GA-Hard 문제를 풀기 위한 공진화 모델

Abstract

일반적으로 유전자 알고리즘은 최적 시스템을 디자인하는데 주로 이용된다. 하지만 알고리즘의 성능은 적합도 함수나 시스템 환경에 의해 결정된다. 두 개의 개체군이 꾸준히 상호작용하고 공진화 하는 공진화 알고리즘은 이러한 문제를 극복할 수 있을 것으로 기대된다. 본 논문에서는 GA가 풀기 어려운 GA-hard problem을 풀기 위하여 저자가 제안한 3가지 공진화 모델을 설명한다. 첫 번째 모델은 찾고자하는 해와 환경을 각각 경쟁하는 개체군으로 구성해 진화하는 방법으로 사용자의 환경설정에 의해 지역적 해를 찾는 것을 방지하는 경쟁적 공진화 알고리즘이다. 두 번째 모델은 호스트 개체군과 기생(스키마) 개체군으로 구성된 스키마 공진화 알고리즘이다. 이 알고리즘에서 스키마 개체군은 호스트 개체군에 좋은 스키마를 공급한다. 세 번째 알고리즘은 두 개체군이 서로 게임을 통해 진화하도록 하는 게임이론에 기반한 공진화 알고리즘이다. 각 알고리즘은 비주얼 서보잉, 로봇 주행, 다목적 최적화 문제에 적용하여 그 유효성을 입증한다. Usually genetic algorithms are used to design optimal system. However the performance of the algorithm is determined by the fitness function and the system environment. It is expected that a co-evolutionary algorithm, two populations are constantly interact and co-evolve, is one of the solution to overcome these problems. In this paper we propose three types of co-evolutionary algorithm to solve GA-Hard problem. The first model is a competitive co-evolutionary algorithm that solution and environment are competitively co-evolve. This model can prevent the solution from falling in local optima because the environment are also evolve according to the evolution of the solution. The second algorithm is schema co-evolutionary algorithm that has host population and parasite (schema) population. Schema population supply good schema to host population in this algorithm. The third is game model-based co-evolutionary algorithm that two populations are co-evolve through game. Each algorithm is applied to visual servoing, robot navigation, and multi-objective optimization problem to verify the effectiveness of the proposed algorithms.