http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
비용 주도 순차적 하드웨어/소프트웨어 분할 최적화 프레임워크
이수정(Soo Jung Lee),장형수(Hyeong Soo Chang) 한국정보과학회 2012 정보과학회논문지 : 시스템 및 이론 Vol.39 No.2
본 논문에서는 첫째, 기존 하드웨어/소프트웨어 분할 문제의 접근 방식 모델에서 다루지 못하였던 시간 의존적인 판매 가격, 판매량 등의 요소들을 반영하는 다목적 최적화 문제 형태의 새로운 "Cost-driven Sequential Hardware/Software Partitioning Optimization Framework (CSPOF)"를 제시 하고, 둘째, 그 모델로 형식화된 NP-난해 문제를 일반적으로 해결하기 위한 해법으로 최대 이익을 찾거나 근사하는 정확한 알고리즘 및 휴리스틱 알고리즘들과 변형된 메타휴리스틱 "Fast and Elitist Multiobjective Genetic Algorithm (NSGA-II)"을 제시한다. 실험을 통하여 제시된 알고리즘들의 성능을 비교하고, NSGA-II의 최적의 해로의 수렴성을 보인다. In this paper, we first propose a novel multi-objective optimization framework, called "Cost-driven Sequential Hardware/Software Partitioning Optimization Framework (CSPOF)," that incorporates various time-dependent elements that previous works do not consider. We then propose exact and heuristic algorithms that maximizes or approximates the profit objective, and a variant of "Fast and Elitist Multi-objective Genetic Algorithm (NSGA-II)". By simulation studies, we compare performances of the proposed algorithms and show the convergence of NSGA-II to the optimal solutions.
순차적 하드웨어/소프트웨어 파티셔닝 문제들을 해결하기위한 최적화 프레임워크
이수정(Soo Jung Lee),장형수(Hyeong Soo Chang) 한국정보과학회 2011 한국정보과학회 학술발표논문집 Vol.38 No.1B
본 논문에서는 첫째, 기존 HW/SW partitioning문제의 접근 방식 모델에서 다루지 못하였던 시간 의존적인 개발 기간, 판매 가격, 판매량, time-to-market 등의 요소들을 반영하는 multi-objective 최적화문제 형태의 새로운 “Sequential HW/SW Partitioning Optimization Framework(SPOF)”를 제시하고 둘째, 그 모델로 형식화된 NP-hard 문제를 일반적으로 해결하기위한 해법으로 SPOF의 형태에 맞게끔 변형한 chromosome과 genetic operation을 사용하는 메타휴리스틱 “Fast and Elitist Multi-objective Genetic Algorithm(NSGA-Ⅱ)”을 제시한다. 실험을 통하여 NSGA-Ⅱ의 최적 솔루션에의 수렴성을 보인다.
동적 무선 센서 네트워크 상의 헤드 수 조절 기법 및 노드 이동성 예측을 융합한 에너지 효율기반 클러스트링 기법
장우현(Woo Hyun Jang),장형수(Hyeong Soo Chang) 한국정보과학회 2012 정보과학회논문지 : 정보통신 Vol.39 No.2
본 논문에서는 동적 무선 센서 네트워크의 클러스터링 기법인 EECS-M에 헤드 수 조절 기법을 추가하고 노드의 과거 위상변화의 관측을 통해 얻어지는 노드의 이동성 모델 예측 기법을 융합하여, 그 모델로부터 예측된 미래 노드 위치를 기반으로 클러스터 구성을 하여 확장하는 방식의 새로운 클러스터링 기법을 제안한다. 현존하는 클러스터링 알고리즘은 센서에 GPS가 탑재되고 노드가 이동하지 않는 환경에서 동작하는 클러스터 알고리즘이 대다수 이며 동적 환경에서 작동하는 클러스터 알고리즘 역시 미래에 대한 예측이 없고 과거의 이동성과 에너지만을 고려한다는 한계점을 극복하기 위해 위상변화의 관측을 통해 노드의 이동성 모델을 예측하는 방식을 사용하며 노드의 미래 위치를 헤드 선택에 반영한다. 에너지 소비 효율성을 입증하기 위해 여러 동적 환경을 구성하여 네트워크 수명 대비 네트워크 잔여에너지양과 에너지 현황을 비교하여 제시한 알고리즘이 에너지 사용 효율성 측면의 약점을 보완한다는 것을 보인다. This paper proposes a novel clustering algorithm for mobile wireless sensor networks, called "An Energy Efficient Clustering Scheme with Head control and Mobility Prediction in Mobile Wireless Sensor Networks (EECS-HMM)," which extends EECS-M by a head control scheme and a node topology prediction scheme via mobility estimation based on past topologies of the nodes. Most of all algorithms are for static environment with GPS and even dynamic algorithms are having limits, whish are using past information and energy. By simulation studies, we compare performances of several existing clustering algorithms in terms of energy consumption per network life time and show that EECS-HMM improves EECS-M.
단백질 질량분석을 위한 THRASH 알고리즘 속도 향상 기법
전상현(Sang-hyun Jeon),장형수(Hyeong Soo Chang),오한빈(Han Bin Oh) 한국정보과학회 2005 한국정보과학회 학술발표논문집 Vol.32 No.1
Horn et al.에 의하여 개발된 THRASH 알고리즘은 대표적인 단백질 질량분석 플랫폼으로써, 극초분해능(ultra high resolution) Fourier Transform 질량분석법을 통해 얻어지는 고집적 전기분무 (electrospray ionization, ESI)질량 스펙트럼 데이터를 분석하는데 이용되고 있다. 하지만 이 알고리즘은 속도 면에서 부족하여 실시간 분석에 한계점을 보이고 있다. 이를 보완하기 위해 본 논문에서는 THRASH알고리즘의 속도를 향상시키는 기법을 제안하고 실험 결과를 통하여 새로운 기법이 융합된 알고리즘의 수행 속도가 기존 THRASH알고리즘의 속도를 비약적으로 향상 시킬 수 있음을 보인다.
감독 지식을 융합하는 강화학습 기법을 사용하는 셀룰러 네트워크에서 동적 채널 할당 기법 (pp.502-506)
김성완(Sung Wan Kim),장형수(Hyeong Soo Chang) 한국정보과학회 2008 정보과학회 컴퓨팅의 실제 논문지 Vol.14 No.5
최근에 제안된 강화 학습 기법인 “potentialbased” reinforcement learning(RL) 기법은 다수 학습들과 expert advice들을 감독 지식으로 강화 학습 알고리즘에 융합하는 것을 가능하게 했고 그 효용성은 최적 정책으로의 이론적 수렴성 보장으로 증명되었다. 본 논문에서는 potential-based RL 기법을 셀룰러 네트워크에서의 채널할당 문제에 적용한다. Potential-based RL 기반의 동적채널 할당 기법이 기존의 fixed channel assignment, Maxavail, Q-learning-based dynamic channel assignment 채널 할당 기법들보다 효율적으로 채널을 할당한다. 또한, potential-based RL 기법이 기존의 강화 학습 알고리즘인 Q-learning, SARSA(0)에 비하여 최적 정책에 더 빠르게 수렴함을 실험적으로 보인다. The recently proposed "potential-based" reinforcement learning (RL) method made it possible to combine multiple learnings and expert advices as supervised knowledge within an RL framework. The effectiveness of the approach has been established by a theoretical convergence guarantee to an optimal policy. In this paper, the potential-based RL method is applied to a dynamic channel assignment (DCA) problem in a cellular networks. It is empirically shown that the potentialbased RL assigns channels more efficiently than fixed channel assignment, Maxavail, and Q-learning-based DCA, and it converges to an optimal policy more rapidly than other RL algorithms, SARSA(0) and PRQ-learning.
구간을 가진 로버스트 최소 비용 신장 트리 문제 해결을 위한 개미 알고리즘
강신녀(Shin Nyue Kang),장형수(Hyeong Soo Chang) 한국정보과학회 2009 한국정보과학회 학술발표논문집 Vol.36 No.1C
본 논문에서는 간선의 값이 고정되지 않고, 구간 사이에서 취할 수 있는 값으로 주어진 Robust 최소 신장 트리 문제를 풀기 위해 기존에 제안된 메타휴리스틱 알고리즘 중에서 가장 발전된 성능을 보이는 Simulated annealing (SA) 알고리즘의 문제점에 착안 이를 보완하는 새로운 개미 집단 최적화 (Ant Colony Optimization, ACO)알고리즘을 제안한다. 제안된 ACO 알고리즘이 SA 방법론에 비해 더 빠른 실행시간과 더욱 최적해에 근사된 해를 얻을 수 있음을 실험을 통하여 보인다.
Hitch-hiking기법과 Coverage sequence 조정을 통한 에너지 효율적인 무선 애드 혹 네트워크 브로드캐스트 알고리즘
전상현(Sang-hyun Jeon),장형수(Hyeong Soo Chang),조준호(Joon Ho Cho) 한국정보과학회 2006 한국정보과학회 학술발표논문집 Vol.33 No.1
본 논문에서는 정적인(static) 무선 애드 혹 네트워크상에서 에너지 효율적으로 broadcast하는 문제에 대한 새로운 "Broadcast by iterative Coverage sequence Adjustment with Hitch-hiking (BCAH)" 알고리즘을 제안한다. BCAH는 에너지 효율적인 broadcast알고리즘 중 가장 대표적인 Broadcast Incremental Power(BIP)와 같은 시간 복잡도를 가지면서 BIP에 비해 적은 에너지를 소모해 broadcast를 수행한다. 또한 BCAH는 각 노드의 인접한 노드들의 정보만을 이용해 동작하기 때문에 노드들의 이동성을 고려한 동적인 네트워크에 좋은 확장성을 가진다.
확률적 보상과 유효성을 갖는 Sleeping Bandits의 다수의 전략을 융합하는 기법
최상희(Sanghee Choi),장형수(Hyeong Soo Chang) 한국정보과학회 2017 정보과학회논문지 Vol.44 No.1
본 논문에서는 확률적 보상과 유효성을 갖고, 매 시간 유효한 arm들의 집합이 변하는 sleeping bandit 문제를 해결하는 다수의 전략들의 집합 Φ가 주어졌을 때, 이들을 융합하는 문제를 고려하고, 이 문제를 해결하기 위한 융합 알고리즘 sleepComb(Φ)를 제안한다. 제안된 알고리즘인 sleepComb(Φ)는 확률적(stochastic) multi-armed bandit 문제를 해결하는 매개변수 기반 휴리스틱으로 잘 알려진 ϵt-greedy의 확률적 스위칭 기법을 바탕으로 매 시간 적절한 전략을 선택하는 알고리즘이다. 시퀀스 {ϵt }와 전략들에 대한 적절한 조건이 주어졌을 때, 알고리즘 sleepComb(Φ)는 sleeping bandit 문제에 대해 적절히 정의된 “best” 전략으로 수렴한다. 실험을 통해 이 알고리즘이 “best” 전략으로 수렴한다는 사실을 확인하고, 기존의 다른 융합 알고리즘보다 “best” 전략으로 더 빠르게 수렴함과 “best” 전략을 선택하는 비율이 더 높음을 보인다. This paper considers the problem of combining multiple strategies for solving sleeping bandit problems with stochastic rewards and stochastic availability. It also proposes an algorithm, called sleepComb(Φ), the idea of which is to select an appropriate strategy for each time step based on ϵt -probabilistic switching. ϵt -probabilistic switching is used in a well-known parameter-based heuristic ϵt -greedy strategy. The algorithm also converges to the “best” strategy properly defined on the sleeping bandit problem. In the experimental results, it is shown that sleepComb(Φ) has convergence, and it converges to the “best” strategy rapidly compared to other combining algorithms. Also, we can see that it chooses the “best” strategy more frequently.