• Title/Summary/Keyword: 진화프로그래밍

Search Result 87, Processing Time 0.028 seconds

Steady State Genetic Programming and Distance based Genetic Operator (점진형 유전프로그래밍과 거리기반형 진화연산자)

  • Bang, Cheol-Hyeok;Seo, Gi-Seong
    • Proceedings of the Korean Institute of Intelligent Systems Conference
    • /
    • 2007.11a
    • /
    • pp.324-327
    • /
    • 2007
  • 유전프로그래밍(GP)은 GA, ES, 그리고 EA등에 비해 구조의 복잡함으로 인해 상대적으로 진화방식 및 진화연산자에 대한 연구가 미진한 실정이다. 본 논문에서는 유전프로그래밍에 대한 점진형 진화 방식과 트리 깊이 및 부모간의 거리를 기반으로 한 새로운 진화연산자를 제안한다. 이항식 벤치마크 문제에 대하여 실험을 수행하였고, 세대형 진화 방식 및 기존 연산자와의 성능을 비교하였다.

  • PDF

Implementation of Genetic Programming on Evolvable Hardware for On-line Adaptive Learning (온라인 적응 학습을 위한 유전자 프로그래밍의 진화 하드웨어 구현)

  • 석호식;이광주;장병탁
    • Proceedings of the Korean Information Science Society Conference
    • /
    • 2000.04b
    • /
    • pp.214-216
    • /
    • 2000
  • 본 논문에서는 유전자 프로그래밍을 이용하여 온라인 적응 학습이 가능 진화 하드웨어의 진화 전략을 구성하였다. 유전자 프로그래밍은 특유의 트리형 개체구조가 여러 개의 프로세스의 합을 통한 복합 임무의 수행 구조로 해석될 수 있다는 이점에 비하여, 하드웨어 구현이 어렵고 crossover 연산자의 사용이 어렵다는 단점등에 의하여 진화 하드웨어의 동적 재구성 알고리즘으로 널리 사용되지 못하였다. 본 논문에서는 유전자 프로그래밍의 이러한 단점을 극복할 수 있는 개체 표현 및 하드웨어 구현 방법을 제안하였으며, 제안된 방법론에 기존의 연구 결과를 결합하여 유전자 프로그래밍의 수행 효율을 높일 수 있는 진화 전략을 구성하였다. 제안된 진화 전략은 자율 이동 로봇 실험에 적용되어 효율성을 확인하였다.

  • PDF

A New Evolutionary Programming Algorithm using the Learning Rule of a Neural Network for Mutation of Individuals (신경회로망의 학습 알고리듬을 이용하여 돌연변이를 수행하는 새로운 진화 프로그래밍 알고리듬)

  • 임종화;최두현;황찬식
    • Journal of the Korean Institute of Telematics and Electronics C
    • /
    • v.36C no.3
    • /
    • pp.58-64
    • /
    • 1999
  • Evolutionary programming is mainly characterized by two factors; one is the selection strategy and the other the mutation rule. In this paper, a new mutation rule that is the same form of well-known backpropagation learning rule of neural networks has been presented. The proposed mutation rule adapts the best individual's value as the target value at the generation. The temporal error improves the exploration through guiding the direction of evolution and the momentum speeds up convergence. The efficiency and robustness of the proposed algorithm have been verified through benchmark test functions.

  • PDF

Learning of RNA Structural Grammar using Genetic Programming (유전자 프로그래밍을 이용한 RNA 구조 문법 학습)

  • 남진우;정제균;장병탁
    • Proceedings of the Korean Information Science Society Conference
    • /
    • 2003.04c
    • /
    • pp.425-427
    • /
    • 2003
  • RNA는 세포내에서 유전자 발현에 직, 간접적으로 중요한 역할을 하며, RNA 구조는 세포 내에서의 기능과 깊은 연관이 있기 때문에 RNA 구조를 예측하는 것은 중요한 의미를 갖는다, 본 논문에서는 진화연산의 한가지인 유전자 프로그래밍(genetic programming) 방법을 사용하여 염기서열 정보를 참고하는 RNA 구조 문법의 학습 방법을 보여 준다. 이 RNA 구조를 의미하는 문법을 트리(tree)형태의 함수로 코드화(encoding) 한 후 이것을 유전자 프로그래밍 방법으로 진화시킨다. 진화를 통해 최적의 적합도를 갖는 트리의 문법을 테스트 데이터를 통해 평가한 결과 0.893의 특이도(speicificity)와 0.752의 민감도(sensitivity)를 보였다.

  • PDF

Multicriteria Fuzzy Control using Evolutionary Programming (진화 프로그래밍을 이용한 다기준 퍼지 제어)

  • 김광춘;김종환
    • Journal of the Korean Institute of Intelligent Systems
    • /
    • v.4 no.3
    • /
    • pp.3-13
    • /
    • 1994
  • 본 논문에서는 진화 프로그래밍을 이용한 다기준 퍼지제어(MFC : Multicriteria Fuzzy Control)를 제안한다. MFC의 기본적인 아이디어는 출력응답의 속성을 분석하여 기존의 퍼지 제어에 퍼지 척도와 퍼지 적분 이론을 적용한 것이다. 퍼지 적분 평가를 위해서 rise time, overshoot, settling time의 세가지 속성이 사용된다. MFC를 통해서 이 세가지 속성을 조정할 수 있다. 진화 프로그래밍은 원하는 조정 특성을 갖도록 MFC의 퍼지 척도를 최적화한다. 모의 실험을 통해서 제안된 방법이 기존의 퍼지 제어보다 우수함을 보인다.

  • PDF

Performance Improvement of Genetic Programming Based on Reinforcement Learning (강화학습에 의한 유전자 프로그래밍의 성능 개선)

  • 전효병;이동욱;심귀보
    • Journal of the Korean Institute of Intelligent Systems
    • /
    • v.8 no.3
    • /
    • pp.1-8
    • /
    • 1998
  • This paper proposes a reinforcement genetic programming based on the reinforcement learning method for the performance improvement of genetic programming. Genetic programming which has tree structure program has much flexibility of problem expression because it has no limitation in the size of chromosome compared to the other evolutionary algorithms. But worse results on the point of convergence associated with mutation and crossover operations are often due to this characteristic. Therefore the sizes of population and maximum generation are typically larger than those of the other evolutionary algorithms. This paper proposes a new method that executes crossover and mutation operations based on reinforcement and inhibition mechanism of reinforcement learning. The validity of the proposed method is evaluated by appling it to the artificial ant problem.

  • PDF

Finding Stability Indices Using Evolutionary Programming (진화 프로그래밍을 이용한 안정지수 결정)

  • 신진욱;김인택;강환일
    • Proceedings of the Korean Institute of Intelligent Systems Conference
    • /
    • 2000.05a
    • /
    • pp.39-42
    • /
    • 2000
  • Both evolutionary programming (EP) and genetic algorithm (GA) are classified as evolutionary computation. They have been successful in finding a solution in a wide search space. In this paper, our objectives are to find the coefficients of characteristic equation, in terms of the stability indices using EP and GA, and to make a comparison of both methods.

  • PDF

On-line Learning by Genetic Programming (진화 하드웨어상에서 유전자 프로그래밍에 의한 온라인 학습)

  • Seok, Ho-Sik;Lee, Kwang-Ju;Yi, Kang;Zhang, Byoung-Tak
    • Proceedings of the Korean Information Science Society Conference
    • /
    • 1999.10b
    • /
    • pp.3-5
    • /
    • 1999
  • 본 논문에서는 진화 하드웨어에 기반한 자율 이동 로봇의 온라인 학습 기법에 관하여 소개하고자 한다. 진화 하드웨어는 실행 시간중에 하드웨어 회로 구성을 변경시킬 수 있는 새로운 개념의 FPGA이다. 제어 프로그램은 진화 하드웨어상에 트리 형식으로 구현되며 유전자 프로그래밍을 이용하여 학습하게 된다. 로봇의 환경 탐사가 진행됨에 따라 입력되는 센서 정보에 기반하여 제어 프로그램은 학습을 수행하게 되며, 노드 돌연변이의 유전 연산자를 이용하여 진화한다. 제어 프로그램의 게이트 회로는 학습의 진행에 맞추어 실행 시간중에 보다 적합도가 높은 방향으로 발전한다. 본 논문에서는 진화 하드에어를 이용한 학습 방식과 FPGA 구현 및 로봇 제어에의 응용에 대한 실험 결과 등을 설명할 것이다.

  • PDF

진화로봇(Evolutionary Robotics)

  • Seo, Gi-Seong
    • ICROS
    • /
    • v.16 no.1
    • /
    • pp.44-50
    • /
    • 2010
  • 본 논문에서는 진화로봇의 개념과 기법 및 최근 연구 동향을 소개하고자 한다. 진화로봇의 주요 목표는 지능적이고 자율적인 로봇 또는 제어기를 직접적이고 명시적인 프로그래밍 또는 사람의 개입 없이 자동적으로 구성하는 것이다.

인공 진화에 의한 학습 및 최적화

  • 장병탁
    • ICROS
    • /
    • v.1 no.3
    • /
    • pp.52-61
    • /
    • 1995
  • 본 고에서는 진화계산의 동작 원리와 이론적 기반에 대해 살펴봄으로써 그 원리를 이해하고 앞으로의 응용가능성에 대하여 고찰하고자 한다. 이를 위해 먼저 대부분의 진화 알고리즘에 공통되는 기본 구성 요소와 계산절차를 기술하고, 진화 알고리즘을 이용하여 특정문제를 풀고자 할 때 고려할 사항에 대하여 기술한다. 다음에는 간단한 응용 문제를 예로 들어 이 문제에 진화 알고리즘을 적용하고 그 동작과정을 추적함으로써 실제 적용에 있어서의 여러 가지 결정사항과 그 수행과정을 구체적으로 살펴본다. 또한 진화 알고리즘의 이론적 배경을 이해하기 위해 스키마와 빌딩 블록 그리고 스키마 정리에 대해서 알아본다. 마지막으로 진화계산방식과 다른 지능적 계산 기술들과의 융합 가능성의 예로서, 유전 프로그래밍에 의한 신경망 구조의 설계 및 학습에 대하여 살펴본다.

  • PDF