중학교 STEAM 학생용 교재
유전자로 생명체를
탄생시켜라
차 례
프롤로그 1
시작하며 – 인공지능 4
1차시 – 유전 알고리즘 9
읽을거리 1 – 유전알고리즘 10
읽을거리 2 – 진화에서 인공지능까지 12
1차시 – 숫자카드 놀이로 유전 알고리즘 이해하기 14
2차시 – 유전 알고리즘 : 걷기 17
2차시 – 유전 알고리즘을 응용하여 인간 구현하기 19 2차시 – 유전 알고리즘으로 인간 구현하기 2 24 2차시 – 컴퓨팅사고로 유전 알고리즘 이해하기 28 읽을 거리 3 – 0과 1로 구현하는 유전 알고리즘 30
3차시 – 유전 알고리즘의 적용 사례 32
3차시 – 유전 알고리즘으로 문제 해결하기 35
읽을거리 4 – 진화를 이용한 유전 알고리즘 36
읽을거리 5 – 유전 알고리즘을 이용한 기계학습 사례 37
프롤로그
2016년 3월. 전 세계 바둑기사 중 최고라고 인정받는 이세돌 9단이 구 글의 인공지능 ‘알파고’에게 패했다는 기사는 온 세상을 떠들썩하게 만들었습니다. 그동안 인공지능이 어느 정도로 발전한지를 실감하지 못 했던 사람들이 이 사건으로 인해 뼈저리게 알게 되었으며, 인공지능 시 대가 열렸다는 것은 인정하게 되었죠. 이제 인공지능은 단순한 수학계산 을 하는 것이 아니라 다양한 경우의 수에 대한 판단과 통찰력의 수준까 지 인간을 능가할 수 있게 되었음을 보여주었습니다.
인공지능은 단순한 신기술이 아닌 산업이나 사회의 커다란 변화를 불 러오는 혁신기술이자 범용기술이라고 할 수 있습니다. 인공지능이 활용 되고 있는 분야도 매우 다양합니다. 국방, 의료 및 헬스케어, 생활, 교육 및 게임, 보안, 안전한 자율주행차 운전, 번역, 로봇 등 다양한 분야에서 개발이 되고 있습니다. 앞으로는 더 강한 인공지능이 개발이 되겠죠.
<자료> 이승훈, ‘최근 인공지능 개발 트렌드와 미래의 진화방향’, LG경제 연구원, 2017.12.
[그림] 인공지능 기술의 발전과정과 미래
인공지능이 사람의 문제를 해결해주고, 도움을 준다는 것은 매우 반가운 일입니다. 하지만 우려되는 점은 인공지능이 사람의 일을 대체하고 있어 그 와 관련된 일을 하는 사람들이 일자리를 잃는다는 것입니다. 앞으로 인공지 능에 의해 대체될 가능성이 가장 높은 직업으로 변호사, 회계사 및 세무사, 증권사 에널리스트, 의사 등이 언급되고 있습니다. 그나마 다행인 것은 인공 지능은 고도의 연산이 필요한 부분에서는 인간보다 뛰어난 능력을 보여주지 만 추상적인 개념이나 아이디어, 직관, 사람에 대한 공감을 필요한 영역에서 는 10년 안에 인간을 능가하기가 쉽지 않다고 합니다. 그래서 여러분이 자신 의 진로를 설계할 때에는 인공지능이 그 일을 대체할 수 있을지 없을지를 고려해보아야 합니다. 인간만이 할 수 있는 일과 인공지능과 함께 할 수 있 는 일에는 무엇이 있을지에 대한 고민이 필요합니다.
여러분이 살아갈 미래는 인공지능과 함께 공존해가는 사회가 될 것입 니다. 인공지능을 두려워하기보다는 인공지능을 제대로 알고, 이를 바르 게 활용하여 문제를 해결할 수 있는 방법을 찾는다면 인류에게 도움이 될 수 있을 것입니다. 칼을 어떻게 쓰느냐에 따라 도구가 되기도 하고 무기가 되기도 합니다. 인공지능을 바르게 활용하고 함께 공존하여 살아 갈 수 있는 방법을 찾는 것은 바로 여러분들의 몫입니다. 인공지능에 대 한 바른 이해와 더불어 바른 가치관의 확립으로 빠르게 변화하는 세상 에서 우뚝 설 수 있는 여러분이 되길 기대해봅니다.
시작하며
인공지능
인공지능은 시스템에 의해 만들어진 지능을 말한다(위키백과). 인공지 능에 대한 정의는 학자들이 매우 다양하게 정의하고 있으며, 현재 가장 활발하게 연구되고 있는 분야는 ‘인간처럼 행동하는 시스템’이다.
[이미지 출처: www.pixabay.com]
기계가 사람의 지능을 모방하여 사람의 일을 좀 더 효율적으로 처리 하기 위해 고안하여 만들어졌으며, 이 생각은 1950년 앨런 튜링의 생각 하는 기계의 구현 가능성에 대한 분석이 담긴 논문에서 시작이 되었다.
그는 “생각”을 정의하기 어려움에 주목해, 그 유명한 튜링테스트를 고 안했다. 텔레프린터를 통한 대화에서 기계가 사람인지 기계인지 구별할 수 없을 정도로 대화를 잘 이끌어 간다면, 이것은 기계가 “생각”하고 있다고 말 할 충분한 근거가 된다는 것이었다.
1956년 다트머스 회의에서 ‘학습의 모든 면 또는 지능의 다른 모든 특성으로 기계를 정밀하게 기술할 수 있고 이를 시뮬레이션 할 수 있 다’라는 발제 아래 과학자들이 논의를 하였고, 이 때 AI(Artificial
이렇게 시작된 초기 인공지능 연구에서는 문제해결과 기호법 등의 주 제를 탐구하였으며, 1960년대로 들어오면서 인간의 기본적인 추론 방식 을 흉내낼 수 있는 컴퓨터를 훈련하기 시작하였고, 1970년 국방 고등 연 구 기획국(DARPA)이 도로 지도화 프로젝트를 실시하기도 하였다. 2003 년에 ms 지능형 개인 비서를 개발하기도 하였으며, Siri(시리), Alexa(알 렉사)와 같은 인공지능이 이어서 개발이 되었다.
[이미지 출처: https://www.sas.com/ko_kr/insights/analytics/what-is-artificial-intelligence.html]
우리가 보는 영화나 공상 과학 소설에서는 인공지능이 세상을 파괴하 고 인류를 멸망하게 하는 인간형 로봇으로 표현되기도 하지만 현재의 인공지능 기술은 그렇게 똑똑하거나 위협적이지 않다. 인공지능은 모든 산업분야에 도움을 주고 있으며 이제는 소프트웨어의 핵심으로 자리를 잡아 여러 분야에서 활용이 되고 있다.
최근 AI의 급격한 발전은 머신러닝과 딥러닝이 대두된 시점에서부터이 다. 2010년도 들어가며 빅 데이터(Big Data)라는 훌륭한 기반이 갖춰지며
데이터가 풍부해졌으며, 컴퓨터 성능의 발전, 고성능 네트워크 장비를 갖춘 환경이 완성되었기 때문이다. 알파고와 왓슨의 탄생은 이 시점과 맞물려 있다. IBM이 만든 왓슨은 의사와 변호사의 역할을 대신 수행하고 있으며, 왓슨의 암 진단율은 평균 96%, 미국 내 12개 로펌에서는 왓슨을 활용하고 있다. 이렇게 인공지능이 점점 똑똑해지고 있는 것은 기계가 스스로 학습하는 ‘머신러닝(Machine Learning)’ 덕분이며, 여기에 사람 의 뇌처럼 생각하도록 알고리즘을 만든 ‘딥러닝(Deep Learning)’으로 인해 인공지능은 점점 진화하고 있다. 머신러닝은 ‘기계가 인간처럼 학 습한다’는 뜻이다. 2012년 ‘이미지넷 이미지 인식 대회’에서 토론토 대학교 제프리 힌튼 교수 팀이 만든 ‘알렉스넷 (Alexnet)’이 우승하였다.
알렉스넷은 인간의 뇌 신 경망(합성곱 신경망, CNN) 을 인공지능에 적용한 딥 러닝의 결과물이다. 딥러닝 은 사람 뇌 속 1000억 개 에 달하는 뉴런 구조를 본따 만든 인공신경망을 컴퓨터에 적용시킨 결 과이다.
[이미지 출처: www.pixabay.com]
인공지능이 적용되는 분야는 무궁무진하다. 국방, 교육, 행정, 교통(자 율차), 두뇌 인터넷, 생체인터넷(웨어러블), 로봇, 드론, SNS, 증강/가상현 실, 음성개인비서, 핀테크 등 안 들어간 분야가 없다.
앞으로 인공지능의 발전은 더욱 더 가속화될 것이다. 인공지능의 발전 을 사람을 도와 보다 창의적인 아이디어를 만들어주고, 사람이 꿀 수 없 는 꿈을 대신 꿔서 비전과 전략을 그려주고, 사람들과 함께 어울릴 수 있는 개발로 이루어져야 할 것이다.
1차시
활동 1 유전 알고리즘, 넌 누구?!
유전 알고리즘 1차시
[이 활동을 통해]
• 유전알고리즘에 대해 알 수 있다.
• 숫자카드 놀이를 하며 유전 알고리즘을 이해할 수 있다.
◆ 다음 동영상을 보며 ‘진화 알고리즘’에 대한 다음 물음에 답해 봅시다.
(영상 주소: https://youtu.be/WZnf0C8HfJc) 1. 영상 속에서 어떤 까만 색들이 살아남을 것 같나요?
( ) 2. 까만색 점들이 어떤 속성을 물려주었나요?
( ) 3. 세대가 반복 될 때 어떤 까만색 점만 선택하여 복제하였나요?
( ) 4. 화면 속에서 마지막에 어떤 점들이 살아남았나요?
( ) 5. 이러한 과정은 과학시간에 배운 진화의 방법과 비슷하다고 생각하나요?
( )
유전 알고리즘(Genetic Algorithm)은 자연세계의 진화과정에 기초한 계산 모델로서 존 홀랜드(John Holland)에 의해서 1975년에 개발된 전역 최적화 기 법으로, 최적화 문제를 해결하는 기법의 하나이다. 생물의 진화를 모방한 진 화 연산의 대표적인 기법으로, 실제 진화의 과정에서 많은 부분을 가져왔으 며, 변이(돌연변이), 교배 연산 등이 존재한다.
유전 알고리즘은 풀고자 하는 문제에 대한 가능한 답들을 정해진 형태의 자료구조로 표현한 다음, 이들을 점차적으로 변형함으로써 점점 더 좋은 답 들을 만들어 낸다. 여기에서 답을 나타내는 자료구조는 유전자, 이들을 변형 함으로써 점점 더 좋은 해를 만들어 내는 과정은 진화로 표현할 수 있다.
달리 표현하면, 유전 알고리즘은 어떤 미지의 함수 Y = f(x)를 최적화하는 해 x를 찾기 위해, 진화를 모방한(Simulated evolution) 탐색 알고리즘이라고 말할 수 있다.
유전 알고리즘은 특정한 문제를 풀기 위한 알고리즘이라기보다는 문제를 풀기 위한 접근방법에 가까우며, 유전 알고리즘에서 사용할 수 있는 형식으 로 바꾸어 표현할 수 있는 모든 문제에 대해서 적용할 수 있다. 일반적으로 문제가 계산 불가능할 정도로 지나치게 복잡할 경우 유전 알고리즘을 통하 여, 실제 최적해를 구하지는 못하더라도 최적해에 가까운 답을 얻기 위한 방 안으로써 접근할 수 있다. 이 경우 해당 문제를 푸는 데 최적화되어 있는 알 고리즘보다 좋은 성능을 보여주지는 못하지만, 대부분 받아들일 수 있는 수 준의 답을 보여줄 수 있다.
유전 알고리즘
이러한 생물의 진화 과정, 즉 자연 선택과 유전 법칙 등을 모방한 알고리 즘들로 진화 전략(Evolutionary strategies), 유전 프로그래밍(Genetic programming) 등 여러 형태의 이론과 기법들이 최근에 활발히 연구되고 있 다. 유전 알고리즘은 이 중에서 가장 기본이 되고 대표적인 알고리즘으로, 자연과학/공학 및 인문 사회 과학 분야에서 비선형 또는 계산 불가능한 복잡 한 문제를 해결하는 데 널리 응용되고 있다.
출처: 위키피디아, 유전 알고리즘
다윈은 진화의 원리를 발견한 사람이다. 처음에 다윈이 진화론을 주장할 때는 ‘우리 할아버지가 원숭이냐?’ 라는 조롱도 받았지만 , 현재는 많은 사람들이 자연스럽게 받아들이는 과학적 사실이 되었다. 게다가 다윈이 발견 한 진화의 원리를 이용해 컴퓨터 프로그램도 만들고, 어려운 수학 문제도 해 결하고 있다. 그렇다면 이러한 일을 해내고 있는 유전 알고리즘은 무엇일까?
다윈은 비글호를 타고 갈라파고스 군도를 여행하던 중 진화의 원리를 발 견했다고 한다. 이곳의 섬들은 적당히 떨어져 있어 섬마다 독립적 생태계를 이루고 있는데, 다윈은 각 섬에 사는 동물들이 독자적으로 진화한 모습을 관 찰했다. 그중 대표적인 동물이 ‘핀치 새’였다. 섬마다 이 새들은 부리의 모양, 크기, 골격이 조금씩 달랐다. 가장 큰 차이는 부리였다. 왜냐하면 섬에 서 구할 수 있는 먹이에 따라 부리의 크기와 모양이 달라졌기 때문이다.
다윈은 이렇게 부리가 달라진 이유가 자연선택 때문이라고 했다. 처음에 핀치 새들은 딱딱한 먹이를 잘 먹는 부리, 벌레를 잘 먹는 부리, 열매의 속 만 파먹는 부리 등 다양한 부리를 가지고 있었다. 이 중 섬에서 나는 먹이를 먹는 데 적당한 부리를 가진 새들이 살아남아서 자식 새를 낳은 것이다. 부리 가 그대로 자식 새에게 전해지는 것이 아니라, 교배로 두 마리 새의 특징이 섞이기도 한다. 또 전혀 새로운 (돌연)변이가 나타나 유전되기도 한다.
자연선택설은 이처럼 자연계에서는 환경에 적합한 생물체는 계속 살아남 고, 적합하지 않은 것은 사라진다는 학설이다. 자연선택설에 따르면 환경에 잘 적응한 생물체만이 자손을 남겨, 생존에 유리한 특성을 자손에게 전한다.
여러 세대를 거듭하면서 이런 특성이 점차 쌓이게 되고, 결국에는 선조와 다 른 특성을 가진 종으로 변한다.
진화에서 인공지능까지
활동 2 숫자카드 놀이로 유전 알고리즘 이해하기
유전 알고리즘 1차시
◆ 다음 숫자 카드 중 세 개를 골라서 합이 20이 되도록 만들어 보세요.
●
●●
●
●●
●●
●●
●●
●●●
●●
●●●
●
●
●
●●
●●●
●●
●
●
●
●●
●
●●
●●●
●●●
●●●
각 숫자 카드는 유전자로 가정한다. 세 개의 카드를 뽑아 그 합을 구한 뒤 20이 되는지 확인한다. 예를 들어 (1,5,3) 카드를 뽑았다면 그 합이 9 이다. 찾고자 하는 20에서 9의 차이가 11이 되는데 이것을 적합도라고 한 다. 이 문제의 경우 적합도가 0이 되면 문제를 해결하는 것이다.
[1단계] 무작위 생성하기
숫자 세 개를 뽑아 4개의 조합을 만들고, 각각의 적합도를 구하세요.
뽑은 숫자로 유전자 구성하기
( , , ) ( , , ) ( , , ) ( , , )
적합도
만약 { (1,5,3) (8,0,9) (9,9,8) (3,7,5) } 으로 각각 카드를 뽑았다고 하자. 각각의 적합도를 구하면, { 11, 3, 6, 5 }이 되며, 이 값이 높을수록 20에서 멀기 때문에 해로서 부적당하다는 것을 의미하며, 따라서 세대를 거침에 따라 살아남을 확률 이 낮게 된다.
[2단계] 선택하기
다음 세대를 만들기 위해, 위에서 만든 세대의 개체 중 적합도가 높은 2개 의 유전자를 선택하세요.
내가 선택한 유전자 ( , , ) ( , , )
이때 선택은 적합도가 높은 3과 5의 값 즉, (8,0,9)와 (3,7,5)를 선택하고 나머지 를 제거한다.
[3단계] 교배하기
교배위치를 무작위로 선택하고, 숫자를 교환하여 적합도 값을 구하세요.
유전자 교환하기 ( , , ) ( , , ) 적합도
선택된 2개의 유전자의 유전체는 무작위의 위치에서 교환되어 새로운 세대가 형성된다. 예로 (8,0,9), (3,7,5)가 선택되었고 교배위치가 두번째 자리로 무작위로 결정되었다면 다음 세대의 개체는 (8,7,9), (3,0,5)가 되며, 각각의 적합도는 4, 12 가 된다.
●●●
●●
●●●
●●●
●●●
●●●
●
●
●
●●
●●●
●●
●●
●
●●
⇓
●●●
●●
●●●
●●
●●●
●●
●●●
●●●
●●●
●
●
●
●●
●
●●
[4단계] 돌연변이 만들기
선택한 개체 중 하나를 선택하여 무작위의 숫자를 넣어 적합도를 확인하세요.
유전자 ( , , ) ( , , ) ( , , ) 적합도
[2~4단계 반복하기]
최적의 값에 가까워질 때까지 선택, 교배, 돌연변이 만들기의 과정을 반복하세요.
내가 찾은 최적의 숫자는 무엇인가요?
2차시
활동 3 유전 알고리즘 : 걷기
유전 알고리즘 2차시
[이 활동을 통해]
• 유전 알고리즘의 원리를 이용하여 사람의 모습을 구현할 수 있다.
• 유전 알고리즘의 과정에서 돌연변이의 규칙을 다양하게 만들 수 있다.
◆ 다음 동영상을 보며 ‘유전 알고리즘’에 대한 다음 물음에 답해 봅시다.
(영상 주소: https://www.youtube.com/watch?v=c-qePE1GCQY&t=173s)
1. 동영상 속의 나무 인형은 처음에는 어떻게 걸었나요?
2. 영상 속의 나무 인형이 걷도록 하기 위해 고려한 것은 무엇이었나요?
3. 매 횟수마다 어떤 나무 인형만 선택하여 복제하였나요?
4. 왜 그렇게 선택하였나요?
5. 화면 속에서 나무 인형은 마지막에는 어떻게 걸었나요?
6. 왜 이렇게 복잡한 단계를 거쳐 나무 인형을 걷게 하였나요?
(영상 속의 과정을 반복해서 보고 싶으면 그림 옆의 QR코드를 활용하세요)
활동 4 유전 알고리즘을 응용하여 인간 구현하기1
유전 알고리즘 2차시
◆ 유전 알고리즘을 응용하여 인간을 만들어 봅시다.
- 가장 먼저 사람의 모습을 분석해 보세요. 사람의 모습을 표현하기 위해 몇 개의 부분으로 나눌 수 있을까요? ( )
※ 신체 부위를 위, 아래로 나누었을 때 같은 수가 되도록 구분 지어야 교배하기 단 계에서 규칙을 쉽게 적용할 수 있습니다.
- 신체 부위를 어떤 도형으로 표현하면 좋을까요? ( )
머리 팔 몸통 팔 손 손 허벅지 허벅지 종아리 종아리
발 발
◆ 사람의 모습 구현하는 놀이하기
왼쪽과 같은 신체부위를 가진 사람을 만들어 봅시다.
[놀이 방법]
1. 6명을 한 팀으로 구성한다. 5명은 사람의 모습을 구현하고, 1명은 적합 도를 판별합니다.
2. 부록의 자료에 있는 12개의 모양을 오립니다. 상자에 각자 오린 모양을 담습니다.
3. 1단계 : 무작위 생성하기
- 5명이 각각의 뽑기상자에서 원 모양, 직사각형 모양의 색종 이 조각 12개를 뽑는다.
- 뽑는 순서대로 위에서 아래로, 왼쪽에서 오른쪽으로 각 신 체 부위에 도형을 배치한다.
4. 2단계 : 선택하기(적자생존)
- 나머지 한 명의 친구는 적합도 값을 계산한다.
- 해당 신체 부위의 도형이 완성하고자 하는 도형과 일치하면 그 값을 1 씩 누적하여 적합도를 계산한다. 신체 부위가 12개이므로 12가 되면 사람이 완성된다.
※ 왼쪽 그림의 경우 각 신체 부위에 맞는 조각들이 6개이므로 적합도는 6이 된다.
- 5명 중 만들고자 하는 사람의 모습과 가장 적합도가 높은 개체 3개만 남기고 나머지 2개의 개체 조각들은 다시 상자 속에 넣는다.
개체모양
적합도 6 4 8 2 6
선택여부 선택 탈락 선택 탈락 선택
5. 3단계 : 교배하기
- 선택한 3개의 개체를 위, 아래 반씩 나누어 서로의 유전자를 교배하여 5개의 개체를 만듭니다.
※ 같은 위치에 해당하는 유전자끼리 교배하기, 순서를 바꾸어 교배하기 등
선택된 개체
교배하기
적합도 6 10 6 8 6
6. 4단계 : 돌연변이 만들기
- 돌연변이의 기준은 모둠 친구들과 논의하여 정해보도록 합니다.
(예시: 5개의 개체 중 무작위(주사위 사용)로 한 신체부위의 모양(원-직사각형)을 바꿉니다. )
◆ 뽑은 도형을 아래의 사람 신체 부위가 나누어진 칸 안에 넣고, 적합도를 계산하세요.
머리
팔
몸통
팔
손 손
허벅지 허벅지
종아리 종아리
발 발
◆ 해당하는 단계와 적합도를 계산하여 기록하세요.
단계
적합도
단계
적합도
단계
적합도
단계
적합도
단계
적합도
활동 4 유전 알고리즘으로 인간 모습 구현하기2
유전 알고리즘 2차시
◆ 뽑은 도형을 아래의 사람 신체 부위가 나누어진 칸 안에 넣고, 적합도를 계산하세요. (gg.gg/randman)
- 사람 모습을 구현하기 위해서 어떤 모양을 사용했나요?
- 사람 모습 그림을 더 간단하게 나타낼 수 있는 방법에는 어떤 것이 있을 까요?
◆ 1차 시도 - 무작위 생성
모양 (○ 또는
■로 표시)
적합도
선택여부
- 교배
- 각자 분할지점(division point)를 어디로 할지 정하고 시행후 종이에 옯기 세요.
모양 (○ 또는
■로 표시)
적합도
선택여부
◆ ( )차 시도 - 교배
- 각자 분할지점(division point)를 어디로 할지 정하고 시행 후 종이에 옮기 세요.
모양 (○ 또는
■로 표시)
적합도
선택여부
◆ ( )차 시도 - 교배
모양 (○ 또는
■로 표시)
적합도
선택여부
◆ 돌연변이 찬스
- 주사위를 던져 나온 자리를 반대로 만들어 주세요.(gg.gg/randdice)
모양 (○ 또는
■로 표시)
적합도
선택여부
활동 5 컴퓨팅 사고로 유전 알고리즘 이해하기
유전 알고리즘 2차시
◆ 컴퓨팅 사고로 유전 알고리즘을 이해해 봅시다.
- 유전 알고리즘으로 ‘그네 타는 법’ 학습과정 영상을 보며 생각해 보세요.
(영상 주소: https://www.youtube.com/watch?v=Yr_nRnqeDp0&t=106s)
- 그네를 잘 타려면 관절을 어떻게 움직여야 하나요?
( )
- 그네를 타는 인형의 관절의 움직임을 무엇으로 표현하였나요?
( )
- 색종이 놀이로 만든 사람의 신체 부위를 0과 1로 표현하여 생각해 보세요.
0 1 1 1
0 0 = 010110110110 1 1
1 1
0 0
유전 알고리즘은 컴퓨터로 데이터를 처리하여 구현하기 때문에 과학에서 배운 진화 과정을 표현하기 위해 0과 1의 값을 사용한다. 수업 시간에 배운 내용을 개발하기 위해서는 실제 현실의 문제를 유전자로 표현하고 유전자의 진화과정을 모델링하여 구현된다.
유전자 알고리즘은 일반적으로 선택(selection), 교차(crossover), 그리고 돌 연변이(mutation) 이렇게 세 가지 종류의 유전자 조작(genetic operation) 과정 을 사용하여 해결책을 탐색해 나간다.
0과 1로 구현하는 유전 알고리즘
3차시
활동 6 유전 알고리즘의 적용 사례 살펴보기 알고리즘 이해하기
유전 알고리즘 3차시
[이 활동을 통해]
• 유전 알고리즘의 활용 사례와 적용할 수 있는 문제를 탐색할 수 있다.
◆ 유전 알고리즘을 적용한 사례를 살펴보며, 인공지능과 기계학습의 문제해결 방법을 탐색해 보세요.
① Travelling Salesman Problem(TSP, 순회외판원문제)
(영상 주소: https://www.youtube.com/watch?v=CrBHST9ZK80 )
순회외판원 문제는 대표적인 NP 문제로 문제의 해결에 많이 사용이 된다. 영상 에서 메인 GUI의 오른편 상자에서 20개의 색으로 구분된 가로줄은 하나의 염색체 를 나타내고, 세로 3000줄은 해를 탐색하는 집단의 수가 3000개라는 것을 의미한 다. 시간이 흐를수록 좋다고 생각되는(또는 충분히 반복 연산해서 검증된) 해 부 분이 동일한 색깔을 갖추어가는 모습을 보여주기 때문에 유전 알고리즘의 특징을 잘 보여주고 있다.
② 로봇주행성능 향상
(영상 주소: https://www.youtube.com/watch?v=KHV7fWvnn_0 )
유전 알고리즘을 이용한 로봇의 주행성능을 향상시키는 영상으로 그 과정을 실제 로봇의 움직임으로 확인할 수 있다. 6개의 독립된 다리를 제어하는 명령 을 랜덤으로 생성해서 실제 로봇의 주행거리, 자세 등을 센서로 입력받고, 더 나은 움직임을 보인 명령들을 계속해서 발전시켜 나간 것으로 생각해볼 수 있다.
③ 모나리자 이미지 만들기
(영상 주소: https://www.youtube.com/watch?v=rGt3iMAJVT8)
150개의 원으로 모나리자와 흡사한 이미지를 얻어내는 과정을 나타낸 영상이 다. 먼저 랜덤하게 추출하여 조합을 만든 뒤 이 조합과 원본 이미지의 컬러 값 차이를 점수로 만들어 저장한다. 여기에 돌연변이를 시켜 개체를 만들고, 색을 바꾸거나 도형을 더하거나 빼는 식으로 계산한다. 새로운 개체와 원본 이미지 의 컬러값의 차이를 점수로 만들어 저장하고, 새로운 개체가 우수할 경우 살아 남기고, 값이 적은 것은 삭제한다. 이러한 과정을 반복하며 알고리즘을 완성한다.
④ 게임에서의 최적화 방법 찾기
(영상 주소: https://www.youtube.com/watch?v=PHwMH28wFuM , https://www.youtube.com/watch?v=yKN8IhIccVw ) 위 영상은 마리오가 목적지까지 가기 위해 어떤 타이밍에 ‘점프’를 해야 하는지 유전 알고리즘으로 연구한 과정을 보여주고 있다. 오른쪽 영상은 테트 리스 게임을 이용하여 유전 알고리즘을 적용하면서 자동으로 게임 실력을 향상 해 가는 과정을 보여주고 있다.
활동 7 유전 알고리즘으로 문제 해결하기
유전 알고리즘 3차시
◆ 유전 알고리즘을 어떠한 문제에 적용하여 해결하고 싶은지 여러분의 생각 을 정리해보세요.
