다수 목표간의 상호간섭에 대한 학습을 통한 계획효율의 개선

류광렬(Kwang Ryel Ryu) 한국정보과학회 1996 정보과학회논문지(B) Vol.23 No.3

계획 시스템이 복수개의 목표를 가진 문제를 풀기 위해 탐색을 수행하는 경우, 그 목표들이 수행되어야 할 올바른 순서지정에 관한 규칙을 찾아 학습하도록 함으로써 시스템 스스로가 성능을 향상시킬 수 있게 하려는 연구가 최근 상당한 성과를 얻고 있다. 그런데, 목표 순서지정 규칙에 관한 종래의 연구 결과는 주로 두개의 목표 사이의 순서지정에 대한 학습으로 국한되어 왔다. 본 연구에서는 이를 확장하여 세 개의 목표를 사이의 복잡한 간섭현상을 분석하고, 여러 목표들이 달성되어야 할 최적의 순서를 찾기까지 거치게 되는 몇 단계의 순서 재배치 과정을 종합 분석함으로써 복수 목표간의 순서지정 규칙을 유도해 낼 수 있는 새로운 학습방법을 개발하였다. 이 새 방법을 계획시스템 상에 구현한 PAL-Ⅱ 시스템을 일련의 실험을 통해 평가해 본 결과, 특히 문제에 주어진 목표의 수가 많을 경우 계획에 소요되는 처리 시간을 학습 결과를 이용하여 단축시킴으로써 시스템의 성능을 상당히 향상시킬 수 있음을 확인하였다. Significant research results are available in the area of improving the efficiency of a planning or problem solving system by learning goal ordering rules to avoid goal interactions that can arise during the solution of problems with conjunctive goals. Previous results for learning goal ordering rules, however, were limited to learning from only pairwise goal interactions. This research presents a new learning method that can analyze complex goal interactions involving three goals to derive ordering rules. The new method is developed based on the analysis of the procedure that searches for an optimal ordering of goals through multiple steps of re-ordering. In a series of empirical tests, the newly implemented planning and learning system PAL-Ⅱ showed significantly improved performance by the use of non-pairwise goal ordering rules especially when the number of goals given in a problem is large.

유전 알고리즘을 이용한 자동차 부품공장의 작업 일정계획 수립

류광렬(Kwang Ryel Ryu),박성훈(Sung Hoon Park),김갑환(Kap Hwan Kim),홍봉희(Bong Hee Hong) 한국정보과학회 1994 한국정보과학회 학술발표논문집 Vol.21 No.2A

일정계획은 일종의 최적화 문제로서 현실적 대규모 문제의 경우 그 복잡도가 매우 높으므로 최근 들어 전통적인 수리적 기법 외에 여러 가지 AI기법을 응용하려는 노력이 계속되고 있다. 본 논문은 실제의 자동차 부품 공장을 대상으로 유전 알고리즘을 적용하여 복잡한 일정계획 문제를 성공적으로 풀 수 있음을 보인 것이다. 문제 해결의 가장 중요한 관건이 되는 유전자 표현법으로는 직접적인 방식과 간접적 방식의 절충행을 택하였고, 실험 결과 거의 최적에 가까운 일정계획이 약8분의 계산 시간으로 구해져 충분히 실용화가 가능함을 확인했다.

계층적 유전 알고리즘에 의한 부하 평준화 시스템

류광렬(Kwang Ryel Ryu),황준하(Junha Hwang),최형림(Hyung Rim Choi),조규갑(Kyu Kap Cho) 한국정보과학회 1996 한국정보과학회 학술발표논문집 Vol.23 No.2A

본 논문은 작업일정계획에서의 부하 평준화 문제를 효율적으로 해결하기 위하여 계층적 유전 알고리즘의 적용 방법을 제시하고 있다. 전체적인 부하 평준화를 위해 우선 상위 단계에서는 작업장들 사이의 부하가 평준화되도록 하며 하위 단계에서는 각 작업장 내에서 일자별 부하가 평준화되도록 하였다. 이 두 단계 각각의 문제 해결을 위해 유전 알고리즘을 사용하였으며, 하위 단계에서 문제가 발생했을 경우 이를 상위 단계에 반영하여 다시 계획을 수립하는 등 반복적인 탐색 과정을 통하여 해를 개선시킬 수 있는 방법을 제시하였다. 실험 결과, 계층적 유전 알고리즘이 기존의 다른 방법들보다 좋은 해를 탐색할 수 있음을 확인되었다.

사출금형부품의 특지형상의 분류 및 표현방법의 개발

경영민,류광렬,정영득,조규갑,Kyoung, Young-Min,Ryu, Kwang-Ryel,Jeong, Yeong-Deug,Cho, Kyu-Kab 한국정밀공학회 1995 한국정밀공학회지 Vol.12 No.11

This paper describes a hierarchical structure for feature definition and classification, and feature representation method based on frame structure for process planning of prismatic machined components of injection mold. The concept of Volume Removal Directions and Vertical Faces is proposed to develop a method to define and to classify features for components of injection mold systematically. A method for classifying features by the combination of volume removal directions and vertical faces is developed, and also a feature representation method by using frame structure to represent design and manufacturing information is presented.

가감속을 고려한 교착없는 AGV 주행경로설정

최이,박태진,류광렬,Choe, Ri,Park, Tae-Jin,Ryu, Kwang-Ryel 한국항해항만학회 2006 한국항해항만학회지 Vol.30 No.10

컨테이너 터미널과 같이 다수의 AGV(Automated Guided Vehicle)를 한정된 공간에서 동시에 운용하는 환경에서는 AGV의 작업생산성에 악영향을 주는 충돌, 데드락(deadlock), 라이브락(liveiock)이 발생할 확률이 높다. 또한, AGV의 가/감속 운동은 AGV의 주행시간을 예측하기 어렵게 만들기 때문에 AGV 라우팅을 더욱 어렵게 만드는 요인이다. 본 논문에서는 AGV 사이의 충돌, 데드락, 라이브락을 방지하기 위해 점유영역 예약테이블(Occupancy Area Reservation table; OAR table)을 이용하는 방법과 최적주행경로를 선택하기 위해 가감속 운동을 고려하여 AGV의 주행시간을 추정하는 방법을 제안한다. 시간중심 시뮬레이 션(time-driven simulation)을 통해 제안방안을 실험 한 결과 제안방안의 효과를 확인하였다. In the environment where multiple AGVs(Automated Guided Vehicles) operate concurrently in limited space, collisions, deadlocks, and livelocks which have negative effect on the productivity of AGVs occure more frequently. The accelerated motion of an AGV is also one of the factors that make the AGV routing more difficult because the accelerated motion makes it difficult to estimate the vehicle's exact travel time. In this study, we propose methods of avoiding collisions, deadlocks, and livelocks using OAR(Occupancy Area Reservation) table, and selecting best route by estimating the travel time of an AGV in accelerated motion. A set of time-driven simulation works validated the effectiveness of the proposed methods.

병렬 타부 탐색을 이용한 발전기 기동정지계획의 최적화

이용환,황준하,류광렬,박준호,Lee, yong-Hwan,Hwang, Jun-ha,Ryu, Kwang-Ryel,Park, Jun-Ho 한국정보과학회 2002 정보과학회논문지 : 소프트웨어 및 응용 Vol.29 No.9

발전기 기동정지 계획은 하나의 전력시스템을 형성하는 다수의 발전기에 대해서 주어진 여러 제약을 따르는 일간 또는 주간의 기동 및 정지시간을 결정하는 작업으로 다양한 제약과 방대한 탐색공간으로 인해 최적의 경제적 계획 수립이 매우 어려운 대규모 최적화 문제이다. 타부 탐색은 보통의 지역적 탐색법에 비해 국지적 최적해에 빠질 위험이 적고 다른 전역적 탐색기법에 비해 대상문제에 관한 지식을 충분히 활용하기에 유리하여 많은 최적화 문제에 사용되고 있다. 그러나 규모가 방대하면서 많은 제약조건이 존재하는 대규모 최적화 문제들은 타부 탐색으로도 빠른 시간내에 최적의 해를 찾아내기 힘들다. 본 논문은 대규모 최적화 문제의 하나인 발전기 기동정지 계획 문제를 타부 탐색의 병렬화를 통해 해결함으로써 탐색 소요시간의 단축과 함께 해의 질 또한 향상시킬 수 있음을 보여준다. The unit commitment problem in a power system involves determining the start-up and shut-down schedules of many dynamos for a day or a week while satisfying the power demands and diverse constraints of the individual units in the system. It is very difficult to derive an economically optimal schedule due to its huge search space when the number of dynamos involved is large. Tabu search is a popular solution method used for various optimization problems because it is equipped with effective means of searching beyond local optima and also it can naturally incorporate and exploit domain knowledge specific to the target problem. When given a large-scaled problem with a number of complicated constraints, however, tabu search cannot easily find a good solution within a reasonable time. This paper shows that a large- scaled optimization problem such as the unit commitment problem can be solved efficiently by using a parallel tabu search. The parallel tabu search not only reduces the search time significantly but also finds a solution of better quality.

군집화 기법을 이용한 능동적 학습의 최초학습예제 선정

강재호(Jaeho Kang),류광렬(Kwang Ryel Ryu) 한국정보과학회 2003 한국정보과학회 학술발표논문집 Vol.30 No.2Ⅰ

기계학습의 분류(classification) 기술을 실제 문제에 적용하기 위해서는 카테고리(category)를 부여한 학습예제를 상당수 준비하여야 한다. 예제에 카테고리를 부여(labeling)하는 작업에는 무시할 수 없는 시간과 인력을 필요로 한다. 능동적 학습(active learning)은 동일한 수의 학습예제로 최대한의 성능을 달성하기 위하여 카테고리를 부여할 학습예제를 선별하는 전략이다. 능동적 학습은 현재까지 파악된 정보에 기반하여 분류기(classifier)를 생성하고, 생성된 분류기를 활용하여 카테고리를 부여 받았을 때 가장 이득이 큰 예제들을 선정하여 사용자에게 문의하는 과정을 반복하여 수행한다. 만일 능동적 학습의 첫 학습단계에서 학습에 보다 유용한 예제들을 최초학습예제집합으로 선정한다면 같은 수의 학습예제로 더 나은 성능을 달성할 수 있을 것이다. 본 논문에서는 유사한 예제들은 동일한 카테고리에 속할 가능성이 높다는 일반적인 가정에 기반하여 예제들을 군집화(clustering)한 후, 생성된 각 군집을 대표할 수 있는 예제로 최초학습예제집합으로 구성하는 방안을 제안한다. 제안한 방안을 문서분류 문제를 대상으로 실험해 본 결과 최초학습예제들을 임의로 선정하는 방식보다 정확도가 높은 분류기를 생성할 수 있음을 확인하였다.

능동적 학습을 위한 복수 문의예제 선정

강재호(Jaeho Kang),류광렬(Kwang Ryel Ryu) 한국정보과학회 2004 한국정보과학회 학술발표논문집 Vol.31 No.1B

능동적 학습(active learning)은 제한된 시간과 인력으로 가능한 정확도가 높은 분류기(classifier)를 생성하기 위하여, 훈련집합에 추가할 예제 즉 문의예제(query example)의 선정과 확장된 훈련집합으로 다시 학습하는 과정을 반복하여 수행한다. 능동적 학습의 핵심은 사용자에게 카테고리(category) 부여를 요청할 문의예제를 선정하는 과정에 있다. 효과적인 문의예제를 선정하기 위하여 다양한 방안들이 제안되었으나, 이들은 매 문의단계마다 하나의 문의예제를 선정하는 경우에 가장 적합하도록 고안되었다. 능동적 학습이 복수의 예제를 사용자에게 문의할 수 있다면, 사용자는 문의예제들을 서로 비교해가면서 작업할 수 있으므로 카테고리 부여작업을 보다 빠르고 정확할 수 있어 전반적인 학습기산의 단축에 큰 도움이 될 것이다. 하지만, 각 예제의 문의예제로써의 적합 정도를 추정하면 유사한 예제들은 서로 비슷한 수준으로 평가되므로, 기존의 방안들을 복수의 문의예제 선정작업에 그대로 적용할 경우, 유사한 예제들이 문의예제로 동시에 선정되어 능동적 학습의 효율이 저하되는 현상이 나타날 수 있다. 본 논문에서는 특정 예제를 문의예제로 선정하면 이와 일정 수준이상 유사항 예제들은 해당 예제와 함께 문의예제로 선정하지 않음으로써, 이러한 문제점을 극복할 수 있는 방안을 제안한다. 제안한 방안을 문서분류 문제에 적용해 본 결과 기존 문의예제 선정방안으로 복수 문의예제를 선정할 때 발생할 수 있는 문제점을 상당히 완화시킬 있을 뿐 아니라, 복수의 문의예제를 선정하더라도 각 문의단계마다 하나의 예제를 선정하는 경우에 비해 큰 성능의 저하가 없음을 실험적으로 확인하였다.

교통사고 데이터의 마이닝을 위한 연관규칙 학습기법과 서브그룹 발견기법의 비교

김정민(Jeongmin Kim),류광렬(Kwang Ryel Ryu) 한국지능정보시스템학회 2015 지능정보연구 Vol.21 No.4

교통사고의 원인을 규명하고 미래의 사고를 방지하기 위한 노력의 일환으로 데이터 마이닝 기법을 이용한 교통 데이터 분석의 연구가 이루어지고 있다. 하지만 기존의 교통 데이터를 이용한 마이닝 연구들은 학습된 결과를 사람이 이해하기 어려워 분석에 많은 노력이 필요하다는 문제가 있었다. 본 논문에서는 많은 속성들로 표현된 교통사고 데이터로부터 유용한 패턴을 발견하기 위해 규칙 학습 기반의 데이터 마이닝 기법인 연관규칙 학습기법과 서브그룹 발견기법을 적용하였다. 연관규칙 학습기법은 비지도 학습 기법의 하나로 데이터 내에서 동시에 많이 등장하는 아이템(item)들을 찾아 규칙의 형태로 가공해 주며, 서브그룹 발견기법은 사용자가 지정한 대상 속성이 결론부에 나타나는 규칙을 학습하는 지도학습 기반기법으로 일반성과 흥미도가 높은 규칙을 학습한다. 규칙 학습 시 사용자의 의도를 반영하기 위해서는 하나 이상의 관심속성들을 조합한 합성 속성을 만들어 규칙을 학습할 수 있다. 규칙이 도출되고 나면 후처리 과정을 통해 중복된 규칙을 제거하고 유사한 규칙을 일반화하여 규칙들을 더 단순하고 이해하기 쉬운 형태로 가공한다. 교통사고 데이터를 대상으로 두 기법을 적용한 결과 대상 속성을 지정하지 않고 연관규칙 학습기법을 적용하는 경우 사용자가 쉽게 알기 어려운 속성사이의 숨겨진 관계를 발견할 수 있었으며, 대상 속성을 지정하여 연관규칙 학습기법과 서브그룹 발견기법을 적용하는 경우 파라미터 조정에 많은 노력을 기울여야 하는 연관규칙 학습기법에 비해 서브그룹 발견기법이 흥미로운 규칙들을 더 쉽게 찾을 수 있음을 확인하였다. Traffic accident is one of the major cause of death worldwide for the last several decades. According to the statistics of world health organization, approximately 1.24 million deaths occurred on the world’s roads in 2010. In order to reduce future traffic accident, multipronged approaches have been adopted including traffic regulations, injury-reducing technologies, driving training program and so on. Records on traffic accidents are generated and maintained for this purpose. To make these records meaningful and effective, it is necessary to analyze relationship between traffic accident and related factors including vehicle design, road design, weather, driver behavior etc. Insight derived from these analysis can be used for accident prevention approaches. Traffic accident data mining is an activity to find useful knowledges about such relationship that is not well-known and user may interested in it. Many studies about mining accident data have been reported over the past two decades. Most of studies mainly focused on predict risk of accident using accident related factors. Supervised learning methods like decision tree, logistic regression, k-nearest neighbor, neural network are used for these prediction. However, derived prediction model from these algorithms are too complex to understand for human itself because the main purpose of these algorithms are prediction, not explanation of the data. Some of studies use unsupervised clustering algorithm to dividing the data into several groups, but derived group itself is still not easy to understand for human, so it is necessary to do some additional analytic works. Rule based learning methods are adequate when we want to derive comprehensive form of knowledge about the target domain. It derives a set of if-then rules that represent relationship between the target feature with other features. Rules are fairly easy for human to understand its meaning therefore it can help provide insight and comprehensible results for human. Association rule learning methods and subgroup discovery methods are representing rule based learning methods for descriptive task. These two algorithms have been used in a wide range of area from transaction analysis, accident data analysis, detection of statistically significant patient risk groups, discovering key person in social communities and so on. We use both the association rule learning method and the subgroup discovery method to discover useful patterns from a traffic accident dataset consisting of many features including profile of driver, location of accident, types of accident, information of vehicle, violation of regulation and so on. The association rule learning method, which is one of the unsupervised learning methods, searches for frequent item sets from the data and translates them into rules. In contrast, the subgroup discovery method is a kind of supervised learning method that discovers rules of user specified concepts satisfying certain degree of generality and unusualness. Depending on what aspect of the data we are focusing our attention to, we may combine different multiple relevant features of interest to make a synthetic target feature, and give it to the rule learning algorithms. After a set of rules is derived, some postprocessing steps are taken to make the ruleset more compact and easier to understand by removing some uninteresting or redundant rules. We conducted a set of experiments of mining our traffic accident data in both unsupervised mode and supervised mode for comparison of these rule based learning algorithms. Experiments with the traffic accident data reveals that the association rule learning, in its pure unsupervised mode, can discover some hidden relationship among the features. Under supervised learning setting with combinatorial target feature, however, the subgroup discovery method finds good rules much more easily than the association rule learning method that requires a lot of efforts to

조선에서의 조립공정계획과 일정계획의 지능형 통합시스템 개발

조규갑(Kyu Kab Cho),류광렬(Kwang Ryel Ryu),최형림(Hyung Rim Choi),오정수(Jung Soo Oh) Korean Society for Precision Engineering 1999 한국정밀공학회지 Vol.16 No.11