GSA는 무생물에서 영감을 얻은 모집단 최적화 알고리즘입니다. 알고리즘에 구현된 뉴턴의 중력 법칙과 그리고 물리적 객체의 상호 작용을 모델링하는 높은 신뢰성 덕분에 우리로 하여금 행성계와 은하단의 매혹적인 춤을 관찰하게 해 줍니다. 이 기사에서는 가장 흥미롭고 독창적인 최적화 알고리즘 중 하나를 살펴볼 것입니다. 우주의 객체의 움직임에 대한 시뮬레이터도 있습니다.
이 기사에서는 뉴턴의 만유인력의 법칙에 기반한 최적화 알고리즘을 소개합니다: "우주의 모든 입자는 질량의 곱에 정비례하고 입자 사이의 거리의 제곱에 반비례하는 힘으로 다른 모든 입자를 끌어당깁니다." 이 알고리즘에서 검색 에이전트는 뉴턴의 중력과 운동 법칙에 따라 서로 상호 작용하는 질량 집합입니다. 동시에 모든 에이전트는 질량(목적 함수의 값으로 계산된 값)과 에이전트 간의 거리에 따라 달라지는 인력을 통해 검색 공간의 어느 위치에 있든 서로 정보를 교환할 수 있습니다.
에이전트는 객체로 취급되며 에이전트의 체력은 이들 에이전트의 질량으로 측정됩니다. 일반적으로 (실제 물리 법칙에 가까운 알고리즘 설정으로) 이러한 모든 객체는 중력에 의해 서로 끌어당겨지며 이러한 힘은 모든 객체가 질량이 더 큰 객체를 향해 전체적으로 움직이게 합니다. 따라서 질량은 중력을 통한 직접적인 형태의 연결을 통해 상호 작용합니다.
기존 GSA에서 각 파티클은 세 가지 종류의 질량을 가집니다:
a) 활성 질량 b) 비활성 질량 c) 관성 질량
대부분의 경우 이러한 개념의 동등성을 사용하여 코드와 계산을 단순화하고 알고리즘 검색 기능의 효율성을 높이는 것이 편리하고 빠릅니다. 따라서 알고리즘에는 3개가 아닌 하나의 질량이 있습니다. GSA에서 사용되는 물리 법칙 방정식은 그림 1에 나와 있습니다.
입자의 위치는 문제에 대한 해결책을 제공하며 적합도 함수는 질량을 계산하는 데 사용됩니다. 알고리즘은 탐색과 개척의 두 단계로 구성됩니다. 이 알고리즘은 처음에는 인텔리전스 기능을 사용하여 로컬 최적값에 갇히지 않도록 하고 그 이후에는 극한 영역을 개척합니다.
새로운 기고글 모집단 최적화 알고리즘: 중력 검색 알고리즘(Gravitational Search Algorithm;GSA) 가 게재되었습니다:
GSA는 무생물에서 영감을 얻은 모집단 최적화 알고리즘입니다. 알고리즘에 구현된 뉴턴의 중력 법칙과 그리고 물리적 객체의 상호 작용을 모델링하는 높은 신뢰성 덕분에 우리로 하여금 행성계와 은하단의 매혹적인 춤을 관찰하게 해 줍니다. 이 기사에서는 가장 흥미롭고 독창적인 최적화 알고리즘 중 하나를 살펴볼 것입니다. 우주의 객체의 움직임에 대한 시뮬레이터도 있습니다.
이 기사에서는 뉴턴의 만유인력의 법칙에 기반한 최적화 알고리즘을 소개합니다: "우주의 모든 입자는 질량의 곱에 정비례하고 입자 사이의 거리의 제곱에 반비례하는 힘으로 다른 모든 입자를 끌어당깁니다." 이 알고리즘에서 검색 에이전트는 뉴턴의 중력과 운동 법칙에 따라 서로 상호 작용하는 질량 집합입니다. 동시에 모든 에이전트는 질량(목적 함수의 값으로 계산된 값)과 에이전트 간의 거리에 따라 달라지는 인력을 통해 검색 공간의 어느 위치에 있든 서로 정보를 교환할 수 있습니다.
에이전트는 객체로 취급되며 에이전트의 체력은 이들 에이전트의 질량으로 측정됩니다. 일반적으로 (실제 물리 법칙에 가까운 알고리즘 설정으로) 이러한 모든 객체는 중력에 의해 서로 끌어당겨지며 이러한 힘은 모든 객체가 질량이 더 큰 객체를 향해 전체적으로 움직이게 합니다. 따라서 질량은 중력을 통한 직접적인 형태의 연결을 통해 상호 작용합니다.
기존 GSA에서 각 파티클은 세 가지 종류의 질량을 가집니다:
대부분의 경우 이러한 개념의 동등성을 사용하여 코드와 계산을 단순화하고 알고리즘 검색 기능의 효율성을 높이는 것이 편리하고 빠릅니다. 따라서 알고리즘에는 3개가 아닌 하나의 질량이 있습니다. GSA에서 사용되는 물리 법칙 방정식은 그림 1에 나와 있습니다.
입자의 위치는 문제에 대한 해결책을 제공하며 적합도 함수는 질량을 계산하는 데 사용됩니다. 알고리즘은 탐색과 개척의 두 단계로 구성됩니다. 이 알고리즘은 처음에는 인텔리전스 기능을 사용하여 로컬 최적값에 갇히지 않도록 하고 그 이후에는 극한 영역을 개척합니다.
작성자: Andrey Dik