http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
해상풍력산업 도입에 따른 지역 경제 활성화 방안에 관한 연구
신수용(Soo Yong Shin),허윤석(Yun Seok Hur),박지문(Ji Moon Pak) 한국해양비즈니스학회 2016 해양비즈니스 Vol.- No.33
The growing interest in generating renewable energy has been pushing the international society towards developments of offshore wind farms that produce energy in an environment-friendly way. Although the offshore wind farms contribute in producing healthy energy the areas where the wind turbines have be built are within tourism sights. Of course, tourism is the most important economic growth factor in those areas which in turn causes delays in building the wind farms due to the opposition by the local people. This study therefore aims to study the relationship between the development of offshore wind farms and the tourism industries in order to find out if the wind turbines affect the local economic growth by limiting the number of visitors. The study finds out that despite the concerns of local people, there are no negative impacts on the tourism industry as a result of offshore wind farm developments. The survey rather shows that more people are willing to visit the place for new sights. The development of offshore wind farms therefore should contribute to the sustainable economic growth.
ε-다중목적함수 진화 알고리즘을 이용한 DNA 서열 디자인
신수용(Soo-Yong Shin),이인희(In-Hee Lee),장병탁(Byoung-Tak Zhang) 한국정보과학회 2005 정보과학회논문지 : 소프트웨어 및 응용 Vol.32 No.12
최근 들어 DNA 컴퓨팅이 활발하게 연구되면서, DNA 컴퓨팅에서 가장 기본적이고도 중요한 DNA 서열 디자인 문제가 부각되고 있다. 기존의 연구에서 DNA 서열 디자인 문제를 다중목적 최적화 문제로 정의하고, elitist non-dominated sorting genetic algorithm(NSGA-Ⅱ)를 이용하여 성공적으로 DNA 서열을 디자인하였다. 그런데, NSGA-Ⅱ는 계산속도가 느리다는 단점이 있어서, 이를 극복하기 위해 본 논문에서는 ε-다중목적함수 진화알고리즘(ε-Multiobjective evolutionary algorithm, ε-MOEA)을 DNA 서열 디자인에 이용하였다. 우선, 두 알고리즘의 성능을 보다 자세히 비교하기 위해서 DTLZ2 벤치마크 문제에 대해서 적용한 결과, 목적함수의 개수가 작은 경우에는 큰 차이가 없으나, 목적함수의 개수가 많을 경우에는 ε-MOEA가 NSGA-Ⅱ에 대해서 최적해를 찾는 정도(convergence)와 다양한 해를 찾는 정도 (diversity)에 있어서 각각 70%, 73% 향상된 성능을 보여주었고, 또한 최적해를 찾는 속도도 비약적으로 개선되었다. 이러한 결과를 바탕으로 기존의 DNA 서열 디자인 방법론으로 디자인된 DNA 서열들과 7-순환외판원 문제 해결에 필요한 DNA 서열을 NSGA-Ⅱ와 ε-MOEA로 재디자인하였다. 대부분의 경우 ε-MOEA가 우수한 결과를 보였고, 특히 7-순환외판원 문제에 대해서 NSGA-Ⅱ와 비교하여 convergence와 diversity의 측면에서 유사한 결과를 2배 이상 빨리 발견하였고, 동일한 계산 시간을 이용해서는 22%정도 보다 다양하게 해를 발견하였으며, 92% 우수한 최적해를 발견하는 것을 확인하였다. Recently, since DNA computing has been widely studied for various applications, DNA sequence design which is the most basic and important step for DNA computing has been highlighted. In previous works, DNA sequence design has been formulated as a multi-objective optimization task, and solved by elitist non-dominated sorting genetic algorithm (NSGA-Ⅱ). However, NSGA-Ⅱ needed lots of computational time. Therefore, we use an ε-multiobjective evolutionary algorithm (ε-MOEA) to overcome the drawbacks of NSGA-Ⅱ in this paper. To compare the performance of two algorithms in detail, we apply both algorithms to the DTLZ2 benchmark function. ε-MOEA outperformed NSGA-Ⅱ in both convergence and diversity, 70% and 73% respectively. Especially, ε-MOEA finds optimal solutions using small computational time. Based on these results, we redesign the DNA sequences generated by the previous DNA sequence design tools and the DNA sequences for the 7-travelling salesman problem (TSP). The experimental results show that ε-MOEA outperforms the most cases. Especially, for 7-TSP, ε-MOEA achieves the comparative results two times faster while finding 22% improved diversity and 92% improved convergence in final solutions using the same time.
연속 변수 함수 최적화를 위한 탐색점 분포 학습 알고리즘
신수용(Soo-Yong Shin),장병탁(Byoung-Tak Zhang) 한국정보과학회 2000 한국정보과학회 학술발표논문집 Vol.27 No.2Ⅱ
기존의 진화 연산의 한계를 극복하기 위해서 탐색점 분포 학습 알고리즘(Estimation of Distribution Algorithm)이 부각되고 있다. 탐색점 분포 학습 알고리즘은 데이터의 분포를 파악하고, 파악된 분포를 이용해서 새로운 학습 데이터를 생성하는 일련의 과정을 통하여 최적화 문제를 해결하는 방법이다. 그런데, 기존의 탐색점 분포 학습 알고리즘들은 대부분 이진 벡터값을 가지는 최적화 문제들만을 대상으로 하고 있다. 본 논문에서는 비감독 확률 신경망 모델인 헬름홀츠 머신을 이용해서 데이터의 분포를 학습하여 연속 함수 최적화 문제를 해결하는 방법을 개발하였다. 테스트 함수들에 대해서 실수 표현형을 사용한 유전자 알고리즘과 결과를 비교하여 제안하는 방법의 우수성을 검증하였다.