목차
없음
본문내용
진화 알고리즘은 자연세계의 진화과정을 컴퓨터 상에서 시뮬레이션 함으로써 복잡한 실세계의 문제를 해결하고자 하는 계산모델이다. 진화 알고리즘은 구조가 간단하고 방법이 일반적이어서 응용범위가 매우 넓으며, 특히 적응적 탐색과 학습 및 최적화를 통한 공학적인 문제의 해결에 많이 이용되고 있다. 또한, 최근에는 신경망, 퍼지 로직과의 결합으로 그 응용범위는 점점 늘어나고 있는 추세이다.
진화 알고리즘은 염색체를 표현하는 방법과 연산자의 종류 및 특성에 따라 여러 가지가 있으나 대표적으로 표 1과 같이 4가지로 나누어 볼 수 있다. 유전자 알고리즘(Genetic Algorithms, GA)은 고정된 길이의 이진 스트링을 염색체로 사용하며 진화전략(Evolution Strategies, ES)은 실수의 값을 취하는 유전자들로 구성된 벡터를 사용한다. 그 밖에도 그래프와 트리를 염색체 표현에 사용하는 진화 프로그래밍(Evolutionary Programming, EP)과 유전자 프로그래밍(Genetic Programm- ing, GP)등이 있다. 진화적 탐색에 사용되는 연산자로는 EP와 ES는 돌연변이(mutation) 를 GA와 GP는 교배(crossover)를 주로 사용한다.
다음절부터는 유전 알고리즘을 중심으로 4가지의 진화 알고리즘에 대하여 구체적인 동작원리와 이론 및 적용례 등을 살펴본다.
진화 알고리즘은 염색체를 표현하는 방법과 연산자의 종류 및 특성에 따라 여러 가지가 있으나 대표적으로 표 1과 같이 4가지로 나누어 볼 수 있다. 유전자 알고리즘(Genetic Algorithms, GA)은 고정된 길이의 이진 스트링을 염색체로 사용하며 진화전략(Evolution Strategies, ES)은 실수의 값을 취하는 유전자들로 구성된 벡터를 사용한다. 그 밖에도 그래프와 트리를 염색체 표현에 사용하는 진화 프로그래밍(Evolutionary Programming, EP)과 유전자 프로그래밍(Genetic Programm- ing, GP)등이 있다. 진화적 탐색에 사용되는 연산자로는 EP와 ES는 돌연변이(mutation) 를 GA와 GP는 교배(crossover)를 주로 사용한다.
다음절부터는 유전 알고리즘을 중심으로 4가지의 진화 알고리즘에 대하여 구체적인 동작원리와 이론 및 적용례 등을 살펴본다.