초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

유전자알고리즘을 병렬로 처리하려는 이유는 수행시간의 향상과 최적해의 향상이다. 하지만 이에 대한 연구와 응용이 적은데 이는 연구 환경이 열악하기 때문이다. 즉, 슈퍼컴퓨터와 같은 고가의 장비가 필요하며, 그것이 보편적으로 우리 주변에 있지 않다는 것이 가장 큰 장애가 되었다. 이를 극복하기 위한 방법은 에이전트라는 소프트웨어를 이용해서 유전자 알고리즘을 병렬로 처리를 하는 것이다. 이 연구에서는 이런 방법으로 유전자 알고리즘을 병렬로 처리를 하여도 수행시간의 향상과 최적해의 향상을 보일 수 있는지를 연구한다.

유전자알고리즘을 병렬로 처리하려는 이유는 수행시간의 향상과 최적해의 향상이다. 하지만 이에 대한 연구와 응용이 적은데 이는 연구 환경이 열악하기 때문이다. 즉, 슈퍼컴퓨터와 같은 고가의 장비가 필요하며, 그것이 보편적으로 우리 주변에 있지 않다는 것이 가장 큰 장애가 되었다. 이를 극복하기 위한 방법은 에이전트라는 소프트웨어를 이용해서 유전자 알고리즘을 병렬로 처리를 하는 것이다. 이 연구에서는 이런 방법으로 유전자 알고리즘을 병렬로 처리를 하여도 수행시간의 향상과 최적해의 향상을 보일 수 있는지를 연구한다.

AI 본문요약

엑셀 다운로드 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 이러한 배경 아래 이 논문은 이동 에이전트 시스템에 기반한 가상의 병렬분산 컴퓨팅 환경과 거기에서 수행되는 병렬 유전자 알고리즘을 개발하고 그것을 다양한 문제에 적용하여 평가하는 것을 목적으로 한다.

제안 방법

• <그림2>는 한 대의 컴퓨터와 이동 에이전트를 이용한 10대의 컴퓨터에서 같은 유전자 알고리즘을 수행한 시간을 비교해 보았다. 보여지는 바와 같이 수행 시간의 차이가 없었다.
• 모집단의 수가 같은 경우, 한 대의 컴퓨터에서 수행한 유전자 알고리즘의 수행속도와 이동 에이전트를 이용해서 10대의 컴퓨터에 나누어서 수행한 경우의 시간 차이를 비교하여 보았다.
• 실험은 한 대의 컴퓨터에서 수행한 유전자 알고리즘을 1000세대까지 계산한 경우의 모집단의 평균 적합도 값 과 이동 에이전트를 이용해서 10대의 컴퓨터에서 수행한 유전자 알고리즘 올 같은 수의 세대까지 수행한 모집단의 평균 적합도 값을 10회 반복하여 비교하여 보았다. 실험 결과는 다음과 같다< 그림2, 표1 >.
• 실험은 한 대의 컴퓨터에서 유전자 알고리즘 올 10000세대까지 계산을 하고, 이동 에이전트를 이용해서 10대의 컴퓨터에서 수행하는 유전자 알고리즘을 1000세대까 지 계산한 경우의 수행 시간을 10희 반복하여 비교하여 보았다. 실험 결과는 다음과 같다< 그림1 >.
• 이 논문에서 사용한 유전자 알고리즘은 표현에서 하나의 유전자는 4비트로 이루어진 2진수 벡터이고, 100개의 유전자가 하나의 염색체를 이룬다. 초기 모집단은 임의 생성법을 사용하여 만들었고, 적응도 평가는 4비트로 이루어진 2진수 벡터가 0에서 15까지의 10진수 값을 가지는데 이값들의 범위를 -1에서 1까지 둥 간격으로 분할하여 대응되는 값들을 더해서 사용한다.
• 이동 에이전트를 이용한 병렬 유전자 알고리즘의 성능 평가를 위한 이동 에이전트의 구성은 마스터 에이전트와 슬레이브 에이전트로 구현하였다. 마스터 에이전트는 여러 개의 슬레이브 에이전트를 분산되어 있는 호스트로 이동시키는 에이전트이고, 슬레이브 에이전트는 각각 독립적으로 유전자 알고리즘을 수행한 뒤 결과를 마스터 에이전트로 보낸다.
• 첫 번째 실험에서는 많은 계산량을 가진 유전자 알고리즘을 이용하여 모집단의 수가 같은 경우 한 대의 컴퓨터에서 수행되는 시간과 10개의 이동 에이전트가 세대수를 1/10로 하여 수행한 경우의 수행 시간을 비교하여 보았고, 두 번째의 실험에서는 비숫한 수행 시간에서 한 대의 컴퓨터에서 수행되는 유전자 알고리즘의 모집단의 평균 적합도와 10개의 에이전트가 분산된 호스트에서 계산한 모집단들의 평균 적합도를 비교해 보았다.
• 한 대의 컴퓨터에서 수행되는 유전자 알고리즘을 비슷한 수행 시간에 이동 에이전트를 이용해서 여러 대의 컴퓨터에서 수행을 하면 최적해의 향상을 얻을 수 있는지를 실험하여 보았다.

대상 데이터

• 이 논문에서는 많은 모집단의 수와 세대수의 계산량을 위해 10개의 슬레이브 에이전트를 사용하여 실험하였다.

이론/모형

• 이 논문에서는 IBM에서 개발한 Aglets[4] 율 사용하였다. Aglete 이름에서 알 수 있듯이 Applet과 Agent를 결합한 것으로, Applet 프로그래머가 쉽게 이동 에이전트 웅용을 개발하는데 초점 올 맞춘 것이다.

성능/효과

• 실험에서와같이 10개의 에이전트에 나누어서 수행되는 경우의 수행속도는 한 대의 컴퓨터에서 수행되는 유전자 알고리즘의 수행속도에 비해 약 8.9배의 빠른 결과를 보였다. 같은 문제를 10개의 컴퓨터에 분산해서 병렬로 처리할 경우 일반적으로 10배의 수행 시간 향상이 있어야 하지만, 그렇지 않은 것은 상당량의 네크웍 오버헤드와 문제 분할로 인한 추가적인 계산량의 증가로 인한 오버헤드로 생각된다.
• 이 논문은 한 대의 컴퓨터에서 수행한 유전자 알고리즘 보다는 이동에 이전트를 이용하여 다수의 컴퓨터에서 병렬로 수행했울 때 수행시간의 향상을 보이는 것을 알 수 있었으며, 일반적으로 이동에 이전트를 이용했을 때 최적해 의 향상을 얻을 수 있다는 것도 알 수 있었다. 하지만 최적해 의 향상은 모든 경우에 적용되는 것이 아 니다.
• 중간의 색칠한 부분은 한 대의 컴퓨터에서 수행된 모집 단의 평 世 적합도보다 각각의 이동 에이전트에서 수행한 모집단의 평균 적합도가 우수한 경우에 표시를 하였다. 한 대의 컴퓨터에서 수행한 유전자 알고리즘의 평균적 합도보다 이동 에이전트를 이용하여 10대의 컴퓨터에서 수행한 경우의 평균 적합도가 우수한 경우를 보여주고 있는데 이것은 모집단의 크기를 크게 했을 때 좀 더 우수한 해를 찾을 수 있다는 것을 보여주고 있다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기