아닌 유전 알고리즘보다 더 적합도가 높은 최적해를 찾는 등 더 나은 성능을 보이기도 하였다.
더보기분석정보
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)