• Journal of the Korean Institute of Intelligent Systems
• /
• v.11 no.5
• /
• pp.426-432
• /
• 2001

This paper is implementation of cellular automata neural network system using evolving hardware concept. This system is a living creatures'brain based on artificial life techniques. Cellular automata neural network system is based on the development and the evolution, in other words, it is modeled on the ontogeny and phylogney of natural living things. The phylogenetic mechanism are fundamentally non-deterministic, with the mutation and recombination rate providing a major source of diversity. Ontogeny is deterministic and local physics. Cellular automata is developed from initial cells, and evaluated in given environment. And genetic algorithms take a part in adaptation process. In this paper we implement this system using evolving hardware concept. Evolving hardware is reconfigurable hardware whose configuration si under the control of an evolutionary algorithm. We design genetic algorithm process for evolutionary algorithm and cells in cellular automata neural network for the construction of reconfigurable system. The effectiveness of the proposed system if verified by applying it to Exclusive-OR.

• Proceedings of the KIEE Conference
• /
• 2005.07a
• /
• pp.158-161
• /
• 2005

본 논문에서는 해집단을 다음세대로 진화시킬 때, 유전알고리즘과 진화전략을 동시에 사용하고, 적합도에 따라 복제하는 과정에서 유전알고리즘과 진화전략이 적용될 해집단의 비율이 적응적으로 변경되는 적응진화 알고리즘을 제안하였다. 또한 제안한 알고리즘을 실시간 적용하기 위해 PC 클러스터 시스템으로 병렬처리하여 최적해 탐색 성능 및 탐색속도를 개선하였다. 제안한 알고리즘을 실 배전계통 고장복구 문제에 적용해 본 결과, 유전 알고리즘 또는 진화전략을 단독으로 사용한 경우보다 제안한 방법이 더 빠른 시간내에 우수한 최적해를 탐색하였고, 병렬 연산의 수행 노드수 증가에 따라 최적해 탐색성능은 유지하면서 최적해 탐색시간을 상당히 단축시킴을 확인하였다.

• Proceedings of the KIEE Conference
• /
• 2005.07a
• /
• pp.162-165
• /
• 2005

본 논문에서는 해집단을 다음세대로 진화시킬 때, 유전알고리즘과 진화전략을 동시에 사용하고, 적합도에 따라 복제하는 과정에서 유전알고리즘과 진화전략이 적용될 해집단의 비율이 적응적으로 변경되는 적응진화 알고리즘을 제안하였다. 또한 제안한 알고리즘을 실시간 적용하기 위해 PC 클러스터 시스템으로 병렬처리하여 최적해 탐색 성능 및 탐색속도를 개선하였다. 제안한 알고리즘을 참고문헌의 배전계통 재구성 문제에 적용해본 결과, 유전 알고리즘 또는 진화전략을 단독으로 사용한 경우보다 제안한 방법이 더 빠른 시간내에 우수한 최적해를 탐색하였고, 병렬 연산의 수행 노드수 증가에 따라 최적해 탐색성능은 유지하면서 최적해 탐색 시간을 상당히 단축시킴을 확인하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2001.10a
• /
• pp.571-574
• /
• 2001

진화알고리즘이 주어진 문제에 대하여 만족스런 해를 도출할 수 있음이 많은 연구결과를 통하여 알려졌지만, 그러한 해가 진화과정에서 형성되는 과정에 대한 분석은 미비한 실정이다. 진화현상에는 적응적 진화 외에도 다양한 현상들이 동시에 존재하기 때문에, 비록 진화알고리즘을 적용하여 해를 도출하였다 하더라도 그것이 적응적 진화의 결과임을 판정하기는 어렵다. 이 논문에서는 적응적 진화의 정량화를 통하여 최종해가 다른 유전적 현상에 의하여 도출되어진 것이 아니라 주어진 문제에 잘 적응한 적응성에서 비롯된 결과임을 보인다. 이를 위하여 하드웨어 에이전트의 제어기를 유전자 알고리즘을 이용하여 진화적으로 구축하고, 적응성 측정을 통하여 최종해의 형성과정을 분석한다. 실험결과 최종해는 적응적 진화의 결과임을 알 수 있었다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• v.2
• /
• pp.121-124
• /
• 2006

본 논문에서는 고정비용수송문제와 같은 다양한 네트워크 최적화 문제들에 적용될 수 있는 새로운 진화 알고리즘을 소개한다. 제안하는 알고리즘은 기존의 진화 알고리즘과 비교에서 두가지 다른 특징을 지닌다. 첫째, 해 표현법이 다르다. 초기에, 모든 유전인자 값이 '0'으로 설정된다. 둘째, 각 해들은 일치하는 적합도 값에 따라 일종의 라마크식(Lamarckian) 적응 과정을 수행한다. 제안하는 적응적 진화 알고리즘의 성능을 측정하기 위해 고정비용수송문제에 적용하였으며 또한 동시에 제안하는 알고리즘을 최적화하기 위해 다양한 실험을 수행하였다. 결론적으로, 제안하는 알고리즘은 기존에 고정비용수송문제를 위해 제안된 가장 우수한 알고리즘보다 더 우수한 성능을 보여주었다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2002.12a
• /
• pp.207-210
• /
• 2002

진화와 학습 사이의 상호 연관성을 연구하기 위해 인공 진화기법(artificial evolutionary algorithm)과 신경회로망(neural networks)을 이용한 학습 기법들이 사용되어 왔다. 신경 회로망 구조를 가지는 이동 로봇의 제어기의 구조와 파라미터를 결정하기 위한 방법으로 진화적 학습(evolutionary learning) 방법이 제안되었다. 제안된 방법에서 진화적 학습은 실제 로봇을 통해 on-line 방식으로 이루어지며, 장애물 회피 문제를 통해 유용성을 검증하고 진화 과정에 학습이 미치는 영향을 살펴보았다. 그리고 수학적으로 제시되기 힘든 진화 학습의 평가에 설계자의 개입을 허용하는 인터액티브 진화 알고리즘(interactive evolutionary algorithm)방법을 모색해 보았다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2000.04b
• /
• pp.307-309
• /
• 2000

진화 알고리즘은 현재까지 다양한 최적화 문제들에 사용되어 왔고, 또한 이러한 최적화 문제들은 효율적으로 해결하기 위하여 많은 진화 알고리즘이 개발되어 왔다. 그러나 이러한 진화 알고리즘들의 공통적인 문제점은 탐색공간의 확대에 대하여 전반적으로 탐색시간이 오래 걸린다는 것이다. 실제로 최적화 해야 할 변수의 증가에 따라 탐색 차원이 증가하므로 탐색 시간도 기하급수적으로 늘어난다. 따라서 최근의 진화 알고리즘에 대한 연구는 탐색공간의 축소나, 진화 속도의 향상에 초점이 맞추어져 있었고, 이러한 경향에 따라 많은 연구성과가 있었다. Potter와 Dejong의 협력 공진화와, Weicker의 적응적 공진화가 바로 그것이다. 그러나 이 방법들도 최적화 해야 할 변수들이 서로 강한 의존성을 가지고 있는 경우나, 대부분의 변수가 서로 의존성을 가지고 있는 경우에는 그다지 좋은 결과를 보이지 못하는 문제점을 가지고 있다. 본 논문에서는 이러한 연구들을 기반으로 하여 각 방법의 단점들을 보완함으로써 효율을 향상시킨 새로운 진화 알고리즘을 제안한다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 1997.11a
• /
• pp.263-266
• /
• 1997

로봇 축구 경기를 위해서는 경기장의 임의의 시작점에서 목표점으로 장애물을 피해 갈 수 있는 능력이 필요하다. 이러한 경로 계획을 학습하기 위해서 다양한 상황을 모두 고려할 경우 학습량이 급격히 증가한다. 그러나 많은 실제적인 학습 문제에 있어서는 가능한 모든 학습 데이터를 사용하지 않고도 원하는 학습 효과를 가져올 수 있음이 알려져 있으며, 이러한 경우 데이터를 스스로 선별하여 학습하는 능동적 학습 방법이 효과적이다. 본 논문에서는 진화 알고리즘을 사용하여 실시간에 경로 계획을 하기 위한 새로운 능동적 학습 방법을 제시한다. 제안되는 방법은 두 개의 진화 알고리즘으로 구성되는데 하나는 주어진 시작점-목표점간의 최적 경로를 찾는데 사용되고 또 다른 하나의 진화 알고리즘은 유용한 시작점-목표점들의 쌍을 탐색하는데 사용된다. 이 방법은 계산 시간의 여유가 있을 때 다양한 문제를 스스로 제시하고 해결하는 법을 학습해 놓고 후에 실제 문제가 주어질 때 기존의 문제와 가장 유사한 문제를 찾아 실시간에 해결함으로써 기존의 진화 알고리즘에 의한 경로 계획법들이 갖는 실시간성에서의 단점을 개선할 수 있다. 실험을 통하\ulcorner 제안된 두 가지 진화 알고리즘의 성능을 실험적으로 검토한다.

• The KIPS Transactions:PartB
• /
• v.11B no.2
• /
• pp.213-220
• /
• 2004

Evolutionary algorithms are well-suited for multi-objective optimization problems involving several. often conflicting objective. Pareto-based evolutionary algorithms, in particular, have shown better performance than other multi-objective evolutionary algorithms in comparison. Recently, pareto-based evolutionary algorithms uses a density information in fitness assignment scheme for generating uniform distributed global pareto optimal front. However, the usage of density information is not Important elements in a whole evolution path but plays an auxiliary role in order to make uniform distribution. In this paper, we propose an evolutionary algorithms for multi-objective optimization which assigns the fitness using pareto dominance rank and density weighting, and thus pareto dominance rank and density have similar influence on the whole evolution path. Furthermore, the experimental results, which applied our method to the six multi-objective optimization problems, show that the proposed algorithms show more promising results.

• The Journal of the Korea Contents Association
• /
• v.20 no.11
• /
• pp.636-643
• /
• 2020

The differential evolution algorithm is one of the meta-heuristic techniques developed to solve the real optimization problem, which is a continuous problem space. In this study, in order to use the differential evolution algorithm to solve the traveling salesman problem, which is a discontinuous problem space, a random key representation method is applied to the differential evolution algorithm. The differential evolution algorithm searches for a real space and uses the order of the indexes of the solutions sorted in ascending order as the order of city visits to find the fitness. As a result of experimentation by applying it to the benchmark traveling salesman problems which are provided in TSPLIB, it was confirmed that the proposed differential evolution algorithm based on the random key representation method has the potential to solve the traveling salesman problems.