KR101105082B1 - Genetic Algorithm using priority and its using wireless network optimization method - Google Patents
Genetic Algorithm using priority and its using wireless network optimization method Download PDFInfo
- Publication number
- KR101105082B1 KR101105082B1 KR20040066082A KR20040066082A KR101105082B1 KR 101105082 B1 KR101105082 B1 KR 101105082B1 KR 20040066082 A KR20040066082 A KR 20040066082A KR 20040066082 A KR20040066082 A KR 20040066082A KR 101105082 B1 KR101105082 B1 KR 101105082B1
- Authority
- KR
- South Korea
- Prior art keywords
- evolutionary
- gene
- priority
- evolution
- solution
- Prior art date
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
본 발명은 우선순위를 이용한 유전자 진화 방법 및 그를 이용한 무선망 최적화 방법에 관한 것으로, 해결하고자 하는 문제를 다수의 부분 문제로 분할하고, 각 부분 문제에 상응하는 우선순위에 따라 하나 또는 다수의 부분 문제의 해를 진화 가능한 유전자로 지정한 후 진화시켜 적합도를 만족시키는 최적해를 산출함으로써, 현실적인 시간 내에 의미있는 결과를 얻을 수 있도록 하는, 우선순위를 이용한 유전자 진화 방법 및 그를 이용한 무선망 최적화 방법을 제공하고자 한다.The present invention relates to a method for gene evolution using priority and a method for optimizing a wireless network using the same, wherein the problem to be solved is divided into a plurality of partial problems, and one or multiple partial problems according to the priority corresponding to each partial problem. By designing the solution as an evolutionary gene and then evolving to calculate the optimal solution that satisfies the fitness, we provide a method of gene evolution using priority and a method of optimizing the wireless network using the same so that meaningful results can be obtained within a realistic time. .
이를 위하여, 본 발명은, 우선순위를 이용한 유전자 진화 방법에 있어서, 해결하고자 하는 문제를 부분 문제들로 분할하는 문제 분할 단계; 상기 분할한 부분 문제들에 대해 우선순위를 설정하는 우선순위 설정 단계; 상기 설정한 우선순위에 따라, 적어도 하나의 부분 문제를 진화 가능한 유전자로 지정하여 진화시키는 제 1 진화 단계; 상기 제 1 진화 단계의 진화 결과(제 1 해)의 적합도를 판정하여, 적합도를 만족시킴에 따라 모든 부분 문제들을 진화 가능한 유전자로 지정하여 진화시키는 제 2 진화 단계; 및 상기 제 2 진화 단계의 진화 결과(제 2 해)의 적합도를 판정하여, 적합도를 만족시키는 최적해를 생성하는 최적해 생성 단계를 포함한다.To this end, the present invention, in the gene evolution method using priority, problem division step of dividing the problem to be solved into partial problems; A priority setting step of setting priorities for the divided partial problems; A first evolutionary step of evolving by designating at least one partial problem as an evolutionary gene according to the set priority; A second evolutionary step of determining a fitness of the evolutionary result (first solution) of the first evolutionary step and designating and evolving all partial problems as evolutionary genes in accordance with the fitness; And an optimal solution generation step of determining a goodness of fit of the evolution result (second solution) of the second evolutionary step, and generating an optimal solution satisfying the goodness of fit.
우선순위, 유전자 알고리즘, 부분 문제, 적합도, 커버리지, 무선망 최적화Priority, Genetic Algorithm, Partial Problem, Goodness of Fit, Coverage, Wireless Network Optimization
Description
도 1 은 종래의 유전자 진화 방법에 대한 일실시예 흐름도,1 is a flow chart of an embodiment of a conventional gene evolution method;
도 2 는 본 발명에 따른 우선순위를 이용한 유전자 진화 방법에 대한 일실시예 흐름도,2 is a flow chart of an embodiment of a gene evolution method using priorities according to the present invention;
도 3 은 본 발명에 따른 유전자 알고리즘을 이용한 무선망 최적화 방법에 대한 일실시예 흐름도이다.
3 is a flowchart illustrating an embodiment of a method for optimizing a wireless network using a genetic algorithm according to the present invention.
본 발명은 우선순위를 이용한 유전자 진화 방법 및 그를 이용한 무선망 최적화 방법에 관한 것으로, 더욱 상세하게는 해결하고자 하는 문제를 다수의 부분 문제로 분할하고, 각 부분 문제에 상응하는 우선순위에 따라 하나 또는 다수의 부분 문제의 해를 진화 가능한 유전자로 지정한 후 진화시켜 적합도를 만족시키는 최적해를 산출하기 위한, 우선순위를 이용한 유전자 진화 방법 및 그를 이용한 무선망 최적화 방법에 관한 것이다.The present invention relates to a gene evolution method using a priority and a wireless network optimization method using the same. More particularly, the problem to be solved is divided into a plurality of partial problems, one or more according to the priority corresponding to each partial problem The present invention relates to a gene evolution method using priorities and a wireless network optimization method using the same to assign an optimal solution that satisfies fitness by designating a solution of a plurality of partial problems as an evolutionary gene and then evolving.
일반적인 유전자 알고리즘의 기본 개념에 대해 살펴보기로 한다.Let's take a look at the basic concept of general genetic algorithm.
자연계에 있는 생물의 진화과정에 있어서, 자연계의 생물은 어떤 세대(generation)를 형성하는 개체(individual)들의 집합, 즉 개체군(population) 중에서 환경에 대한 적합도(fitness)가 높은 개체가 높은 확률로 살아남아 재생(reproduction)할 수 있게 되며, 이때 교배(crossover) 및 돌연변이(mutation)로서 다음 세대의 개체군을 형성하게 된다.In the evolution of living things in nature, the living things in the natural world have a high probability that a population of individuals that form a generation, that is, a population with high fitness for the environment, survives. Reproduction is possible, with crossovers and mutations forming the next generation of populations.
유전자 알고리즘(GA : Genetic Algorithm)에서 개체의 수를 개체군의 크기(population size)라고 한다. 각각의 개체는 염색체(chromosome)를 가지고 있으며, 염색체는 복수개의 유전자(gene) 집합으로 구성된다. 유전자의 위치를 유전자좌(locus)라 하고, 유전자가 취하게 되는 유전자의 후보를 대립 유전자(형질, allele)라고 한다. 생물의 경우에 염색체는 어떤 개체의 특징을 상세하게 결정하게 되는데, 예를 들어 머리가 검은 것은 염색체 중에 이러한 특징을 나타내도록 하는 유전자의 조합이 존재하기 때문이다.In genetic algorithms (GAs), the number of individuals is called the population size. Each individual has a chromosome, which consists of a set of genes. The location of the gene is called the locus, and the candidate of the gene it takes is called an allele. In living organisms, chromosomes determine the characteristics of an individual in detail, for example, a black head is a combination of genes on the chromosome that cause these characteristics.
이와 같이 유전자에 의해 결정되는 개체의 형질을 표현형(phenotype)이라고 하고, 이에 대응되는 염색체의 구조를 유전형(genotype)이라 한다. 여기에서 표현형이 여러 개의 유전자좌의 영향을 받아 복잡한 형태가 결정되는데, 이것을 에피스타시스(epistasis)라고 한다. 또한, 표현형을 유전형으로 바꾸는 것을 코드화(coding)라 하고, 그 역을 디코드화(decoding)라고 한다.As such, the trait of an individual determined by a gene is called a phenotype, and the structure of the corresponding chromosome is called a genotype. Here, the phenotype is influenced by several loci, and a complex form is determined. This is called epitissis. In addition, changing a phenotype into a genotype is called coding, and vice versa.
이러한 자연계의 생물의 진화과정을 모방하여 인공적으로 모델링한 알고리즘을 유전자 알고리즘이라 한다.Artificially modeled algorithms that mimic the evolutionary processes of natural creatures are called genetic algorithms.
여기서, 도 1 을 참조하여 종래의 유전자 알고리즘에 대해 살펴보면, 종래의 유전자 알고리즘은 해결하고자 하는 문제의 해결 방법, 즉 문제의 해를 하나의 개체로 인코딩하여 해집합을 구성하고, 이 개체들을 집합으로 만들어 개체군을 구성한 후 개체 간의 교배 및 돌연변이를 통해 새로운 해를 생성하여, 적합도를 평가하는 방법으로 최적의 해를 구하는 해 탐색 방법 또는 최적화 방법의 일종이다. 이때, 종결 조건은 보통 일정한 수의 세대가 진화되었거나, 일정한 수의 세대가 지나도록 더 이상 적합도가 개선되지 않거나, 또는 적합도가 어느 임계값 이상이 되었을 때 등이 된다.Referring to FIG. 1, a conventional genetic algorithm will be described. A conventional genetic algorithm forms a solution set by encoding a solution of a problem to be solved, that is, a solution of a problem, into a set, and the objects as a set. It is a kind of solution search method or optimization method that creates a new solution through crossbreeding and mutation between individuals after creating a population, and finds an optimal solution by evaluating the fitness. In this case, the termination condition is usually when a certain number of generations have evolved, when a certain number of generations no longer improves the fitness, or when the fitness reaches a certain threshold or more.
이를 좀 더 상세히 살펴보면, 먼저 해결하고자 하는 문제의 해를 하나의 개체로 인코딩하여 유전자로 지정한다(101).Looking at this in more detail, first, the solution of the problem to be solved is encoded into a single entity and designated as a gene (101).
이후, 해당 유전자들의 집합으로 개체군을 구성한 후 상기 개체군에서 진화시킬 개체를 선택하고, 선택된 개체 간의 교배 및 돌연변이를 통해 새로운 해를 생성한다(102 내지 105).Subsequently, the population is composed of a set of genes, and then the individual to be evolved is selected from the population, and a new solution is generated through crossover and mutation between the selected individuals (102 to 105).
이후, 진화 결과(해)가 적합도를 만족시키는지 확인한다(106).Then, it is checked whether the evolution result (solution) satisfies the fitness (106).
상기 확인 결과(106), 적합도를 만족시키면 종료하고, 만족시키지 못하면 상기 개체 선택 과정(103)으로 진행하여 이후의 과정을 수행한다.As a result of the
이때, 종결 조건은 보통 일정한 수의 세대가 진화되었거나, 일정한 수의 세대가 지나도록 더 이상 적합도가 개선되지 않거나, 또는 적합도가 어느 임계값 이상이 되었을 때 등이 된다.In this case, the termination condition is usually when a certain number of generations have evolved, when a certain number of generations no longer improves the fitness, or when the fitness reaches a certain threshold or more.
일반적으로 유전자 알고리즘은 문제 해결이 불가능한 것으로 알려진 NLP(Non-Linear Problem) 또는 NP-Complete(Nondeterministic Polynomial time - Complete) 또는 NP-Hard(Nondeterministic Polynomial time - Hard)와 같이 계산적 복잡성(computational complexity)을 갖는 문제의 최적해를 찾기 위한 용도로 사용된다.Genetic algorithms generally have computational complexity, such as non-linear problems (NLPs) or non-deterministic polynomial time (complete) or NP-hard (nondeterministic polynomial time-hard), which are known to be impossible to solve. Used to find the optimal solution to a problem.
유전자 알고리즘에 의한 탐색 또는 최적화 문제의 해결에 있어서는 미지의 영역에 대한 탐색(expolration)과 획득한 정보의 유효한 이용(exploitation)의 조화가 무엇보다 중요하다. 상기 획득한 정보의 유효한 이용은 기존의 등고선법(hill-climbing)과 유사하며, 미지의 영역에 대한 탐색이 강조될수록 랜덤 탐색(random search)과 같은 특성을 나타내게 된다.In solving the search or optimization problem by the genetic algorithm, the balance between the exploration of the unknown area and the effective exploitation of the acquired information is of paramount importance. The effective use of the obtained information is similar to the conventional hill-climbing, and as the search for the unknown area is emphasized, the random information is shown as a random search.
유전자 알고리즘은 이러한 두 가지의 조건을 함께 제어할 수 있는 알고리즘이다. 이를 제어하기 위한 파라미터에는 여러 가지가 있으나 중요한 것 3가지만 예를 들자면, 개체군의 크기(population size : M), 교배 확률(probability of crossover : pc), 돌연변이 확률(probability of mutation : pm)이 있다.The genetic algorithm is an algorithm that can control these two conditions together. There are many parameters to control this, but three important ones are population size (M), probability of crossover (pc), and probability of mutation (pm).
일반적으로 큰 교배 확률(pc)과 돌연변이 확률(pm)의 값은 알고리즘의 탐색(exploration) 능력을 향상시킴으로써 진화 초기에 적합도가 높은 탐색공간을 찾는데 유리하게 작용하지만, 동시에 이용(exploitation)능력을 저하시킴으로써 어느 정도 좋은 해를 찾은 후에는 이 탐색공간 내에서 최적해로 수렴하는데 있어서는 수렴속도를 저하시키는 요인으로 작용할 수 있다. 반면에, 작은 교배 확률(pc)과 돌연변이 확률(pm)의 값은 반대의 특성을 나타낸다.In general, the values of large cross probabilities (pc) and mutation probabilities (pm) are advantageous for finding a good search space at the beginning of evolution by improving the algorithm's exploration capability, but at the same time, it reduces the exploitation ability. After finding a good solution, it can act as a factor to decrease the convergence speed in convergence to the optimal solution in this search space. On the other hand, the values of small breeding probability (pc) and mutation probability (pm) show opposite characteristics.
한편, 개체군의 크기 M이 작으면 적합도 계산에 필요한 시간을 절약할 수 있으나, 개체간의 다양성의 빠른 손실로 인해 최적의 해를 구하기 전에 수렴할 위험성을 내포한다. 반면, 개체군의 크기가 크면 최적해에 도달할 확률은 높으나 많은 기억용량과 계산시간을 필요로 한다. 이 둘의 성능 평가 항목을 모두 만족시켜 주는 최적의 개체군의 크기를 정하는 방법은 문제의 성격과 다른 제어 파라미터들의 값에 따라 다르다.On the other hand, if the population size M is small, the time required for the calculation of the fitness can be saved, but the risk of convergence before the optimal solution is obtained due to the rapid loss of diversity among the individuals. On the other hand, if the population is large, the probability of reaching an optimal solution is high, but it requires a lot of memory and computation time. The method of determining the optimal population size that satisfies both performance criteria depends on the nature of the problem and the values of other control parameters.
많은 경우에 유전자 알고리즘이 다른 방법들에 비해 문제의 최적해를 찾는데 뛰어난 속도를 보이지만, 풀고자 하는 문제의 해집합의 크기가 매우 크거나 각각의 개체에 대한 적합도 판정에 많은 시간이 걸리는 경우에 있어서 종래의 유전자 알고리즘을 그대로 이용해서는 허용 가능한 시간 내에 원하는 해를 찾을 수 없는 문제점이 있다.In many cases, genetic algorithms are faster than other methods in finding the optimal solution, but in the case where the solution set of the problem to be solved is very large or it takes a long time to determine the goodness of fit for each individual, There is a problem that the desired solution can not be found within an acceptable time using the genetic algorithm of.
즉, 풀고자하는 문제의 해 집합이 문제가 커짐에 따라 지수적으로 (exponentially) 증가하는 경우에, 해 집합이 지수적으로 증가하면 최적해 탐색시간도 지수적으로 증가하게 되어 종래의 유전자 알고리즘을 그대로 이용해서는 허용가능한 시간 내에 원하는 해를 찾을 수 없는 문제점이 있다.That is, if the solution set of the problem to be solved increases exponentially as the problem increases, the exponential increase of the solution set increases exponentially and the exploration time also increases exponentially. There is a problem that the desired solution cannot be found within an acceptable time.
한편, 앞으로 무선 데이터 통신 네트워크는 현재의 유선 통신 네트워크와 연결되어 모든 곳에서 사용자들에게 서비스를 제공할 것이다. 이때, 주파수와 같은 무선 통신 자원을 효율적으로 이용하여 사용자에게 고품질의 서비스를 제공하기 위해서는, 무선 데이터 네트워크가 데이터 트래픽의 양에 따라 통신 서비스 중에 가변적으로 최적화되어야 한다.In the future, wireless data communication networks will be connected to current wired communication networks to provide services to users everywhere. In this case, in order to efficiently use a wireless communication resource such as frequency to provide a high quality service to a user, the wireless data network must be variably optimized during the communication service according to the amount of data traffic.
무선망 최적화는 통신 서비스 품질을 극대화하고, 제공 통신 서비스를 최대화하기 위해서 각 기지국 안테나의 파라미터를 최적화함으로써 수행된다. 즉, 통신 트래픽의 분포에 따라 가변적으로 안테나의 방향, 틸트 및 전파 세기를 변화시켜, 동적으로 변화하는 사용자 트래픽을 위한 통신 용량을 제공해야 한다.Wireless network optimization is performed by optimizing the parameters of each base station antenna in order to maximize communication service quality and maximize communication service provided. That is, it is necessary to vary the direction, tilt and propagation strength of the antenna according to the distribution of the communication traffic to provide communication capacity for dynamically changing user traffic.
그러므로 최적화에 소요되는 계산 복잡도는 최적화될 파라미터들의 수에 의해 결정된다. 일반적인 경우, 최적화의 대상이 되는 파라미터들은 안테나의 방향, 틸트와 신호세기를 결정하는 전파 세기와 같은 파라미터들을 포함한다.Therefore, the computational complexity required for optimization is determined by the number of parameters to be optimized. In general cases, the parameters to be optimized include parameters such as the direction of the antenna, the tilt and the propagation strength which determines the signal strength.
무선망 최적화를 자동화하기 위해 많은 자동화 툴(Tool)들이 개발되고 있고, 새로운 방법들이 제안되고 있으나, 최적화 문제 자체가 비선형 문제(Non-Linear Problem)이며, 일반적으로 비선형 문제는 실시간에 해결이 불가능하다.Many automation tools have been developed and new methods have been proposed to automate wireless network optimization, but the optimization problem itself is a non-linear problem, and in general, non-linear problems cannot be solved in real time. .
따라서 이러한 무선망 최적화 문제를 해결하기 위해, 종래의 무선망 최적화 방법에서는 종래의 유전자 알고리즘과 같은 휴리스틱적인 방법을 이용하여 해집합을 탐색하는 방법을 사용하였다. 그리고 계산 속도 향상을 위해 많은 컴퓨터를 연결하여 C/PVM(Parallel Virtual Machine) 병렬 연산 방법을 사용하였다.Therefore, in order to solve the wireless network optimization problem, the conventional wireless network optimization method uses a method of searching for a solution set using a heuristic method such as a conventional genetic algorithm. In order to improve the computational speed, C / PVM (Parallel Virtual Machine) parallel computation method was used.
그러나 상기와 같은 종래의 무선망 최적화 방법은 종래의 유전자 알고리즘에서 발생하는 평가함수(Fitness function)의 계산 복잡도가 너무 높기 때문에 현실적인 시간 내에 의미있는 결과를 얻을 수 없다는 문제점이 있었다.However, the conventional method for optimizing the wireless network as described above has a problem in that it is impossible to obtain a meaningful result within a realistic time because the computational complexity of the fitness function generated in the conventional genetic algorithm is too high.
본 발명은 상기 문제점을 해결하기 위하여 제안된 것으로, 해결하고자 하는 문제를 다수의 부분 문제로 분할하고, 각 부분 문제에 상응하는 우선순위에 따라 하나 또는 다수의 부분 문제의 해를 진화 가능한 유전자로 지정한 후 진화시켜 적합도를 만족시키는 최적해를 산출함으로써, 현실적인 시간 내에 의미있는 결과를 얻을 수 있도록 하는, 우선순위를 이용한 유전자 진화 방법 및 그를 이용한 무선망 최적화 방법을 제공하는데 그 목적이 있다.The present invention has been proposed to solve the above problems, and divides the problem to be solved into a plurality of partial problems, and assigns a solution of one or multiple partial problems as an evolutionary gene according to the priority corresponding to each partial problem. It is an object of the present invention to provide a method for gene evolution using priorities and a method for optimizing a wireless network using the same, which can achieve meaningful results within a realistic time by calculating an optimal solution that satisfies the fitness by post-evolving.
본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
Other objects and advantages of the present invention can be understood by the following description, and will be more clearly understood by the embodiments of the present invention. Also, it will be readily appreciated that the objects and advantages of the present invention may be realized by the means and combinations thereof indicated in the claims.
상기 목적을 달성하기 위한 본 발명의 방법은, 우선순위를 이용한 유전자 진화 방법에 있어서, 해결하고자 하는 문제를 부분 문제들로 분할하는 문제 분할 단계; 상기 분할한 부분 문제들에 대해 우선순위를 설정하는 우선순위 설정 단계; 상기 설정한 우선순위에 따라, 적어도 하나의 부분 문제를 진화 가능한 유전자로 지정하여 진화시키는 제 1 진화 단계; 상기 제 1 진화 단계의 진화 결과(제 1 해)의 적합도를 판정하여, 적합도를 만족시킴에 따라 모든 부분 문제들을 진화 가능한 유전자로 지정하여 진화시키는 제 2 진화 단계; 및 상기 제 2 진화 단계의 진화 결과(제 2 해)의 적합도를 판정하여, 적합도를 만족시키는 최적해를 생성하는 최적해 생성 단계를 포함한다.The method of the present invention for achieving the above object, in the gene evolution method using priority, problem division step of dividing the problem to be solved into partial problems; A priority setting step of setting priorities for the divided partial problems; A first evolutionary step of evolving by designating at least one partial problem as an evolutionary gene according to the set priority; A second evolutionary step of determining a fitness of the evolutionary result (first solution) of the first evolutionary step and designating and evolving all partial problems as evolutionary genes in accordance with the fitness; And an optimal solution generation step of determining a goodness of fit of the evolution result (second solution) of the second evolutionary step, and generating an optimal solution satisfying the goodness of fit.
삭제delete
한편, 상기 목적을 달성하기 위한 본 발명의 다른 방법은, 유전자 알고리즘을 이용한 무선망 최적화 방법에 있어서, 무선망 최적화에 가장 많은 영향을 주는 우성 부분 문제(dominant sub-problem)인 기지국의 위치를 진화 가능 유전자로 지정하여 최적화대상 파라미터들로 구성된 유전자를 생성하는 유전자 생성 단계; 상기 생성한 유전자들로 개체군을 구성하여 진화시키는 제 1 진화 단계; 상기 제 1 진화 단계의 진화 결과로 생성된 제 1 해를 이용하여 '부분 영역에 대한 커버리지'가 제 1 임계치를 초과하는지 확인하는 확인 단계; 상기 부분 영역에 대한 커버리지가 상기 제 1 임계치를 초과함에 따라, 안테나 각도 및 신호 세기를 진화 가능한 유전자로 지정하여 진화시키는 제 2 진화 단계; 및 상기 제 2 진화 단계의 진화 결과로 생성된 제 2 해를 이용하여 '전체 영역에 대한 커버리지'가 제 2 임계치를 초과하는 최적해를 생성하는 최적해 생성 단계를 포함한다.On the other hand, another method of the present invention for achieving the above object, in the wireless network optimization method using a genetic algorithm, the position of the base station which is the dominant sub-problem that has the most influence on the wireless network optimization (evolution) Gene generation step of generating a gene consisting of parameters to be optimized by designating a possible gene; A first evolution step of constructing and evolving a population of the generated genes; A verification step of checking whether the 'coverage for the partial region' exceeds a first threshold using a first solution generated as a result of the evolution of the first evolutionary step; A second evolutionary step of evolving by designating an antenna angle and signal strength as an extensible gene as the coverage for the partial region exceeds the first threshold; And an optimal solution generation step of using the second solution generated as a result of the evolution of the second evolutionary step to generate an optimal solution whose 'coverage over the entire area' exceeds a second threshold.
삭제delete
상술한 목적, 특징 및 장점은 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또 한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 일실시예를 상세히 설명하기로 한다.The foregoing and other objects, features and advantages of the present invention will become more apparent from the following detailed description of the present invention when taken in conjunction with the accompanying drawings, in which: There will be. In addition, in describing the present invention, when it is determined that the detailed description of the known technology related to the present invention may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. Hereinafter, a preferred embodiment of the present invention will be described in detail with reference to the accompanying drawings.
도 2 는 본 발명에 따른 우선순위를 이용한 유전자 진화 방법에 대한 일실시예 흐름도이다.Figure 2 is a flow diagram of an embodiment of the gene evolution method using the priority according to the present invention.
먼저, 해결하고자 하는 문제를 부분 문제들로 분할하고, 각 부분 문제들에 대해 우선순위를 결정한다(201). 이때, 상기 부분 문제들은 서로 독립적이거나, 서로 독립적이지 않더라도 상호 연관성이 비교적 적은 것(임계치 이하인 것)이 바람직하다.First, a problem to be solved is divided into partial problems, and priorities are determined for each partial problems (201). In this case, it is preferable that the partial problems are relatively independent from each other or have relatively little correlation (below threshold).
이후, 우선순위에 따라 가장 높은 우선순위를 갖는 부분 문제, 즉 적합도에 가장 많은 영향을 미치는 우성 부분 문제(dominant sub-problem)를 진화 가능 유전자로 지정하여 진화시킨다(202 내지 205).Then, the partial problem having the highest priority according to the priority, that is, the dominant sub-problem having the most influence on the fitness, is designated as an evolutionary gene and evolved (202 to 205).
이후, 상기 진화 결과(제 1 해)가 제 1 적합도를 만족시키는지 확인한다, 즉 제 1 임계치를 초과하는지 확인한다(206).Then, it is checked whether the evolution result (first solution) satisfies the first goodness of fit, that is, whether the first threshold is exceeded (206).
상기 확인 결과(206), 제 1 적합도를 만족시키지 못하면 상기 진화 과정 "203"으로 진행하여 이후의 과정을 수행한다.As a result of the
한편, 상기 확인 결과(206), 제 1 적합도를 만족시키면 모든 부분 문제들을 진화가능한 유전자로 지정한 후 진화시킨다(207 내지 210).On the other hand, if the result of the
이후, 상기 진화 결과(제 2 해)가 제 2 적합도를 만족시키는지 확인한다, 즉 제 2 임계치를 초과하는지 확인한다(211). Then, it is checked whether the evolution result (second solution) satisfies the second goodness of fit, that is, whether the second threshold is exceeded (211).
상기 확인 결과(211), 제 2 해가 상기 제 2 적합도를 만족시키면 종료하고, 만족시키지 못하면 상기 진화 과정 "208"로 진행하여 이후의 과정을 수행한다.As a result of the
본 발명의 일실시예에서는 가장 우선순위가 높은 부분 문제와 그렇지 않은 부분 문제로 단순화시켜 설명하였으나, 각각의 부분 문제들에 대해 가장 높은 우선순위를 갖는 부분 문제부터 그 다음 문제, 또 그 다음 문제로 하나씩 진화 가능한 유전자로 추가 지정하여 순차적으로 최적해를 찾을 수도 있다.In the exemplary embodiment of the present invention, the partial problem having the highest priority and the partial problem which have not been described are simplified. However, the partial problem having the highest priority for each partial problem, the next problem, and the next problem are described. You can also assign additional genes one by one to find optimal solutions sequentially.
도 3 은 본 발명에 따른 유전자 알고리즘을 이용한 무선망 최적화 방법에 대한 일실시예 흐름도이다.3 is a flowchart illustrating an embodiment of a method for optimizing a wireless network using a genetic algorithm according to the present invention.
먼저, 가장 높은 우선순위를 갖는 부분 문제, 즉 무선망 최적화에 가장 많은 영향을 주는 우성 부분 문제(dominant sub-problem)인 기지국의 위치를 진화 가능 유전자로 지정하여 최적화대상 파라미터들로 구성된 유전자를 만들고 그 유전자들로 진화시킬 개체군을 구성한다(301). 이때, 안테나 각도나 신호 세기 등과 같은 다른 부분 문제들은 고정시키고 기지국의 위치만을 진화시킴으로써 보다 빠른 시간 내에 원하는 적합도를 갖는 해를 찾을 수 있다.First, a gene consisting of optimization parameters is created by designating the position of a base station, which is the dominant sub-problem that has the greatest influence on the optimization of the wireless network, as the evolutionary gene. Construct a population to evolve into the genes (301). At this time, by solving other partial problems such as antenna angle or signal strength and evolving only the position of the base station, a solution having a desired fit can be found in a shorter time.
이후, 상기 개체군에서 진화시킬 개체를 선택하고, 선택된 개체 간의 교배 및 돌연변이를 통해 새로운 제 1 해를 생성한다(302 내지 304). 즉, 진화시킨다.Thereafter, individuals to be evolved from the population are selected and new first solutions are generated through crossover and mutation between the selected individuals (302 to 304). It evolves.
이후, 상기 생성한 제 1 해를 이용하여 부분 영역에 대한 커버리지가 제 1 임계치를 초과하는지 확인한다(305). 이때, 상기 커버리지는 신호세기대잡음비(Eb/N0)에 의해 결정되는 통화가능지역의 비율을 의미한다.Then, it is checked whether the coverage for the partial region exceeds the first threshold using the generated first solution (305). In this case, the coverage refers to the ratio of the coverage area determined by the signal strength to noise ratio (Eb / NO).
상기 확인 결과(305), 제 1 임계치를 초과하지 않으면 상기 선택 및 교배 과정(302)으로 진행하여 이후의 과정을 수행하고, 제 1 임계치를 초과하면 모든 부분 문제들을 진화 가능한 유전자로 지정한다(306).As a result of the
그리고 모든 개체 간의 교배 및 돌연변이를 통해 새로운 제 2 해를 생성한다(307 내지 309).And cross-mutation and mutation between all individuals to create a new second solution (307-309).
이후, 상기 생성한 제 2 해를 이용하여 전체 영역에 대한 커버리지가 제 2 임계치를 초과하는지 확인한다(310). 이때, 상기 커버리지는 신호세기대잡음비(Eb/N0)에 의해 결정되는 통화가능지역의 비율을 의미한다.Then, it is checked whether the coverage for the entire area exceeds the second threshold using the generated second solution (310). In this case, the coverage refers to the ratio of the coverage area determined by the signal strength to noise ratio (Eb / NO).
상기 확인 결과(310), 제 2 임계치를 초과하면 종료하고, 제 2 임계치를 초과하지 않으면 상기 제 2 해 생성 과정 "307"로 진행하여 이후의 과정을 수행한다.As a result of the
상기와 같은 과정을 통해 무선망 최적화에 가장 큰 영향을 끼치는 기지국의 위치만을 진화 가능한 유전자로 지정하여 진화시킴으로써, 부분 영역에 대한 최적해를 탐색한 후, 전체 문제로 확대하여 전체 영역에 대한 최적해를 탐색함으로써, 빠른 시간 내에 원하는 최적해를 탐색할 수 있다.Through the above process, by designating and evolving only the location of the base station which has the greatest influence on the optimization of the wireless network as an extensible gene, the optimal solution for the partial region is searched and then expanded to the entire problem to search for the optimal solution for the entire region. By doing so, it is possible to search for a desired optimal solution in a short time.
상술한 바와 같은 본 발명의 방법은 프로그램으로 구현되어 컴퓨터로 읽을 수 있는 형태로 기록매체(씨디롬, 램, 롬, 플로피 디스크, 하드 디스크, 광자기 디스크 등)에 저장될 수 있다. 이러한 과정은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있으므로 더 이상 상세히 설명하지 않기로 한다.The method of the present invention as described above may be embodied as a program and stored in a computer-readable recording medium (such as a CD-ROM, a RAM, a ROM, a floppy disk, a hard disk, or a magneto-optical disk). Since this process can be easily implemented by those skilled in the art will not be described in more detail.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다.
The present invention described above is capable of various substitutions, modifications, and changes without departing from the technical spirit of the present invention for those skilled in the art to which the present invention pertains. It is not limited by the drawings.
상기와 같은 본 발명은, 해결하고자 하는 문제를 다수의 부분 문제로 분할하고, 각 부분 문제에 상응하는 우선순위에 따라 하나 또는 다수의 부분 문제의 해를 진화 가능한 유전자로 지정한 후 진화시켜 적합도를 만족시키는 최적해를 산출함으로써, 현실적인 시간 내에 의미있는 결과를 얻을 수 있는 효과가 있다.As described above, the present invention divides a problem to be solved into a plurality of partial problems, and assigns a solution of one or more partial problems as an evolutionary gene according to a priority corresponding to each partial problem, and then evolves to satisfy the fitness. By calculating the optimal solution to be made, it is possible to obtain a meaningful result in a realistic time.
또한, 본 발명은 최적해 탐색에 소요되는 시간이 긴 복잡한 문제를 재구성하여 부분 최적해를 탐색한 후 이를 다시 원상복원하여 유전자 진화에 소요되는 시간을 단축시키면서도 정확한 최적해를 탐색함으로써, 무선통신망의 최적화, 가스 파이프라인의 최적화, 전력 송전망의 최적화, VLSI(Very Large Scale Integration)회로설계, 컴퓨터 통신망 설계, 신경망의 합성 및 학습, 패턴 인식, 자연언어 처리, 이동 로봇의 경로 계획 등의 문제를 현실적인 시간 내에 해결할 수 있는 효과가 있다. In addition, the present invention reconstructs a complex problem that takes a long time to search for an optimal solution, and then search for a partial optimal solution and restore it back to search for an accurate optimal solution while reducing the time required for gene evolution. Solve problems such as pipeline optimization, power transmission network optimization, Very Large Scale Integration (VLSI) circuit design, computer network design, neural network synthesis and learning, pattern recognition, natural language processing, and path planning for mobile robots in a realistic time. It can be effective.
아울러 본 발명의 바람직한 실시예들은 예시의 목적을 위해 개시된 것이며, 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가 등이 가능할 것이며, 이러한 수정 변경 등은 이하의 특허청구의 범위에 속하는 것으로 보아야 할 것이다.In addition, preferred embodiments of the present invention are disclosed for the purpose of illustration, those skilled in the art will be able to make various modifications, changes, additions, etc. within the spirit and scope of the present invention, such modifications and modifications belong to the scope of the claims You will have to look.
Claims (6)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20040066082A KR101105082B1 (en) | 2004-08-20 | 2004-08-20 | Genetic Algorithm using priority and its using wireless network optimization method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20040066082A KR101105082B1 (en) | 2004-08-20 | 2004-08-20 | Genetic Algorithm using priority and its using wireless network optimization method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20060017417A KR20060017417A (en) | 2006-02-23 |
| KR101105082B1 true KR101105082B1 (en) | 2012-01-16 |
Family
ID=37125501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR20040066082A KR101105082B1 (en) | 2004-08-20 | 2004-08-20 | Genetic Algorithm using priority and its using wireless network optimization method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101105082B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100899023B1 (en) * | 2006-12-07 | 2009-05-21 | 한국전자통신연구원 | Optimizing method of radio resources using goal programming-applied genetic algorithm, and recorded media recording computer program readable on computer using thereof |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050102780A (en) * | 2004-04-23 | 2005-10-27 | 진성휀스공업 주식회사 | A support ladder for going in and out of a bridge check establishment |
-
2004
- 2004-08-20 KR KR20040066082A patent/KR101105082B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050102780A (en) * | 2004-04-23 | 2005-10-27 | 진성휀스공업 주식회사 | A support ladder for going in and out of a bridge check establishment |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20060017417A (en) | 2006-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rangel et al. | On redundant coverage maximization in wireless visual sensor networks: Evolutionary algorithms for multi-objective optimization | |
| CN112784362A (en) | Hybrid optimization method and system for unmanned aerial vehicle-assisted edge calculation | |
| Barnes et al. | Performance of a hidden Markov channel occupancy model for cognitive radio | |
| CN114585006B (en) | Edge computing task unloading and resource allocation method based on deep learning | |
| CN113285832B (en) | NSGA-II-based power multi-mode network resource optimization allocation method | |
| CN112083967B (en) | Cloud edge computing task unloading method, computer equipment and storage medium | |
| CN107786989B (en) | Lora intelligent water meter network gateway deployment method and device | |
| CN109298930A (en) | A kind of cloud workflow schedule method and device based on multiple-objection optimization | |
| CN116627241A (en) | Method, system, equipment and storage medium for optimizing energy consumption of server | |
| Fulber-Garcia et al. | A genetic scheduling strategy with spatial reuse for dense wireless networks | |
| CN111542069B (en) | Method for realizing wireless AP deployment optimization based on rapid non-dominant genetic algorithm | |
| KR101105082B1 (en) | Genetic Algorithm using priority and its using wireless network optimization method | |
| Reza et al. | A novel integrated mathematical approach of ray-tracing and genetic algorithm for optimizing indoor wireless coverage | |
| Dao et al. | A multifactorial evolutionary algorithm for minimum energy cost data aggregation tree in wireless sensor networks | |
| CN114840326B (en) | Resource scheduling method and device, electronic equipment and storage medium | |
| Oda et al. | Performance evaluation of WMN using WMN-GA system for different mutation operators | |
| CN109195222B (en) | Power distribution method based on statistical characteristic reference | |
| CN113141272B (en) | Network security situation analysis method based on iteration optimization RBF neural network | |
| Burhan et al. | Evolutionary multi-objective set cover problem for task allocation in the Internet of Things | |
| De Marco | MOGAMESH: A multi-objective algorithm for node placement in wireless mesh networks based on genetic algorithms | |
| KR100863128B1 (en) | Method for Optimizing Wireless Network using the optimization of domain | |
| Alenoghena et al. | Application of genetic algorithm in radio network coverage optimization–a review | |
| Wu et al. | Planning system for indoor wireless network | |
| CN110263906B (en) | Asymmetric negative correlation search method | |
| Suganthan et al. | Adaptation methods in differential evolution: A review |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| AMND | Amendment | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| J201 | Request for trial against refusal decision | ||
| B701 | Decision to grant | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20150105 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20160104 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20161227 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20180102 Year of fee payment: 7 |
|
| FPAY | Annual fee payment |
Payment date: 20181227 Year of fee payment: 8 |
|
| FPAY | Annual fee payment |
Payment date: 20200102 Year of fee payment: 9 |