Earticle

현재 위치 Home

가상환경에서의 유전 알고리즘과 PPO 알고리즘의 학습 성능 비교
Comparison of Learning Performance of Genetic Algorithms and PPO Algorithms in Virtual Environment

첫 페이지 보기
  • 발행기관
    국제차세대융합기술학회 바로가기
  • 간행물
    차세대융합기술학회논문지 KCI 등재 바로가기
  • 통권
    제6권 9호 (2022.09)바로가기
  • 페이지
    pp.1571-1578
  • 저자
    하태성, 전동빈, 송다은, 김경이, 이형원
  • 언어
    한국어(KOR)
  • URL
    https://www.earticle.net/Article/A418110

※ 기관로그인 시 무료 이용이 가능합니다.

4,000원

원문정보

초록

영어
Currently, several algorithms are used to create suitable models, but they often consume a lot of resources. In addition, there are cases where the weights of the learned models are not global optimal points, resulting in the use of resources for further learning. Therefore, in this paper, the model was constructed with a genetic algorithm to find the global optimum using relatively few resources in the learning process of finding the model. In order to find out the learning performance of genetic algorithms, we compared the performance of genetic algorithms by activation function by changing the activation function used in genetic algorithms in the first experiment, and compared analysis with PPO algorithms used in reinforcement learning in the second experiment. The experiment results showed that the difference between the agents consumed in the first experiment was small, but the genetic algorithm using the Lelu function scored high. In the second experiment, it was confirmed that the genetic algorithm used fewer agents than the PPO algorithm, but scored higher.
한국어
현재 적합한 모델을 만들기 위해 여러 가지 알고리즘을 사용하지만 많은 자원을 소모하는 경우가 많다. 또한 학습이 끝난 모델의 가중치 값이 전역 최적점이 아닌 경우가 있어 추가적인 학습에 자원을 사용하는 경우가 발생한 다. 이에 본 논문에서는 모델을 찾는 학습과정에서 비교적 적은 자원을 사용하여 전역 최적점을 찾기 위해 유전 알고 리즘으로 모델을 제작했다. 유전 알고리즘의 학습 성능을 알아보기 위해 첫 번째 실험에서 유전 알고리즘에 사용되는 활성화 함수를 바꿔가면서 활성화 함수별 유전 알고리즘의 성능을 비교하였고, 두 번째 실험에서 모델 성능을 알아보 기 위해 강화 학습에 대표적으로 사용되고 있는 PPO 알고리즘과 비교 분석을 진행했다. 실험 결과 첫 번째 실험에서 소모된 에이전트의 차이는 적었지만 렐루 함수를 사용한 유전 알고리즘이 높은 점수를 얻었다. 두 번째 실험에서는 유전 알고리즘이 PPO알고리즘보다 적은 에이전트 수를 사용했지만 높은 점수가 나온 것으로 확인되었다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 학습 환경
Ⅲ. Proximal Policy Optimization
Ⅳ. Genetic Algorithm
Ⅴ. 실험 및 비교 분석
Ⅵ. 결론 및 향후연구
REFERENCES

키워드

인공지능 강화학습 유전 알고리즘 PPO알고리즘 머신러닝 A.I Reinforcement learning Genetic algorithm PPO algorithm Machine learning

저자

  • 하태성 [ Tae-Sung Ha | 인제대학교 컴퓨터응용과학과 학생 ]
  • 전동빈 [ Dong-Been Jeon | 인제대학교 AI융합로봇학과 학생 ]
  • 송다은 [ Da-Eun Song | 인제대학교 컴퓨터응용과학과 학생 ]
  • 김경이 [ Kyoung-Yee Kim | 인제대학교 컴퓨터응용과학과 교수 ] Corresponding Author
  • 이형원 [ Hyung-Won Lee | 인제대학교 컴퓨터응용과학과 교수 ]

참고문헌

자료제공 : 네이버학술정보

간행물 정보

발행기관

  • 발행기관명
    국제차세대융합기술학회 [International Next-generation Convergence technology Association]
  • 설립연도
    2017
  • 분야
    복합학>기술정책
  • 소개
    Ever since next generation convergence technology became one of the most important industries in the nation, computing professionals have encountered a growing number of challenges. Along with scholars and colleagues in related fields, they have gathered in avariety of forums and meetings over the last few decades to share their knowledge, experiences and the outcome of their research. These exchanges have led to the founding of the International Next-generation Convergence technology (INCA) on December 1, 2015. INCA was registered as an incorporated association under the Ministry of Information and Communications. The main purpose of the organization is to improve our society by achieving the highest capability possible in next generation convergence technology.

간행물

  • 간행물명
    차세대융합기술학회논문지 [The Journal of Next-generation Convergence Technology Association]
  • 간기
    월간
  • pISSN
    2508-8270
  • 수록기간
    2017~2026
  • 등재여부
    KCI 등재
  • 십진분류
    KDC 506 DDC 606

이 권호 내 다른 논문 / 차세대융합기술학회논문지 제6권 9호

    피인용수 : 0건 (자료제공 : 네이버학술정보)

    함께 이용한 논문 이 논문을 다운로드한 분들이 이용한 다른 논문입니다.

      출처 : 네이버학술정보

        0개의 논문이 장바구니에 담겼습니다.

        페이지 저장
        소속기관 조회
        이용자님의 소속기관(단체)이 서비스에 가입되어 있는지 확인해 보십시오.
        기관회원에 소속되어 있는 이용자는 원문을 무료로 이용할 수 있습니다.