[논문 리뷰] Genetic Algorithm: Reviews, Implementations, and Applications

Tanweer Alam, Shamimul Qamar외 2명|arXiv (Cornell University)|2020. 06. 05.

Statistics Education and Methodologies인용 수 7

한 줄 요약

이 논문은 자연 선택과 유전학에 뿌리를 두고 있는 유전 알고리즘(GAs)을 메타휴리스틱 최적화 기법으로 종합적으로 검토한다. 공학 교육 및 새로운 적용 분야에서의 GA 구현을 탐구하며, 복잡한 문제 공간에서 최적의 해로 향하는 지능적인 탐색을 이끄는 선택, 교차, 변이 연산자를 강조한다.

ABSTRACT

Nowadays genetic algorithm (GA) is greatly used in engineering pedagogy as an adaptive technique to learn and solve complex problems and issues. It is a meta-heuristic approach that is used to solve hybrid computation challenges. GA utilizes selection, crossover, and mutation operators to effectively manage the searching system strategy. This algorithm is derived from natural selection and genetics concepts. GA is an intelligent use of random search supported with historical data to contribute the search in an area of the improved outcome within a coverage framework. Such algorithms are widely used for maintaining high-quality reactions to optimize issues and problems investigation. These techniques are recognized to be somewhat of a statistical investigation process to search for a suitable solution or prevent an accurate strategy for challenges in optimization or searches. These techniques have been produced from natural selection or genetics principles. For random testing, historical information is provided with intelligent enslavement to continue moving the search out from the area of improved features for processing of the outcomes. It is a category of heuristics of evolutionary history using behavioral science-influenced methods like an annuity, gene, preference, or combination (sometimes refers to as hybridization). This method seemed to be a valuable tool to find solutions for problems optimization. In this paper, the author has explored the GAs, its role in engineering pedagogies, and the emerging areas where it is using, and its implementation.

연구 동기 및 목표

• 유전 알고리즘이 현대 공학 교육 및 교육적 실천에서 수행하는 역할을 검토하기 위해.
• 선택, 교차 및 변이와 같은 GA 구성 요소의 구현을 분석하여 복잡한 최적화 문제를 해결하는 데에.
• 유전 알고리즘이 효과적이고 적응력 있게 기능하는 새로운 적용 분야를 특정하기 위해.
• 하이브리드 계산 과제에 대한 메타휴리스틱 접근법으로서 GA의 통합적 개요를 제공하기 위해.
• 역사적 데이터와 지능적인 무작위 탐색이 해의 품질과 수렴성을 향상시키는 데 기여하는 가치를 부각하기 위해.

제안 방법

• 생물학적 진화와 자연 선택 원리에 기반한 메타휴리스틱 프레임워크를 활용한다.
• 선택, 교차 및 변이 연산자를 핵심 메커니즘으로 삼아 최적의 해로 향하는 탐색 과정을 이끈다.
• 역사적 데이터를 활용하여 탐색 전략을 정보화하고 개선함으로써 최적 또는 근접 최적의 결과로의 수렴을 향상시킨다.
• 유전자 표현, 선호도 모델링 및 하이브리드화 기법과 같은 행동 과학에 영향을 받은 방법을 통합한다.
• 해 공간을 효율적으로 탐색하기 위해 GA를 통계적 조사 과정으로 간주한다.
• 이전 반복의 피드백을 통한 지능적인 무작위 탐색에 중점을 두어 국소 최적값을 피하고 해의 품질을 향상시킨다.

실험 결과

연구 질문

• RQ1 유전 알고리즘은 공학 교육적 맥락에서 문제 해결을 어떻게 향상시키는가?
• RQ2 최적화 작업에서 유전 알고리즘의 핵심 구성 요소와 운영 메커니즘은 무엇인가?
• RQ3 어떤 새로운 분야에서 유전 알고리즘이 효과적으로 적용되고 있는가?
• RQ4 역사적 데이터의 통합이 유전 알고리즘의 성능을 어떻게 향상시키는가?
• RQ5 유전 알고리즘이 하이브리드 계산 과제에 적합한 메타휴리스틱인 이유는 무엇인가?

주요 결과

• 유전 알고리즘은 그 적응적인 탐색 메커니즘 덕분에 복잡한 최적화 문제를 효과적으로 해결할 수 있다.
• 선택, 교차 및 변이의 조합은 해 공간의 효율적 탐색과 이용을 가능하게 한다.
• GA는 역사적 데이터와 지능적인 무작위 탐색에 의존함으로써 수렴성과 해의 품질을 향상시킨다.
• 유전 알고리즘은 최적화 및 문제 해결 전략을 가르치기 위해 점점 더 공학 교육에 적용되고 있다.
• 이 방법은 비선형 문제 경계가 복잡한 환경을 탐색하는 데 있어 강력한 통계적 접근으로 인정받고 있다.
• 하이브리드화 및 유전자 수준의 모델링을 활용하면 알고리즘이 다양한 최적화 과제를 다룰 수 있는 능력이 향상된다.