• 설비공학논문집
• /
• 제17권2호
• /
• pp.140-146
• /
• 2005

The on-line optimal control algorithm for central heating system has been researched for minimizing energy consumption while maintaining the comfort of indoor thermal environment in terms of the environmental variables such as indoor heating load and outdoor temperature variation. This study has been done by using TRNSYS Program in order to analyze the central heating system. The optimal control algorithm shows good energy Performances in comparison with the conventional one.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 1999년도 하계학술대회 논문집 B
• /
• pp.794-796
• /
• 1999

본 논문에서는 3상 유도전동기의 속도를 제어하는데 기존 제어기의 문제점을 해결하고 최적화하기 위해서 유전자 알고리즘을 이용한 하이브리드 퍼지 -PID(HFPID) 제어기를 고안하고, 이에 대한 파라미터 설정 방법을 제안한다. 유도전동기의 제어는 지연시간이 길고, 비선형성이 강하며, 부하변동이 잦은 프로세스이기 때문에, 기존의 제어방식으로는 만족할만한 결과를 얻을 수 없다. 제안한 하이브리드 퍼지-PID 제어기는 PID 제어기의 장점인 과도기의 우수성과 퍼지 제어기의 장점인 정상기의 우수성을 퍼지 변수로 결합시켜 설계한다. 이 제어기에 유전자 알고리즘을 적용하여 최적의 퍼지 및 PID 파라미터를 설정하다. 그리고 이 제어기를 3상 유도전동기의 속도 제어에 응용한다. 또한 속도오차에 대한 룩업 표를 만들어 온라인 실시간 제어를 가능하게 한다. 이상의 과정을 3상 유도전동기에서 컴퓨터 시뮬레이션 하였다. 시뮬레이션 결과를 비교해 볼 때, 하이브리드 퍼지-PID 제어기는 기존의 제어기 보다 전동기의 속도 및 토크성분 전류 둥의 특성에서 우수한 성능을 보였다.

• 전력전자학회논문지
• /
• 제12권1호
• /
• pp.98-106
• /
• 2007

본 논문에서는 개선된 온라인 턴 오프각 제어방식을 이용하여 스위치드 릴럭턴스 전동기의 성능최적화를 위한 온라인 전류제어방식을 제안한다. 성능최적화를 위한 제어방식은 에너지효율의 최대화와 토크리플 저감이라는 두가지 측면에서 접근하며, 두 가지 조건을 모두 만족할 수 있는 최적의 턴 오프 위치각은 제안된 알고리즘의 연산방식을 통해 획득된 턴 오프각 제어기를 통해 구현됨으로서 SRM의 성능최적화를 이룬다. 제안된 제어기는 토크와 전류 특성, 자속변동의 정보와 같은 복잡한 데이터베이스나 SRM이 가지는 고유의 자화곡선을 요구하지 않는다는 장점을 가지며 제안된 연산 제어기를 시뮬레이션과 실험을 통해 실제 적용가능성과 그 타당성을 입증한다.

• 한국정보통신학회논문지
• /
• 제9권3호
• /
• pp.676-683
• /
• 2005

본 논문에서는 퍼지논리 제어방식에서 전문가로부터 소속함수의 관계조정과 제어규칙 베이스 선정 등의 제어지식을 획득해야 하는 문제점을 해결하기 위하여 유전자 알고리즘으로 최적의 소속함수의 양자화와 제어규칙 베이스를 구성하여 우수한 제어성능을 갖는 방법을 제안하였다. 제안한 방식은 유전자 알고리즘을 이용하여 퍼지 소속함수의 변수 값들과 퍼지제어 규칙을 최적화한 값으로 구하고, 이렇게 구한 값들을 초기 값으로 하여 퍼지 제어기를 오프라인으로 구성하고 실제 하드웨어 상에서 온라인으로 적용하는 방식이다. 제안한 방식의 유용성을 확인하기 위해서 DC 서보 모터의 위치제어에 대하여 시뮬레이션 하였고, 단일링크 매니플레이터를 이용한 위치제어 실험을 통하여 제어성능이 우수함을 확인하였다.

• 전력전자학회논문지
• /
• 제5권2호
• /
• pp.131-139
• /
• 2000

일반적으로 시스템 인식과 제어에 이용하는 다층 신경회로망은 기존의 역전파 알고리즘을 이용한다. 그러나 결선강도에 대한 오차의 기울기를 구하는 방법이기 때문에 국부적 최소점에 빠지기 쉽고, 수렴속도가 매우 늦으며 초기 결선강도 값들이나 학습계수에 민감하게 반응한다. 이와 같은 단점을 개선하기 위하여 확장된 칼만 필터링 기법을 역전파 알고리즘에 결합하였으나 계산상의 복잡성 때문에 망의 크기가 증가하면 실제 적용할 수 없다. 최근 신경회로망을 선형과 비선형 구간으로 구분하고 칼만 필터링 기법을 도입하여 수렴속도를 빠르게 하고 초기 결선강도 값에 크게 영향을 받지 않도록 개선하였으나, 여전히 은닉층의 선형 오차값을 역전파 알고리즘에 의해서 계산하기 때문에 학습계수에 민감하다는 단점이 있다. 본 논문에서는 위에서 언급한 기존의 신경회로망 알고리즘의 문제점을 개선하기 위하여 은닉층의 목표값을 최적기법에 의하여 직접계산하고 각각의 결선강도 값은 반복최소 자승법으로 온라인 학습하는 알고리즘을 제안하고 이들 신경회로망 알고리즘과 비교하고자 한다. 여러 가지 시뮬레이션과 실험을 통하여 제안된 방법이 초기 결선강도에 크게 영향을 받지 않으며, 기존의 학습계수 선정에 따른 문제점을 해결함으로써 신경회로망 모델에 기초한 실시간 제어기 설계에 응용할 수 있도록 하였다. 또한, 유도전동기의 속도추정과 제어에 적용하여 좋은 결과를 보였다.

• 한국차세대컴퓨팅학회논문지
• /
• 제14권6호
• /
• pp.15-29
• /
• 2018

본 논문에서는 기존 파티클 스웜 최적화를 기반으로 추적 대상 객체의 이동 궤적을 이용하는 객체 추적기에서 시간 정보 활용의 문제점을 개선한 강인한 객체 추적 알고리즘을 제안한다. 제안하는 알고리즘은 추적 대상 객체와 유사한 특징을 가지는 변위들의 집합에 대한 위치들의 온라인 업데이트와 추적을 가능하게 한다. 객체들의 중첩을 검출하고 추적 대상의 위치를 결정하기 위해 궤적 정보와 변위들의 집합을 기반으로 적응적 파라미터를 사용하는 규칙기반 접근을 사용한다. 기존 알고리즘들과 비교해보면 제안하는 접근법은 가용한 정보를 복합적으로 사용함으로써 각종 임계값에 대한 적응적 조정을 가능하게 한다. 또한, 파티클 스웜 최적화에서 발산에 의한 손실과 불완전한 수렴의 문제를 해결하기 위해 효율적인 가중치 조절 함수를 제안하고 있다. 제안하는 가중치 조절 함수는 파티클들이 최적의 해에 수렴하기 이전에 전체 프레임 영역에서 탐색할 수 있도록 한다. 유사한 특징 조합을 가지는 다중 객체가 존재하는 환경에서 제안 알고리즘을 테스트한 결과, 기존 스웜 최적화 기반의 객체 추적기들에 비해 기존 유사 변위들에 대한 잘못된 추적을 현저히 줄이는 것을 확인할 수 있었다.

• 한국산학기술학회논문지
• /
• 제12권11호
• /
• pp.5135-5142
• /
• 2011

이 논문에서는 도심 지역의 교통 제어 시스템의 동적 응답 성능 향상을 위하여 적응형 Q-Learning 강화 학습 메커니즘을 설계 하였다. 도로, 자동차, 교통 제어 시스템을 지능 시스템으로 모델링 하고, 자동차와 도로 사이는 무선 통신을 이용한 네트워크가 구성된다. 도로와 대로변에 필요한 센터네트워크가 설치되고 Q-Learning 강화 학습은 제안한 메커니즘의 구현을 위해 핵심 알고리즘으로 채택하였다. 교통 신호 제어 규칙은 자동차와 도로에서 매 시간 업데이트된 정보에 따라서 결정되며, 이러한 방법은 기존의 교통 제어 시스템에 비하여 도로를 효율적으로 활용하며 결과적으로 교통 흐름을 개선 한다. 알고리즘을 활용한 최적의 신호 체계는 온라인상에서 자동으로 학습함으로서 구현된다. 시뮬레이션을 통하여 제안한 알고리즘이 기존 시스템에 비하여 효율성 개선과 차량의 대개 시간에 대한 성능 지수가 모두 30% 이상 향상되었다. 실험 결과를 통하여 제안한 시스템이 교통 흐름을 최적화함을 확인하였다.

• 한국정보과학회논문지:소프트웨어및응용
• /
• 제30권11호
• /
• pp.1054-1061
• /
• 2003

강화학습의 대표적인 알고리즘인 Q-Learning은 상태공간의 모든 상태-행동 쌍(state-action pairs)의 평가값이 수렴할 때까지 반복해서 경험하여 최적의 전략(policy)을 얻는다. 상태공간을 구성하는 요소(feature)들이 많거나 요소의 데이타 형태가 연속형(continuous)인 경우, 상태공간은 지수적으로 증가하게 되어, 모든 상태들을 반복해서 경험해야 하고 모든 상태-행동 쌍의 Q값을 저장하는 것은 시간과 메모리에 있어서 어려운 문제이다. 본 논문에서는 온라인으로 학습을 진행하면서 비슷한 상황의 상태들을 클러스터링(clustering)하고 새로운 경험에 적응해서 클러스터(cluster)의 수정(update)을 반복하여, 분류된 최적의 전략(policy)을 얻는 새로운 함수근사(function approximation)방법인 Q-Map을 소개한다. 클러스터링으로 인해 정교한 제어가 필요한 상태(state)는 규칙(rule)으로 추출하여 보완하였다. 미로환경과 마운틴 카 문제를 제안한 Q-Map으로 실험한 결과 분류된 지식을 얻을 수 있었으며 가시화된(explicit) 지식의 형태인 규칙(rule)으로도 쉽게 변환할 수 있었다.