[국내논문]Quantum-infusion 메커니즘을 이용한 분산형 입자군집최적화 알고리즘에 관한 연구 A Study on Distributed Particle Swarm Optimization Algorithm with Quantum-infusion Mechanism원문보기
본 논문에서는 종래의 PSO 알고리즘 성능저하의 주요 원인들 중 하나인 입자들의 조기수렴 현상을 개선한 DPSO-QI (Distributed PSO with quantum-infusion mechanism) 기법을 제안한다. DPSO-QI 알고리즘은 다음과 같은 두 가지 특징을 지닌다. 첫째, 분산형 구조의 PSO 기법을 도입한다. 이는 먼저 적절한 수의 입자들로 소그룹을 형성하고, 최적해 탐색에 필요한 다양한 정보의 교환이 각 소그룹 내에서만 이루어지도록 한 기법이다. 이러한 기법을 바탕으로 입자들의 탐색 다양성을 증대시킴으로서 조기수렴 현상을 감소시키는 효과를 달성할 수 있다. 둘째, 상기의 입자 소그룹에 Quantum-infusion (QI) 메커니즘에 기반 한 기법을 도입시킨다. 이를 통해 입자들의 전역 최적해 탐색 정밀도를 보다 향상시킬 수 있다. 끝으로 다양한 수치예제를 통하여 제안하는 새로운 PSO 기법이 종래의 방식들에 비해 매우 뛰어난 성능을 구현할 수 있음을 입증하고자 한다.
본 논문에서는 종래의 PSO 알고리즘 성능저하의 주요 원인들 중 하나인 입자들의 조기수렴 현상을 개선한 DPSO-QI (Distributed PSO with quantum-infusion mechanism) 기법을 제안한다. DPSO-QI 알고리즘은 다음과 같은 두 가지 특징을 지닌다. 첫째, 분산형 구조의 PSO 기법을 도입한다. 이는 먼저 적절한 수의 입자들로 소그룹을 형성하고, 최적해 탐색에 필요한 다양한 정보의 교환이 각 소그룹 내에서만 이루어지도록 한 기법이다. 이러한 기법을 바탕으로 입자들의 탐색 다양성을 증대시킴으로서 조기수렴 현상을 감소시키는 효과를 달성할 수 있다. 둘째, 상기의 입자 소그룹에 Quantum-infusion (QI) 메커니즘에 기반 한 기법을 도입시킨다. 이를 통해 입자들의 전역 최적해 탐색 정밀도를 보다 향상시킬 수 있다. 끝으로 다양한 수치예제를 통하여 제안하는 새로운 PSO 기법이 종래의 방식들에 비해 매우 뛰어난 성능을 구현할 수 있음을 입증하고자 한다.
In this paper, a novel DPSO-QI (Distributed PSO with quantum-infusion mechanism) algorithm improving one of the fatal defect, the so-called premature convergence, that degrades the performance of the conventional PSO algorithms is proposed. The proposed scheme has the following two distinguished fea...
In this paper, a novel DPSO-QI (Distributed PSO with quantum-infusion mechanism) algorithm improving one of the fatal defect, the so-called premature convergence, that degrades the performance of the conventional PSO algorithms is proposed. The proposed scheme has the following two distinguished features. First, a concept of neighborhood of each particle is introduced, which divides the whole swarm into several small groups with an appropriate size. Such a strategy restricts the information exchange between particles to be done only in each small group. It thus results in the improvement of particles' diversity and further minimization of a probability of occurring the premature convergence phenomena. Second, a quantum-infusion (QI) mechanism based on the quantum mechanics is introduced to generate a meaningful offspring in each small group. This offspring in our PSO mechanism improves the ability to explore a wider area precisely compared to the conventional one, so that the degree of precision of the algorithm is improved. Finally, some numerical results are compared with those of the conventional researches, which clearly demonstrates the effectiveness and reliability of the proposed DPSO-QI algorithm.
In this paper, a novel DPSO-QI (Distributed PSO with quantum-infusion mechanism) algorithm improving one of the fatal defect, the so-called premature convergence, that degrades the performance of the conventional PSO algorithms is proposed. The proposed scheme has the following two distinguished features. First, a concept of neighborhood of each particle is introduced, which divides the whole swarm into several small groups with an appropriate size. Such a strategy restricts the information exchange between particles to be done only in each small group. It thus results in the improvement of particles' diversity and further minimization of a probability of occurring the premature convergence phenomena. Second, a quantum-infusion (QI) mechanism based on the quantum mechanics is introduced to generate a meaningful offspring in each small group. This offspring in our PSO mechanism improves the ability to explore a wider area precisely compared to the conventional one, so that the degree of precision of the algorithm is improved. Finally, some numerical results are compared with those of the conventional researches, which clearly demonstrates the effectiveness and reliability of the proposed DPSO-QI algorithm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 입자군집최적화 알고리즘의 성능저하를 유발하는 주요 원인인 조기수렴 현상을 효과적으로 개선시키기 위해 새로운 DPSO-QI 알고리즘을 제안하였다. 제안하는 알고리즘은 다음과 같은 두 가지 특징을 갖고 있다.
본 논문에서는 종래의 입자군집최적화 알고리즘의 성능을 치명적으로 저하 시키는 주요 원인인 조기수렴 현상을 개선하기 위해 새로운 DPSO-QI 알고리즘을 제안하였다. 분산형 입자군집최적화 알고리즘의 특징인 ‘이웃’ 이라는 개념을 적절히 적용하여 전체 입자군집을 몇 개의 소그룹으로 나누었고, 입자들의 정보교환을 각 그룹 내로 제한함으로써 입자들의 탐색 다양성을 향상 시켰다.
제안 방법
첫째, 분산형 입자군집최적화 알고리즘의 특징을 도입함으로써 ‘이웃(neighborhood)’ 이라는 개념을 사용하여 전체 입자군집을 적절한 크기를 갖는 소그룹으로 세분화 하였다.
이를 통해 입자들의 정보교환을 각 그룹 내로 제한하였고, 결과적으로 입자들의 탐색 다양성을 증대 시켰다. 둘째, 양자역학의 양자거동 법칙을 기반으로 한 Quantum-infusion 메커니즘을 도입함으로써 각 소그룹 내에서 새로운 자손을 생성하게 하였다. 기존에 주어진 정보를 이용하여 새로운 위치에 생성된 자손 입자는 탐색영역의 더욱 정밀하고 효율적인 탐색을 가능하게 하여, 결과적으로 전역 최적해 탐색 성능을 향상시켰다.
분산형 입자군집최적화 알고리즘의 특징인 ‘이웃’ 이라는 개념을 적절히 적용하여 전체 입자군집을 몇 개의 소그룹으로 나누었고, 입자들의 정보교환을 각 그룹 내로 제한함으로써 입자들의 탐색 다양성을 향상 시켰다.
본 장에서는 제안된 DPSO-QI 알고리즘의 성능을 종래의 알고리즘(BinPSO [12], AMPSO [13], CAPSO [14])과 비교, 평가하기 위해 다음의 2가지 unimodal, multimodal 함수를 이용하여 실험을 수행하였다.
분산형 입자군집최적화 알고리즘의 특징인 ‘이웃’ 이라는 개념을 적절히 적용하여 전체 입자군집을 몇 개의 소그룹으로 나누었고, 입자들의 정보교환을 각 그룹 내로 제한함으로써 입자들의 탐색 다양성을 향상 시켰다. 또한, 양자역학에 근거한 Quantum-infusion 메커니즘을 도입함으로써 새로운 자손을 생성하게 하였다. 기존의 정보들을 이용하여 새롭게 생성된 자손 입자는 더욱 정밀하고 효율적인 탐색을 가능하게 하여, 결과적으로 전역 최적해 탐색의 성능을 향상시켰다.
데이터처리
여기서 종래 연구결과들과의 공정한 비교, 평가를 위해 2개의 함수 모두 동일하게 n = 30으로 설정하였고, 군집의 크기와 반복회수 또한 동일하게 각각 40, 1000으로 제한하였다. 제안된 알고리즘의 수행을 위해 ns = 5, c1 = c2 = 2.05으로 설정하였으며, 총 30번의 실험을 수행한 후, 평균값과 95% 신뢰구간을 표 1.에 나타내었다. 표 1.
성능/효과
둘째, 양자역학의 양자거동 법칙을 기반으로 한 Quantum-infusion 메커니즘을 도입함으로써 각 소그룹 내에서 새로운 자손을 생성하게 하였다. 기존에 주어진 정보를 이용하여 새로운 위치에 생성된 자손 입자는 탐색영역의 더욱 정밀하고 효율적인 탐색을 가능하게 하여, 결과적으로 전역 최적해 탐색 성능을 향상시켰다.
에 나타내었다. 표 1.에 제시한 통계자료를 살펴보면, 본 논문에서 제안한 DPSO-QI 알고리즘의 성능이 종래에 제안된 다양한 입자군집최적화 알고리즘들에 비하여 월등히 뛰어난 것을 확인할 수 있다. 이는 전체 입자군집을 여러 개의 소그룹으로 나누어 입자의 다양성을 적절히 증가시키고, 각 소그룹마다 자손입자를 생성시켜 입자 탐색능력의 정밀도를 향상시킴으로써 얻어지는 효과로서, 이는 본 논문에서 제안한 새로운 최적화 알고리즘이 우수한 성능을 구현할 수 있음을 객관적으로 입증한다.
에 제시한 통계자료를 살펴보면, 본 논문에서 제안한 DPSO-QI 알고리즘의 성능이 종래에 제안된 다양한 입자군집최적화 알고리즘들에 비하여 월등히 뛰어난 것을 확인할 수 있다. 이는 전체 입자군집을 여러 개의 소그룹으로 나누어 입자의 다양성을 적절히 증가시키고, 각 소그룹마다 자손입자를 생성시켜 입자 탐색능력의 정밀도를 향상시킴으로써 얻어지는 효과로서, 이는 본 논문에서 제안한 새로운 최적화 알고리즘이 우수한 성능을 구현할 수 있음을 객관적으로 입증한다.
또한, 양자역학에 근거한 Quantum-infusion 메커니즘을 도입함으로써 새로운 자손을 생성하게 하였다. 기존의 정보들을 이용하여 새롭게 생성된 자손 입자는 더욱 정밀하고 효율적인 탐색을 가능하게 하여, 결과적으로 전역 최적해 탐색의 성능을 향상시켰다. 본 알고리즘은 뛰어난 정밀도와 안정성을 바탕으로 다양한 형태의 최적화 문제에 적용될 수 있으며, 이를 수치예제를 통한 실험결과를 통해 입증하였다.
후속연구
기존의 정보들을 이용하여 새롭게 생성된 자손 입자는 더욱 정밀하고 효율적인 탐색을 가능하게 하여, 결과적으로 전역 최적해 탐색의 성능을 향상시켰다. 본 알고리즘은 뛰어난 정밀도와 안정성을 바탕으로 다양한 형태의 최적화 문제에 적용될 수 있으며, 이를 수치예제를 통한 실험결과를 통해 입증하였다.
향후 연구에서는 이웃(neighborhood)의 크기, 즉 소그룹을 형성하는 입자의 개수가 DPSO-QI 알고리즘의 성능에 어떠한 영향을 미치는 지에 대한 추가적인 연구가 진행 될 것이다. 또한, 공학 최적화 문제를 해결하기 위해서는 다양한 형태로 주어지는 선형/비선형 제약조건식들을 효율적으로 고려할 수 있는 알고리즘의 개발이 필수적이므로 이에 대한 연구가 추가적으로 이루어져야 할 것이다.
향후 연구에서는 이웃(neighborhood)의 크기, 즉 소그룹을 형성하는 입자의 개수가 DPSO-QI 알고리즘의 성능에 어떠한 영향을 미치는 지에 대한 추가적인 연구가 진행 될 것이다. 또한, 공학 최적화 문제를 해결하기 위해서는 다양한 형태로 주어지는 선형/비선형 제약조건식들을 효율적으로 고려할 수 있는 알고리즘의 개발이 필수적이므로 이에 대한 연구가 추가적으로 이루어져야 할 것이다. 마지막으로, 인구기반의 진화연산 알고리즘이 태생적으로 지니고 있는 연산 시간에 대한 문제를 해결하기 위한 기술적 연구가 필요하다.
또한, 공학 최적화 문제를 해결하기 위해서는 다양한 형태로 주어지는 선형/비선형 제약조건식들을 효율적으로 고려할 수 있는 알고리즘의 개발이 필수적이므로 이에 대한 연구가 추가적으로 이루어져야 할 것이다. 마지막으로, 인구기반의 진화연산 알고리즘이 태생적으로 지니고 있는 연산 시간에 대한 문제를 해결하기 위한 기술적 연구가 필요하다. 따라서 최근 각광을 받고 있는 GPU(Graphic Processor Unit) 기반의 DPSO-QI 알고리즘 연산체계의 도입을 고려하고 있으며, 이를 통하여 기존의 연산 속도가 혁신적으로 단축시킬 수 있을 것으로 기대된다.
마지막으로, 인구기반의 진화연산 알고리즘이 태생적으로 지니고 있는 연산 시간에 대한 문제를 해결하기 위한 기술적 연구가 필요하다. 따라서 최근 각광을 받고 있는 GPU(Graphic Processor Unit) 기반의 DPSO-QI 알고리즘 연산체계의 도입을 고려하고 있으며, 이를 통하여 기존의 연산 속도가 혁신적으로 단축시킬 수 있을 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
DPSO-QI 알고리즘은 무엇인가?
입자군집최적화 알고리즘에 있어서 성능저하의 가장 치명적인 원인인 입자들의 조기수렴 현상을 개선하기 위해 새롭게 개발된 DPSO-QI 알고리즘은 분산형 입자군집최적화 (distributed PSO) 알고리즘과 PSO-QI (PSO with quantum-infusion) 알고리즘의 특징을 혼합시켜 개발한 새로운 하이브리드 입자 군집최적화 알고리즘이다[7]. 식 (1)에 주어진 최적화 문제의 해결을 위하여 종래의 입자군집최적화 알고리즘의 위치 및 속도 갱신 법칙과는 다르게 다음과 같은 식에 의해 위치 및 속도에 대한 갱신이 이루어지게 된다.
DPSO-QI 알고리즘의 특징은 무엇인가?
DPSO-QI 알고리즘은 다음과 같은 두 가지 특징을 지닌다. 첫째, 분산형 구조의 PSO 기법을 도입한다. 이는 먼저 적절한 수의 입자들로 소그룹을 형성하고, 최적해 탐색에 필요한 다양한 정보의 교환이 각 소그룹 내에서만 이루어지도록 한 기법이다. 이러한 기법을 바탕으로 입자들의 탐색 다양성을 증대시킴으로서 조기수렴 현상을 감소시키는 효과를 달성할 수 있다. 둘째, 상기의 입자 소그룹에 Quantum-infusion (QI) 메커니즘에 기반 한 기법을 도입시킨다. 이를 통해 입자들의 전역 최적해 탐색 정밀도를 보다 향상시킬 수 있다. 끝으로 다양한 수치예제를 통하여 제안하는 새로운 PSO 기법이 종래의 방식들에 비해 매우 뛰어난 성능을 구현할 수 있음을 입증하고자 한다.
메타 휴리스틱 알고리즘과 관련된 기법에는 무엇이 있는가?
최근 다양한 분야에서 여러 형태의 복잡한 최적화 문제를 해결하기 위한 방법으로서 메타 휴리스틱 알고리즘이 큰 주목을 받고 있으며, 대표적인 관련 기법들로는 유전자 알고리즘 (Genetic Algorithm, GA)[1], 개미군집화 알고리즘(Ant Colony Optimization, ACO)[2], 인공 벌 군집 알고리즘 (Artificial Bee Colony, ABC)[3], 하모니 서치 알고리즘(HSA)[4] 등이 있다. 이러한 메타 휴리스틱 알고리즘의 보편화는 과학기술의 발전에 따른 컴퓨터 연산속도의 향상과 밀접한 관계를 맺고 있다.
참고문헌 (14)
J. H. Holland, Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence, The University of Michigan Press. 1975.
M. Dorigo, V. Manizzo, A. Colorni, "The Ant System: Optimization by A Colony of Cooperating Agents," IEEE Transaction on Systems, Man, and Cybernetics, Part B: Cybernetics, Vol. 26, No. 1, pp. 29-41, 1996.
D. Karaboga, D. Basturk, "A Powerful and Efficient Algorithm for Numerical Function Optimization: Artificial Bee Colony (ABC) Algorithm," Journal of Global Optimization, Vol. 39, No. 3, pp. 459-471, 2007.
R. Eberhart, J. Kennedy, "A New Optimizer Using Particle Swarm Theory," In Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, pp. 39-43, 1995.
J. Riget, J. S. Vesterstrom, A Diversity-guided Particle Swarm Optimizer - The ARPSO, Technical Report 2002-02, Department of Computer Science,. University of Aarhus, Denmark, 2002
송동호, 김영탁, 김태형, "감쇠동흡진기의 최적설계: 양자거동 메커니즘을 적용한 분산형 입자군집최적화 기법의 응용," 대한기계학회 2011년 추계학술대회, pp. 844-849, 2011.
M. Clerc, J. Kennedy, "The Particle Swarm - Explosion, Stability, and Convergence in a Multidimensional Complex Space," IEEE Transaction on Evolutionary Computation, Vol. 6, No. 1, pp. 58-73, 2002.
J. Kennedy, R. Eberhart, "A Discrete Binary Version of the Particle Swarm Algorithm," Proceedings of the Conference on Systems, Man, and Cybernetics, Piscataway, NJ, pp. 4104-4108, 1997.
G. Pampara, N. Franken, A. P. Engelbrecht, "Combining Particle Swarm Optimization with Angle Modulation to Solve Binary Problems," The 2005 IEEE Congress on Evolutionary Computation, Vol. 1, pp. 89-96, 2005.
X.-H. Chen, W.-P. Lee, M.-L. Huang, "Collaborative and Adaptive Particle Swarm Optimizer with Fitness and Position Condition," Proceedings of the 6th International Conference on Machine Learning and Cybernetics, ICMLC 2007, Vol. 2, pp. 984-989, 2007.
이 논문을 인용한 문헌
저자의 다른 논문 :
연구과제 타임라인
LOADING...
LOADING...
LOADING...
LOADING...
LOADING...
활용도 분석정보
상세보기
다운로드
내보내기
활용도 Top5 논문
해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다. 더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.