• 한국경영과학회지
• /
• 제29권4호
• /
• pp.117-134
• /
• 2004

This study suggests a data driven optimization approach, which simulates the models of human learning processes from cognitive sciences. It shows how the human learning processes can be simulated and applied to solving combinatorial optimization problems. The main advantage of using this method is in applying it into problems, which are very difficult to simulate. 'Undecidable' problems are considered as best possible application areas for this suggested approach. The concept of an 'undecidable' problem is redefined. The learning models in human learning and decision-making related to combinatorial optimization in cognitive and neural sciences are designed, simulated, and implemented to solve an optimization problem. We call this approach 'SLO : simulated learning for optimization.' Two different versions of SLO have been designed: SLO with position & link matrix, and SLO with decomposition algorithm. The methods are tested for traveling salespersons problems to show how these approaches derive new solution empirically. The tests show that simulated learning for optimization produces new solutions with better performance empirically. Its performance, compared to other hill-climbing type methods, is relatively good.

• 논리연구
• /
• 제18권3호
• /
• pp.307-335
• /
• 2015

논증의 타당성에 대한 덤밋과 프라위츠의 증명론적 정의의 핵심사항 중의 하나는 열린 논증은 그 전제들에 대한 타당한 논증들을 그 결론에 대한 타당한 논증으로 전환하는 효과적인 방법이 있을 경우 타당하다는 조건이다. 그러나 그들의 정의에서 이 조건은 적절한 의미에서 결정 불가능한 전제들을 지니는 열린 논증들은 모두 사소하게 타당하게 된다는 부적절한 귀결을 지닌다. 필자는 프라위츠의 정의를 중심으로 증명론적 타당성 개념을 설명한 후, 이에 대한 사소성 문제를 제기하고 검토할 것이며, 이에 의거하여 프라위츠의 정의에 대한 수정안을 제시할 것이다.