http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
홍승열 대한기계학회 1993 大韓機械學會誌 Vol.33 No.5
이 글에서는 원자력 발전소 수명관리에 대한 개념, 절차 및 해외연구동향과 한전의 연구계획을 소개하였다. 원자력 발전소의 수명관리 연구란 전 수명기간 동안에 발전소 성능과 안전성을 유 지할 수 있는 기술적인 방안과 경제적으로 최적인 운전종료 시점을 찾는 과정이다. 또 수명관 리란 현재의 개발된 기술로 미래에 발생할 일에 대한 예측을 하는데 있어서 불확실성을 줄여 나가는 과정이므로 지금 현재의 단계에서는 해당 발전소의 연장운전 가능성을 누구도 명확히 말할 수 없다. 따라서 수명관리연구는 연장운전 그 자체보다 어떻게 하면 발전소를 잘 관리하여 오랫동안 경제적으로 운전할 수 있을까 하는 측면에서 수행되어져야 한다.
홍승열,신승수,김용혁 사단법인 한국융합기술연구학회 2022 아시아태평양융합연구교류논문지 Vol.8 No.12
In this study, we construct a soccer team formation by searching for a player combination that consider a characteristic of the formation and the ability of players using a genetic algorithm. We designed objective functions that define the relationship between the player's ability and formation using machine learning techniques. We predict player's ability using machine learning techniques, and the objective function representing the player's ability was defined through the result of prediction. Random forest performed best in prediction of player's ability. The objective function representing a characteristic of the formation is defined using an association rule analysis. The designed objective functions are used for the fitness function to evaluate chromosomes of our genetic algorithm. The results are evaluated by comparing the solution of our genetic algorithm with the player combination selected by Professional Footballers' Association (PFA) and the solution derived by a greedy method. As a result, the solution of our genetic algorithm showed a 60% similarity to the player combination selected by PFA. As for the fitness score, our genetic algorithm performed best. Through this, we could confirm that a sufficiently good player combination could be decided without any expert intervention, and our genetic algorithm searched for better player combinations than the greedy method. 본 연구에서는 유전 알고리즘을 사용하여 포메이션의 특성과 선수의 능력을 고려하는 선수 조합을 탐색하여 축구 팀 포메이션을 구성한다. 이를 위해 기계학습 기법을 사용하여 선수의 능력과 포메이션에 대한 관계를 정의한 목적함수를 설계하였다. 기계학습 기법을 사용하여 선수의 능력을 예측하고, 그 결괏값을 통해 선수의 능력을 나타내는 목적함수를 정의하였다. 사용한 기계학습 기법 중 랜덤 포레스트의 성능이 가장 좋았다. 연관 규칙 분석을 사용하여 포메이션 특성을 나타내는 목적함수를 정의하였다. 설계한 목적함수는 유전 알고리즘의 염색체를 평가하기 위한 적합도 함수에 사용된다. 유전 알고리즘이 도출한 해를 전문가가 선정한 선수 조합과 그리디한 방법으로 도출된 해와 비교하여 성능을 측정하였다. 그 결과, 유전 알고리즘의 해는 Professional Footballers' Association (PFA)에서 선정한 선수 조합과 60% 유사도를 보였다. 적합도는 유전 알고리즘의 해가 가장 높았다. 이를 통해 전문가의 개입 없이도 충분히 좋은 선수 조합을 구성할 수 있었고, 그리디한 방법보다 유전 알고리즘이 더 좋은 선수 조합을 탐색할 수 있었다.