The KIPS Transactions:PartB (정보처리학회논문지B)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

A Coevolution of Artificial-Organism Using Classification Rule And Enhanced Backpropagation Neural Network

분류규칙과 강화 역전파 신경망을 이용한 이종 인공유기체의 공진화

  • 조남덕 (소프트캠프(주)) ;
  • 김기태 (중앙대학교 공과대학컴퓨터공학부)
  • Published : 2005.06.01
Download PDF
⟨ Previous Next ⟩

Abstract

Artificial Organism-used application areas are expanding at a break-neck speed with a view to getting things done in a dynamic and Informal environment. A use of general programming or traditional hi methods as the representation of Artificial Organism behavior knowledge in these areas can cause problems related to frequent modifications and bad response in an unpredictable situation. Strategies aimed at solving these problems in a machine-learning fashion includes Genetic Programming and Evolving Neural Networks. But the learning method of Artificial-Organism is not good yet, and can't represent life in the environment. With this in mind, this research is designed to come up with a new behavior evolution model. The model represents behavior knowledge with Classification Rules and Enhanced Backpropation Neural Networks and discriminate the denomination. To evaluate the model, the researcher applied it to problems with the competition of Artificial-Organism in the Simulator and compared with other system. The survey shows that the model prevails in terms of the speed and Qualify of learning. The model is characterized by the simultaneous learning of classification rules and neural networks represented on chromosomes with the help of Genetic Algorithm and the consolidation of learning ability caused by the hybrid processing of the classification rules and Enhanced Backpropagation Neural Network.

동적이고 비정형적인 환경에서 작업을 수행하기 위해 인공유기체를 이용하는 응용 분야가 빠른 속도로 확대되고 있다. 이러한 분야에서 인공유기체의 행동 지식 표현법으로 일반적인 프로그래밍 또는 전통적인 인공지능 방법을 사용하면, 예측치 못한 상황으로 인한 빈번한 변경과 나쁜 응답성의 문제가 발생한다. 이들 문제들을 기계학습적으로 해결하기 위한 방법으로는 유전자 프로그래밍과 진화 신경망이 대표적이다. 그러나 아직까지도 인공유기체의 학습방법이 문제가 되고 있으며, 같은 환경 속에 서식하는 인공유기체의 종이 같아서 여러생명체를 대표할수 없는 문제점이 있다. 본 논문에서는 학습의 속도와 질을 향상시키기 위해 강화역전파 신경망과 분류규칙을 이용하였으며, 한 환경속에 서식하는 인공유기체의 종을 달리하였다. 제안된 모델을 평가하기 위해서 이종간 인공유기체 집단이 한 가상환경속에서 서로 경쟁하면서 생활하는 시뮬레이터를 설계 및 구현하였고, 그들의 행동진화를 수행결과로 보여주었으며, 타시스템과의 비교분석을 하였다. 결과적으로, 학습의 속도와 질적인 면에서 제안된 모델이 모두 우수한 것을 확인하였다. 본 모델의 특징으로는, 유전자 알고리즘에 의해서 염색체에 표현된 분류 규칙들과 신경망의 학습이 동시에 수행되며, 분류 규칙과 강화역전파 신경망의 2단계의 처리 과정으로 인하여 학습 능력이 강화된다는 점이다.

Keywords

References

  1. 배환국, '인공 유기체 집단간의 경쟁을 통한 상호진화에 관한 연구', 석사학위 논문, 중앙대학교 컴퓨터공학과, 1996
  2. 조경달, '분류 규칙과 신경망을 이용한 가상 로봇의 행동 진화', 박사학위 논문, 중앙대학교 컴퓨터공학과, 2004
  3. 김기태, '지능형 컴퓨터의 처리를 위한 인공지능의 기법과 응용', 도서출판 기한재, pp.269-299, 1998
  4. Lee, K.-J., Zhang, B.-T., 'Learning Robot Behaviors by Evolving Genetic Programs', Proc. of the 26th International Conference on Industrial Electronics, Control and Instrumentation (IECON-2000), Vol.4, pp.2867-2872, 2000 https://doi.org/10.1109/IECON.2000.972453
  5. Malrey Lee, 'Evolution of behaviors in autonomous robot using artificial neural network and genetic algorithm', Journal of Information Science, 155(1-2), pp.43-60, 2003 https://doi.org/10.1016/S0020-0255(03)00125-7
  6. Collins, R.J., 'Studies in Artificial Evolution', Phd Thesis, Philosophy in Computer Science, University of California, Los Angeles, 1992
  7. Koza, J.R., 'Genetic Programming: On the programming of computers by means of natural selection', MIT Press. ISBN 0-262-11170-5, 1992
  8. Holland, J.H., Reitman, J.S., 'Cognitive Systems Based on Adaptive Algorithms', Pattern-Directed Inference Systems, Academic Press, NY, 1978
  9. Smith, S.F., 'A Learning System Based on Genetic Adaptive Algorithms', Ph.D. Thesis, University Pittsburgh, 1980
  10. Kubica, J. and Rieffel, E., 'Collaborating with a Genetic Programming System to Generate Modular Robotic Code', A joint meeting of the eleventh International Conference on Genetic Algorithms (ICGA-2002) and the seventh Annual Genetic Programming Conference (GP-2002)
  11. Booker, L.B., 'Classfier systems, endogenous fitness, and delayed rewards: A preliminary investigation', Proc. of the International Workshop on Learning Classifier Systems (IWLCS-2000), 2000
  12. Goldberg, D.E., 'Genetic Algorithms in Search, Optimization and Machine Learning', Addison-Wesley. ISBN0-201-15767-5, 1989
  13. Langton, C., 'Artificial LifeII.', Addison Wesley. pp.1-47, 1989
  14. Holland, J.H., 'Adaptation in Natural and Artifical Systems', University of Michigan Press. Reprinted by MIT Press, 1975
  15. Lee, K.-J., Zhang, B.-T., 'Learning Robot Behaviors by Evolving Genetic Programs', Proc. of the 26th International Conference on Industrial Electronics, Control and Instrumentation (IECON-2000), Vol.4, pp.2867-2872, 2000 https://doi.org/10.1109/IECON.2000.972453