I. 기계학습과 진화 연산, 유전 알고리즘
가. 유전 알고리즘 개념
| 유전 알고리즘 절차 | 유전 알고리즘 개념 |
|---|---|
| – 적자생존, 돌연변이 등 유전 원리에 따라 최적화형태로 진화 과정에서 해를 찾는 알고리즘 | |
| 유전 알고리즘 특징 | |
| – 문제 해결 접근법 – 문제 상황과 관계 없음 – 적자생존 기반 알고리즘 |
나. 유전 알고리즘 구성요소
| 구성요소 | 핵심 기능 | 설명 |
|---|---|---|
| 자손 | – 염색체 | – 특정시간에 존재 염색체 |
| 염색체 | – 집합, 해 | – 유전 물질 집합, 해 표현 |
| 돌연변이 | – 유전 정보 변경 | – 교차연산 후 확률적 변경 |
| 유전자 | – 유전 정보 | – 염색체 하나의 유전 정보 |
| 적합도 | – 표현 적합도 | – 염색체가 보유한 고유값 |
II. 유전 알고리즘 흐름
가. 유전 알고리즘의 단계 별 작업
- 유전 알고리즘은 t 에 존재하는 염색체 집합에서 최적 염색체 선택, 검색 반복 최적 해 탐색 구조
나. 유전 알고리즘 세부 절차
| 절차 | 연산 | 설명 |
|---|---|---|
| ① 초기 염색체 집합 생성 | – 초기 염색체 생성 연산 | – 초기 임의 값으로 생성 |
| ② 초기 염색체 적합도 계산 | – 적합도 계산 연산 | – TSP 최단 경로 연산 |
| ③ 현재 염색체 자손 생성 | – 적합도 기준 염색체 선택 | – 룰렛 휠 선택방법 이용 염색체 선택 |
| – 선택 염색체 자손 생성 | – 염색체 생성/분할 지점 | |
| ④ 생성된 자손 적합도 계산 | – 돌연변이 연산 | – 확률적 돌연변이 생성 – 낮은 확률로 발생 |
| – 생성 자손 적합도 계산 | – 생성된 염색체 반복 적합도 재계산 | |
| ⑤ 종료 조건 판별 | – 거짓 또는 참 결과확인 | – 거짓의 경우 ③번으로 이동하여 반복 |
- 적합도 기준 염색체 선택 시 룰렛 휠 선택 방법 이용
III. 유전 알고리즘의 룰렛 휠 선택의 역할
가. 룰렛 휠 선택 (Roulette Wheel Selection)
- 적합도가 높을수록 부모 해로 선택 확률 높아지도록 하는 방식
– 적합도가 100인 C는 선택 확률 높음 – 적합도가 40인 D는 선택 확률 낮음 |
– 우월한 유전자를 가질수록 부모 해로 선택될 확률 상승하는 기법을 “룰렛 휠 선택”
나. 룰렛 휠 선택 역할
| – 개체 적응도에 비례하여 선택 비율 변경하도록 K값 조절하여 선택압 조절 가능 |
– 룰렛 휠 선택 외 지정한 수만큼 랜덤한 개체 선택, 적응도 높은 개체 선택하는 토너먼트선택 기법 존재
IV. 유전 알고리즘 활용 사례
| 구분 | 활용 사례 | 설명 |
|---|---|---|
| 학습 활용 | 최적화 | – 수치최적화, 조합최적화 – 다양한 최적화 문제 사용 |
| 기계 학습 | – 분류와 예측과제 등 사용 – 신경망 가중치, 지도/비지도 | |
| 진화와 학습 | – 개체 학습과 종의 진화 – 어떤 영향 주는지 연구 | |
| 산업 활용 | 자동 프로그래밍 | – 특정 문제 대한 컴퓨터 프로그램 진화 |
| 경제학 | – 기술혁신, 입찰전략 발전 – 경제 시장 발현 과정 모델 | |
| 면역체계 | – 면역 및 진화 동안 다유전인자들의 발견 면역체계 모델 |
– 이 외 인공지능 인력 육성과 소셜 로봇 학습 위한 빅데이터 접근성 개선 기반 시장 선도 가능