[논문 리뷰] Realizing an optimization approach inspired from Piagets theory on cognitive development

Utku Köse, Ahmet Arslan|arXiv (Cornell University)|2017. 04. 03.

Cognitive Science and Mapping참고 문헌 7인용 수 6

한 줄 요약

이 논문은 피아제의 인지 발달 이론을 모델로 삼은 인공지능 기반 최적화 방법인 인지 발달 최적화 알고리즘(CoDOA)을 소개한다. 인간의 인지 발달 과정과 유사한 학습 및 적응 단계를 모방함으로써 CoDOA는 군집 지능을 활용하여 단일 목표 최적화 문제를 해결하며, 기준 함수에서 경쟁력 있는 성능을 보이며 최적화 문헌에서 새로운 대안을 제시한다.

ABSTRACT

The objective of this paper is to introduce an artificial intelligence based optimization approach, which is inspired from Piagets theory on cognitive development. The approach has been designed according to essential processes that an individual may experience while learning something new or improving his / her knowledge. These processes are associated with the Piagets ideas on an individuals cognitive development. The approach expressed in this paper is a simple algorithm employing swarm intelligence oriented tasks in order to overcome single-objective optimization problems. For evaluating effectiveness of this early version of the algorithm, test operations have been done via some benchmark functions. The obtained results show that the approach / algorithm can be an alternative to the literature in terms of single-objective optimization. The authors have suggested the name: Cognitive Development Optimization Algorithm (CoDOA) for the related intelligent optimization approach.

연구 동기 및 목표

• 인간 학습에서의 피아제의 인지 발달 단계에 영감을 받은 새로운 최적화 알고리즘을 개발하기 위해.
• 최적화 프레임워크 내에서 흡수와 적응과 같은 인지 적응 단계의 순차적 과정으로서의 학습 과정을 모델링하기 위해.
• 단일 목표 최적화를 위한 표준 기준 함수에서 알고리즘의 성능을 평가하기 위해.
• 기존 메타휴리스틱 최적화 기법에 대한 생물학적으로 영감을 받은 대안을 제안하기 위해.
• 미래의 인공지능 분야에서 인지 기반 최적화 방법의 개발 기반을 마련하기 위해.

제안 방법

• 알고리즘은 피아제의 인지 발달의 네 단계—감각운동기, 전운산기, 구체운산기, 형식운산기—기반으로 설계된다.
• 개체군 내의 개별 개체(에이전트)들이 탐색과 적응을 통해 인지 학습 행동을 시뮬레이션하는 군집 지능 원리를 적용한다.
• 새로운 정보를 통합하는 흡수와 새로운 조건에 적응하는 적응 메커니즘을 포함하여 학습 과정에서의 인지 재구성 방식을 모방한다.
• 인지 발달에 기반한 규칙에 따라 유도되는 반복적인 후보 해 개선을 통해 최적화를 수행한다.
• 각 에이전트의 현재 '발달 단계'에 따라 탐색 행동을 동적으로 조정함으로써 인간의 학습 진행 과정을 모방한다.
• 성능 평가에 기준 함수를 사용하며, 수렴 속도와 해의 정확도를 비교한다.

실험 결과

연구 질문

• RQ1 피아제 이론의 인지 발달 원리가 최적화 알고리즘에 효과적으로 적용될 수 있는가?
• RQ2 제안된 CoDOA 알고리즘이 표준 기준 함수에서 기존의 메타휴리스틱 방법과 비교해 어떻게 성능을 내는가?
• RQ3 단계적 학습 메커니즘이 최적화 과제에서 수렴성과 해의 정확도 향상에 얼마나 기여하는가?
• RQ4 흡수와 적응 과정의 통합이 단일 목표 최적화에서 탐색 효율성을 향상시킬 수 있는가?
• RQ5 CoDOA 프레임워크는 지능형 최적화 분야에서 새로운 대안으로서 실현 가능할까?

주요 결과

• 인지 발달 최적화 알고리즘(CoDOA)은 피아제의 인지 발달 이론에서 유래한 원리들을 활용하여 단일 목표 최적화 문제를 성공적으로 해결한다.
• 기준 함수에서의 성능 평가 결과, CoDOA는 수렴 속도와 해 정확도 측면에서 경쟁력 있는 성능을 보였다.
• 알고리즘은 인지 학습 과정을 지능형 최적화의 기초로 모델링하는 것이 가능하다는 것을 입증한다.
• 흡수와 적응 메커니즘의 통합은 탐색 과정의 적응성과 강건성을 향상시킨다.
• 특히 적응 학습 행동이 요구되는 문제에서 기존의 메타휴리스틱 최적화 접근법에 비해 유망한 대안을 제시한다.
• 최신 기술을 모두 능가하지는 않지만, 초기 버전의 CoDOA는 향후 개발과 적용에 매우 큰 잠재력을 보여준다.