Genetic Algorithm 20015159 Overview n Motivation n n

Overview n Motivation n n 유전자 알고리즘의 개요 n n 예제 : Minimum of

Where are we at? n Search n n n Uninformed Search n Breadth-First, Unform-Cost,

History of Genetic Algorithm (2/3) n Developed by John Holland in the early 70’s

History of Genetic Algorithm (3/3) n 1985년 제 1회 International Conference on Genetic Algorithms

유전자 알고리즘 (GA: Genetic Algorithm) n 진화의 원리를 문제 풀이 또는 모의 실험에 이용하는

Genetic Algorithm n GA가 필요 없는 문제 n n n 잘 정의된 Algorithm이 존재하는

유전자 알고리즘의 구조 selection Search space A 0 1 0 0 0 B 1

유전자 알고리즘 function GENETIC-ALGORITHM(population, FITNESS-FN) returns an individual input: population, a set of individuals

예1 : Minimum of Function n Minimum of Function : 함수의 최소값을 찾는 문제

예1 : Minimum of Function n n Initial state State after evolutions 2001 -04

개체 표현 방법 3. 순열 표현 (Permutation Encoding) n 1234, 1243, 1324, 1342, 1423,

개체 표현 방법 정리 n 여러가지 표현형태들 n Binary Encoding e. g. ) 1

적합도 함수 (Fitness Function) n 염색체의 해(solution)로서의 적합도를 평가 e. g. ) 2001 -04

유전 연산자 교배 연산자 (1/4) n 두 부모의 염색체를 부분적으로 바꾸어 자식의 염색체를 생성

유전 연산자 교배 연산자 (3/4) n 균등 교차의 예 S 1 : a b

제어 파라미터 알고리즘 제어 파라미터 n 개체군의 크기 (Population size) n n n 교배

개체 표현 방식 위치기반 vs. 순서기반 (2/2) 순서기반 2 0 01348579620 … 2013485796 1

예2 : Traveling Salesman Problem n http: //cs. felk. cvut. cz/~xobitko/ga/tspexample. html 2001 -04

Reference n 공성곤 외, 유전자 알고리즘, 그린, 1996. n http: //cs. felk. cvut. cz/~xobitko/ga/

Slides: 46

Download presentation

Genetic Algorithm 20015159 신희성

Overview n Motivation n n 유전자 알고리즘의 개요 n n 예제 : Minimum of function 유전자 알고리즘의 구성요소 n n n 다윈의 진화론 Encoding Scheme Fitness Function Genetic Operators Parameter Setting 유전자 알고리즘의 특성 n 예제 : Traveling Salesman Problem (TSP) 2001 -04 -30 Page 2

Where are we at? n Search n n n Uninformed Search n Breadth-First, Unform-Cost, Depth-First, Depth-Limited, Iterative Deepening, Bidirectional Search Informed Search n Best-First Search (Greedy Search) n A* Search n Memory Bounded Search n IDA*, SMA* Iterative Improvement Algorithm n Hill-Climbing, Simulated Annealing 2001 -04 -30 Page 3

Motivation 2001 -04 -30 Page 4

History of Genetic Algorithm (2/3) n Developed by John Holland in the early 70’s n n 유전 알고리즘의 대부 해 집단에 근거, 교차와 변이를 포함한 GA의 골격 마련 1975년 역사적 저서 [Adaptation in Natural and Artificial Systems] 발표 1984년 산타페 연구소에 합류, 연구 방향을 [Complex System]에 서 [Adaptive Complex System]으로 선회 2001 -04 -30 Page 7

History of Genetic Algorithm (3/3) n 1985년 제 1회 International Conference on Genetic Algorithms 개최 n 90년대 많은 주목을 받은 Artificial Life의 주된 도구로 활용됨 n 1997년 IEEE Transactions on Evolutionary Computing 개설 2001 -04 -30 Page 8

유전자 알고리즘 (GA: Genetic Algorithm) n 진화의 원리를 문제 풀이 또는 모의 실험에 이용하는 연구의 한 방법 n n Solutions are encoded as chromosomes Search proceeds through maintenance of a population of solutions Reproduction favors “better” chromosomes New chromosomes are generated during reproduction through processes of mutation and cross over, etc. 2001 -04 -30 Page 9

Genetic Algorithm n GA가 필요 없는 문제 n n n 잘 정의된 Algorithm이 존재하는 문제 최단 경로 탐색 문제, Sorting 등 GA의 적용이 효과적인 문제 n n n Traveling salesman problem (TSP) 함수 값을 최대화하는 변수 NP Complete 문제 2001 -04 -30 Page 10

유전자 알고리즘의 구조 selection Search space A 0 1 0 0 0 B 1 0 1 1 0 C 1 1 0 D 0 1 1 1 0 1 cross 0 over 0 1 0 1 1 1 1 0 mutation Fitness evaluation population 1 0 0 1 1 1 0 reproduction Substituti on 2001 -04 -30 Page 13

유전자 알고리즘 function GENETIC-ALGORITHM(population, FITNESS-FN) returns an individual input: population, a set of individuals FITNESS-FN, a function that measures the fitness of an individual repeat parents SELECTION(population, FITNESS-FN) population REPRODUCTION(parents) until some individual is fit enough return the best individual in population, according to FITNESS-FN % REPRODUCTION = cross-over + mutation 2001 -04 -30 Page 14

예1 : Minimum of Function n Minimum of Function : 함수의 최소값을 찾는 문제 n http: //cs. felk. cvut. cz/~xobitko/ga/example_f. html n Example Function minimum value 2001 -04 -30 Page 15

예1 : Minimum of Function n n Initial state State after evolutions 2001 -04 -30 Page 16

개체 표현 방법 3. 순열 표현 (Permutation Encoding) n 1234, 1243, 1324, 1342, 1423, 1432, 2134, 2143, 2314, … n 순열을 유전자형으로 가짐 n 순서 기반형 표현 n Traveling salesman problem (TSP) 2001 -04 -30 Page 22

개체 표현 방법 정리 n 여러가지 표현형태들 n Binary Encoding e. g. ) 1 n e. g. ) 1 0 1 1 5 3 2 6 8 4 7 Value Encoding 1. 2 5. 3 0. 4 2. 3 5 3. 1 06 7. 2 A n 0 Permutation Encoding e. g. ) n 1 B D J E D I B 주로 0과 1의 Binary encoding을 많이 사용 2001 -04 -30 Page 25

적합도 함수 (Fitness Function) n 염색체의 해(solution)로서의 적합도를 평가 e. g. ) 2001 -04 -30 적합도 염색체 0 1 1 0 1 64 1 1 0 0 0 361 0 0 0 169 1 0 0 1 1 576 Page 26

유전 연산자 교배 연산자 (1/4) n 두 부모의 염색체를 부분적으로 바꾸어 자식의 염색체를 생성 n Single point crossover n 1 1 0 0 1 1 1 1 1 1 1 0 1 1 Two point crossover 1 1 0 0 1 1 1 1 1 1 1 0 1 1 2001 -04 -30 Page 30

유전 연산자 교배 연산자 (3/4) n 균등 교차의 예 S 1 : a b c d S 2 : k l m n t e f g h i j o p q r s t : . 83. 27. 33. 89. 91. 66. 44. 72. 42. 19 P 0 = 0. 6 O : a 2001 -04 -30 l m d e f q h s t Page 32

제어 파라미터 알고리즘 제어 파라미터 n 개체군의 크기 (Population size) n n n 교배 확률 (Probability of crossover) n n n How often will be crossover performed Recommendation : 80% -95% 돌연변이 확률 (Probability of mutation) n n n How many chromosomes are in population n Too few chromosome small part of search space n Too many chromosome GA slow down Recommendation : 20 -30, 50 -100 How often will be parts of chromosome mutated Recommendation : 0. 5% - 1% http: //cs. felk. cvut. cz/~xobitko/ga/params. html 2001 -04 -30 Page 39

개체 표현 방식 위치기반 vs. 순서기반 (2/2) 순서기반 2 0 01348579620 … 2013485796 1 6 3 4 5 8 7 Traveling Salesman Problem 2001 -04 -30 9 위치기반 1304872956 Page 43

예2 : Traveling Salesman Problem n http: //cs. felk. cvut. cz/~xobitko/ga/tspexample. html 2001 -04 -30 Page 44

Reference n 공성곤 외, 유전자 알고리즘, 그린, 1996. n http: //cs. felk. cvut. cz/~xobitko/ga/ 2001 -04 -30 Page 46