• Journal of Korea Society of Industrial Information Systems
• /
• v.24 no.5
• /
• pp.115-120
• /
• 2019

In this paper, we present the results of the performance statistical analysis of the multi-robot formation control based on receding horizon particle swarm optimization (RHPSO). The formation control problem of multi-robot system can be defined as a constrained nonlinear optimization problem when considering collision avoidance between robots. In general, the constrained nonlinear optimization problem has a problem that it takes a long time to find the optimal solution. The RHPSO algorithm was proposed to quickly find a suboptimal solution to the optimization problem of multi-robot formation control. The computational complexity of the RHPSO increases as the number of candidate solutions and generations increases. Therefore, it is important to find a suboptimal solution that can be used for real-time control with minimal candidate solutions and generations. In this paper, we compared the formation error according to the number of candidate solutions and the number of generations. Through numerical simulations under various conditions, the results are analyzed statistically and the minimum number of candidate solutions and the minimum number of generations of the RHPSO algorithm are derived within the allowable control error.

• Proceedings of the Korea Society for Simulation Conference
• /
• 1998.10a
• /
• pp.62-64
• /
• 1998

유전 알고리즘은 전통적인 등반 알고리즘을 이용하여 구하기 어려웠던 최적화 문제를 해결하기 위한 강인한 (Robust) 탐색 기법이다. 특히 목적함수가 (1)여러 개의 국부 최대치를 가지거나 (2)수학적으로 표현이 불가능하거나 어렵거나 (3) 목적함수에 교란항이 섞여 있을 경우도 우수한 탐색 능력을 갖는 것으로 알려져 있다. 본 논문에서는 군집성 분석(cluster analysis)을 이용하여 군집화함으로써 유전 알고리즘을 이용하여 나타나는 다양한 해집합을 형성하는 개체군을 그룹화하고, 각 군집에 부여된 군집 적합도에 따라서 최적해를 구함으로써 최적값에 근접시킬 수 있는 탐색 알고리즘을 제안하였으며, 시뮬레이션의 출력이 특정한 테스트 함수의 형태로 나타난다고 가정한 경우에 확률적으로 나타나는 시뮬레이션 모델의 출력을 최대화하는 문제에 대하여 적용하고 분석하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2002.12a
• /
• pp.263-266
• /
• 2002

데이터의 군집화를 수행할 때 최적 군집수 결정은 군집 결과의 성능에 많은 영향을 미친다. 특히 K-means 방법에서는 초기 군집수 K에 따라 군집결과의 성능 차이가 많이 나타난다. 하지만 대다수의 군집분석에서 초기 군집수의 결정은 경험을 바탕으로 하여 주관적으로 결정된다. 이때 개체수와 속성수가 증가하면 이러한 결정은 더욱 어려워지며 이때 결정된 군집수가 최적이 된다는 보장도 없다. 본 논문에서는 군집의 수를 자동으로 결정하고 그 결과의 유효성을 보장하기 위해 유전자 알고리즘에 기반한 최적 군집수 결정 방안을 제안한다. 데이터의 속성에 근거한 초기 해 집단이 생성되고, 해 집단 내에서 최적화된 군집수를 찾기 위해 교차 연산이 이루어진다. 적합도 값은 전체 군집화의 비 유사성의 합의 역으로 결정되어 전체적인 군집화 성능이 향상되는 방향으로 수렴된다. 또한 지역 국소값을 해결하기 위해 돌연변이 연산이 사용된다. 그리고 유전자 알고리즘의 학습 시간의 비용을 줄이기 위해 붓스트랩 기법이 적용된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.353-353
• /
• 2020

기후변화에 적응하기 위해 많은 나라들이 수자원 관리 전략을 마련하고 있으며, 대체 수자원 활성화 방안에 관심을 기울이고 있다. 본 연구에서는 대체 수자원 활성화 방안 중 빗물 저류지의 용량 결정 방법을 제시하고자 한다. 빗물 저류지의 용량을 결정하기 위해 메타 휴리스틱 방법 중 하나인 입자 군집 최적화(particle swarm optimization; PSO)를 선정하였다. 이는 기존 실제 설계에 사용되고 있는 시행착오법보다 시간을 단축시킬 수 있다. 최적화 모형은 python의 pyswarm package를 이용해 구성하였다. 모형의 입력자료는 저류지 유입량과 목표 공급량, 목표 보장률이고, 목적함수는 빗물 저류지 용량의 최소화이다. 제약조건은 모의된 보장률이 목표 보장률 이상을 달성하는 것이다. 여기서, 보장률은 전체 모의 기간 중 목표 공급량을 공급한 기간의 비율이다. 제시한 방법론의 적용성을 검토하기 위해 실제 저류지가 설계된 인천의 청라지구 1공구를 선정하여 적용하였다. 최적화 모형의 입력 유입량은 SWMM으로 산정된 1995년부터 2004년까지의 유출량이며, 목표 공급량은 실제 설계에 활용된 용수 목적별 요구 수량이다. 여기서 용수 목적별 요구 수량은 대상지역의 노면 청소수, 화장실 세정수, 호수 유지수 등이다. 산정 결과 계산 시간은 약 30초 소요되며, 목표 보장률을 만족하는 저류지 용량이 결정되었다. 본 연구에 제시한 방법은 제약조건이 추가되어도 기존 시행착오법에 비해 간편함을 확인하였다.

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.1857_1858
• /
• 2009

본 논문에서는 PCA와 입자 군집 최적화 알고리즘을 이용한 얼굴이미지에서 특징선택 방법에 대하여 제안한다. 2차원 얼굴이미지의 히스토그램 분표값에서 정규화합 연산을 이용한 히스토그램 평활화 기법을 거쳐 대비효과를 주어 화질을 개선시켜 준다. PCA는 2차원 얼굴이미지를 이용하여 공분산 행렬을 구한 후 그것의 고유값에 따른 고유벡터를 구하여 얼굴인식에 사용될 특징 벡터들을 추출한다. 또한 추출된 특징벡터 중에서 얼굴인식 성능에 중요한 요소가 되는 특징 벡터들을 입자 군집 최적화 알고리즘을 이용하여 최적화한다. 다항식 기반 RBF 신경회로망을 사용하여 얼굴인식 성능을 평가한다. 본 논문에서 제안된 방법을 통해 최적화된 특징벡터와 얼굴인식률과의 관계를 알 수 있다.

• Journal of the Korea Society for Simulation
• /
• v.32 no.1
• /
• pp.23-34
• /
• 2023

The purpose of this paper is to review global stochastic optimization algorithms(GSOA) in case binary response experimentation is used and to compare the performances of them. GSOAs utilise estimator of probability of success $\^p$ instead of population probability of success p, since p is unknown and only known by its estimator which has stochastic characteristics. Hill climbing algorithm algorithm, simple random search, random search with random restart, random optimization, simulated annealing and particle swarm algorithm as a population based algorithm are considered as global stochastic optimization algorithms. For the purpose of comparing the algorithms, two types of test functions(one is simple uni-modal the other is complex multi-modal) are proposed and Monte Carlo simulation study is done to measure the performances of the algorithms. All algorithms show similar performances for simple test function. Less greedy algorithms such as Random optimization with Random Restart and Simulated Annealing, Particle Swarm Optimization(PSO) based on population show much better performances for complex multi-modal function.

• The KIPS Transactions:PartB
• /
• v.16B no.3
• /
• pp.195-202
• /
• 2009

In this paper, we propose the regions segmentation method of the white matter and the gray matter for brain MR image by using the ant colony optimization algorithm. Ant Colony Optimization (ACO) is a new meta heuristics algorithm to solve hard combinatorial optimization problem. This algorithm finds the expected pixel for image as the real ant finds the food from nest to food source. Then ants deposit pheromone on the pixels, and the pheromone will affect the motion of next ants. At each iteration step, ants will change their positions in the image according to the transition rule. Finally, we can obtain the segmentation results through analyzing the pheromone distribution in the image. We compared the proposed method with other threshold methods, viz. the Otsu' method, the genetic algorithm, the fuzzy method, and the original ant colony optimization algorithm. From comparison results, the proposed method is more exact than other threshold methods for the segmentation of specific region structures in MR brain image.

• Journal of Digital Contents Society
• /
• v.12 no.3
• /
• pp.339-345
• /
• 2011

The k-means has been one of the popular, simple and faster clustering algorithms, but the right value of k is unknown. The value of k (the number of clusters) is a very important element because the result of clustering is different depending on it. In this paper, we present a novel algorithm based on an external cluster relationship criterion which is an evaluation metric of clustering result to determine the number of clusters dynamically. Experimental results show that our algorithm is superior to other methods in terms of the accuracy of the number of clusters.

• The Journal of the Korea Contents Association
• /
• v.14 no.11
• /
• pp.541-548
• /
• 2014

In this paper, we introduce a second version of modified binary particle swarm optimization using a concept of genotype-phenotype in genetic algorithms. Particle swarm optimization uses an information of difference between a position of the best solution and one's own position in the process of searching optimum. To obtain this difference of positions, the first version of modified binary particle swarm optimization uses a phenotype but the proposed second version uses a genotype. We can represent the solution space in large search space by using a genotype which provides continuous whole space as search space compared to a phenotype which provides only binary information. Experimental results in 10 De Jong benchmark function show that the second version outperforms the first version in six functions which has a broad search space and many local optima.

• Journal of the Korea Society for Simulation
• /
• v.28 no.4
• /
• pp.21-32
• /
• 2019

Inspired by the social behavior models of a bird flock or fish school, particle swarm optimization (PSO) is a popular metaheuristic optimization algorithm and has been widely used from solving a complex optimization problem to learning a artificial neural network. However, PSO is difficult to apply to many real-life optimization problems involving stochastic noise, since it is originated in a deterministic environment. To resolve this problem, this paper incorporates a resampling method called the uncertainty evaluation (UE) method into PSO. The UE method allows the particles to converge on the accurate optimal solution quickly in a noisy environment by selecting the particles' global best position correctly, one of the significant factors in the performance of PSO. The results of comparative experiments on several benchmark problems demonstrated the improved performance of the propose algorithm compared to the existing studies. In addition, the results of the case study emphasize the necessity of this work. The proposed algorithm is expected to be effectively applied to optimize complex systems through digital twins in the fourth industrial revolution.