• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 2004.05a
• /
• pp.111-114
• /
• 2004

기존의 도함수에 기초한 수치적 최적화 기법들(derivative-based optimization)은 비선형 최적화 문제를 풀기 위해 목적식의 1차 도함수의 정보를 이용하여 정류점(stable point)인 최적해를 찾아 나가는 방식을 취하고 있다. 그러나 이런 방법들은 목적식의 국부 최적해(local minimum)을 찾는 것은 보장하나, 전역 최적해(global minimum)를 찾는 데에는 실패할 경우가 많다. 국부 최적해와 전역 최적해는 모두 목적식의 1차 도함수가 '0'인 값을 가지는 특징이 있으므로, 국부 또는 전역 최적해를 구하는 구하는 과정은 목적식의 1차 도함수가 '0'인 해를 찾는 방정식 문제로 변환될 수 있다. 따라서 본 논문에서는 비선형 방정식의 해를 찾는데 좋은 성능을 보이는 Homotopy 방법을 이용하여 목적식의 1차 도함수에 관한 비선형 방정식을 풀고, 이를 통해 비선형 최적화 문제의 모든 국부 최적해를 찾아냄으로써 전역 최적화 문제를 해결하는 방법을 제안하고자 한다. 제안된 방법론을 다양한 전역 최적화 문제에 적용한 결과, 기존의 방법들에 비해 더 좋은 성능을 보임을 알 수 있었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2003.11b
• /
• pp.789-792
• /
• 2003

타부 탐색은 타부 전략 기법과 최급 강하 알고리즘이 결합된 알고리즘이다. 이는 한번 방문한 해는 다시 방문하지 않음으로써 지역 최적해에 수렴하지 않고 새로운 방향으로 움직이게 하여 공간 탐색 능력 효율을 높인다. 그러나 기존의 타부 탐색에서 이웃 해를 생성하는 방법에 따라 성능이 많이 좌우된다. 좋지 않은 이웃 해를 생성하는 탐색에서는 얻고자 하는 최적해에 수렴하는 시간이 많이 걸린다. 따라서 이웃 해를 생성할 때 해밍 거리를 고려하여 균형 있는 이웃 해론 생성하고, 해 공간은 탐색함으로써 우수한 최적해를 얻게 됨을 본 논문에서는 보여주고 있다. 이는 다양성도 보장되므로 최적해에 수렴해 가는 속도 또한 빠른 것을 보여주고 있다.

• Journal of Advanced Navigation Technology
• /
• v.12 no.5
• /
• pp.412-419
• /
• 2008

Genetic algorithms are efficient techniques for searching optimum solution but have the premature convergence problem getting stuck in the local optimum according to the evolutionary operator. In this paper we analyzed the reason for converging to the local optimum and proposed the method which able transit to the global optimum from the local optimum. In these methods we used the variable evolutionary operator with the average hamming distance, to maintain the genetic diversity of the population for getting out of the local optimum. The theoretical results are proved by the simulation experiments.

• Journal of Institute of Control, Robotics and Systems
• /
• v.4 no.6
• /
• pp.703-706
• /
• 1998

본 논문에서는 확률 최적 제어문제에서 발생되는 Elliptic type H-J-B(Hamilton-Jacobi-Bellman) 방정식에 대한 수치해를 구하였다. 수치해를 구하기 위하여 Contraction 사상 및 유한차분법을 이용하였으며, 시스템은 It/sub ∧/ 형태의 Stochastic 방정식으로 취하였다. 수치해는 수학적인 테스트 케이스를 설정하여 검증하였으며, 최적제어 Map을 방정식의 해를 구하면서 동시에 구하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2002.05a
• /
• pp.159-165
• /
• 2002

진화연산에는 교배, 돌연변이, 경쟁, 선택이 있다. 이러한 과정 중에서 선택은 새로운 개체를 생산하지는 않지만, 모든 해중에서 최적의 해가 될만한 해는 선택하고, 그러지 않은 해는 버리는 판단의 역할을 한다. 따라서 아무리 좋은 해를 만들었다고 해도, 취사 선택을 잘못하면, 최적의 해를 찾지 못하거나, 또 많은 시간이 소요되게 된다. 따라서 본 논문에서는 stochastic한 성질을 갖고 있는 Tournament selection에 Local selection개념을 도입하여, 지역 해에서 벗어나 전역 해를 찾는데, 개선이 될 수 있도록 하였고 Fast Evolutionary Programming의 mutation과정을 개선하고, Genetic Algorithm의 연산자인 crossover와 mutation을 도입하여 Parallel search로 지역 해에서 벗어나 전역 해를 찾는 하이브리드 알고리즘을 제안하고자 한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2016.05a
• /
• pp.521-521
• /
• 2016

상수도 관망은 수원에서 수요절점까지 물을 안정적으로 공급하는 것을 목표로 한다. 상수도 관망의 최적설계는 수리학적 제한조건 (절점의 수압, 관로의 유속)을 만족하는 범위에서 비용을 최소화하는 설계안을 얻는 것으로 Savic and Walters (1997)는 유전 알고리즘 (Genetic Algorithms, Holland 1975)을 적용한 상수도 관망 설계 프로그램인 GANET를 제안하였고, Maier et al. (1996)은 개미군집알고리즘 (Ant Colony Optimization Algorithm, Dorigo et al. 1996)을 상수도 관망 최적설계에 적용한 후 그 결과가 유전 알고리즘에 비해 우수함을 증명하는 등 상수도 관망 최적설계에 관한 연구가 활발히 진행되어 오고 있다. 유전알고리즘은 선택, 교차, 돌연변이의 반복계산 과정을 통하여 최적해를 찾는 최적화 기법이다. 이 과정에서 결정변수는 유전자 (Gene)의 집합으로 표현되며, 염색체 (Chromosome) 내에서 근접한 유전 인자들은 일종의 Building Block을 형성하게 된다. Building Block은 좋은 해를 갖는 유전 인자를 높은 확률로 보관하여 지역해에 빠질 가능성을 줄이는 반면, 유전형 (Genotype)이 표현형 (Phenotype)을 충분히 모방하여 표현하지 못한 경우 오히려 최적해의 탐색을 방해할 수 있다는 한계점을 갖는다. 유전 알고리즘을 상수도 관망 최적설계에 적용하였을 때에도 이 한계점은 여실히 드러난다. 관로의 관경을 결정변수로 설정한 후 유전형으로 표현하였을 때, 관망도 상에서 근접하지 않은 두 관로가 염색체 내에서 연속으로 나열된다면 두 관로 간의 연관성이 실제보다 크게 고려되기 때문이다. 한편, 하모니써치 (Harmony Search, Geem et al. 2001) 알고리즘은 즉흥 연주 (Improvisation)를 통해 최상의 화음을 만들어내는 현상으로부터 착안하여 만들어진 최적화기법으로 연산 기법은 무작위선택, 기억회상, 피치조정 등으로 구성되어 있으며, 결정변수에 해당하는 연주자가 독립적으로 행동하며 해를 탐색한다는 점에서 유전알고리즘과 큰 차이를 갖는다. 본 연구에서는 유전알고리즘의 Building Block에 의해 발생하는 오류를 개선하고자, 상수도 관망 최적설계 연구에 많이 사용되는 Hanoi 관망 (Fujiwara and Khang 1990) 관로의 정렬 순서를 여러 가지 기준으로 설정하여 관망데이터를 구축한 후 하모니써치와 유전 알고리즘을 적용하여 최적화를 수행하였고 그 결과를 비교하였다. 그 결과 유전 알고리즘과 달리 하모니써치 알고리즘의 경우, 관로의 나열 순서와 상관없이 우수한 최적해 탐색 결과를 보이는 것을 확인할 수 있었다.

• Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology
• /
• v.8 no.4
• /
• pp.251-258
• /
• 2018

In mathematics and computer science, an optimization problem is the problem of finding the best solution from feasible ones. In the context of genetic algorithm, the difficulty of an optimization problem can be explained in terms of problem epistasis. In biology, epistasis means that the phenotype of a gene is suppressed by one or more genes, but in an evolutionary algorithm it means the interaction between genes. In this paper, we experimentally show that problem epistasis and the performance of genetic algorithm are closely related. We compared problem epistasis (One-Max, Royal Road, and NK-Landscape) using a framework that quantifies problem epistasis based on Shannon's information theory, and could show that problem becomes more difficult as problem epistasis grows. In the case that a genetic algorithm finds the optimal solution, performance is compared through the number of generations, otherwise through the ratio of the fitness of the optimal solution to that of the best solution.

• The Journal of the Institute of Internet, Broadcasting and Communication
• /
• v.13 no.2
• /
• pp.93-102
• /
• 2013

This paper proposes an algorithm designed to obtain the optimal solution for transportation problem. The transportation problem could be classified into balanced transportation where supply meets demand, and unbalanced transportation where supply and demand do not converge. The archetypal TSM (Transportation Simplex Method) for this optimal solution firstly converts the unbalanced problem into the balanced problem by adding dummy columns or rows. Then it obtains an initial solution through employment of various methods, including NCM, LCM, VAM, etc. Lastly, it verifies whether or not the initial solution is optimal by employing MODI. The abovementioned algorithm therefore carries out a handful of complicated steps to acquire the optimal solution. The proposed algorithm, on the other hand, skips the conversion stage for unbalanced transportation problem. It does not verify initial solution, either. The suggested algorithm firstly allocates resources so that supply meets demand, in the descending order of its loss cost. Secondly, it optimizes any surplus quantity (the amount by which the initially allocated quantity exceeds demand) in such a way that the loss cost could be minimized Once the above reallocation is terminated, an additional arrangement is carried out by transferring the allocated quantity in columns with the maximum cost to the rows with the minimum transportation cost. Upon application to 2 unbalanced transportation data and 13 balanced transportation data, the proposed algorithm has successfully obtained the optimal solution. Additionally, it generated the optimal solution for 4 data, whose solution the existing methods have failed to obtain. Consequently, the suggested algorithm could be universally applied to the transportation problem.

• Transactions of the Korean Society of Mechanical Engineers
• /
• v.2 no.1
• /
• pp.1-9
• /
• 1978

냉각용 Fin의 설계문제를 일반적인 최적설계문제로 바꾸어서 일반화된 Steepest Descent 방법에 의한 수치적 방법을 도입하여 해결하였다. 보다 실제적인 문제를 다룰 수 있도록 여러가지 제한조건을 고려한 Fin의 최적곡선 모양의 해를 얻었으며 이 방법의 유용성을 보였다. 사다리꼴의 Fin 설계예에서 위 방법을 이용한 해와 직접 계산에 의한 열전달량의 등고선 그림으로부터 구한 해와 일치함을 보였다.

• Journal of the Korea Society of Computer and Information
• /
• v.17 no.9
• /
• pp.139-147
• /
• 2012

This paper suggests simple search algorithm for optimal solution in assignment problem. Generally, the optimal solution of assignment problem can be obtained by Hungarian algorithm. The proposed algorithm reduces the 4 steps of Hungarian algorithm to 1 step, and only selects the minimum cost of row and column then gets the optimal solution simply. For the 27 balanced and 7 unbalanced assignment problems, this algorithm finds the optimal solution but the genetic algorithm fails to find this values. This algorithm improves the time complexity O($n^3$) of Hungarian algorithm to O(n). Therefore, the proposed algorithm can be general algorithm for assignment problem replace Hungarian algorithm.