목 차
목 차
...ⅰ 그림 목차
... ⅲ 초 록
...v
1.
서 론
... 1 1.1
연구 배경 및 연구 목적
... 1 1.2
창의적 설계의 개념
... 4
2.
이론적 배경
... 5 2.1
인공생명과 진화 알고리즘
... 5 2.2
생태계에서의 설계론
... 9 2.3
인공계에서의 설계론
... 10 2.4
유전자 알고리즘
... 13
3.
창의적 설계의 기본구조와 적용
... 19 3.1
기본구조와 진화적 방법
... 19 3.2
평가 및 선택 방법
... 27
4.
사례 연구
(1) ... 28 4.1.1
설계 대상의 문제 정의
... 28 4.1.2
설계 대상의 모델링
... 30
4.1.3
설계 대상의 진화 및 평가
... 32 4.1.4
설계 결과
... 36
4.
사례 연구
(2) ... 44 4.2.1
설계 대상의 문제 정의
... 44 4.2.2
설계 대상의 모델링
... 45 4.2.3
설계 결과
... 47
5.
결론
... 40 참고 문헌
... 41 Abstract ... 42
List of Figures and Tables
Figures
Fig. 1 The Research Background ... 3
Fig. 2 The Conception of AL ... 5
Fig. 3 Evolutionary Algorithms ... 7
Fig. 4 Conversion of Methodology ... 11
Fig. 5 Sub-population of Reproduction ... 16
Fig. 6 Example of Crossover ... 17
Fig. 7 Example of Mutation ... 17
Fig. 8 The Outline of Framework ... 19
Fig. 9 Conceptual Architecture of An ECB ... 21
Fig. 10 Structures Composed by GA vs. by ECB ... 23
Fig. 11 Conceptual Architecture of An Artificial Creature ... 23
Fig. 12 Structural Evolution vs. Element Evolution ... 25
Fig. 13 Case Study ... 27
Fig. 14 Example of Gear ECB ... 29
Fig. 15 Example of Evolution Process(1) ... 30
Fig. 16 Example of Evolution Process(2) ... 31
Fig. 17 Pareto Graph ... 33
Fig. 18 Outline of Mechanical Design Using GA ... 34
Fig. 19 Evolution of Generation(1) ... 35
Fig. 20 Evolution of Generation(2) ... 36
Fig. 21 Evolution of Generation(3) ... 37
Fig. 23 Evolution of Generation(5) ... 38
Fig. 24 Evolution of Generation(6) ... 38
Fig. 25 Evolution of Generation(7) ... 39
Fig. 26 Evolution of Generation(8) ... 39
Fig. 27 The Dimension of First Case Study ... 42
Fig. 28 The Dimension of Second Case Study ... 44
Table Table 1 GA vs. Mathematical Method ... 14
Table 2 Part Modeling Table ... 28
Table 3 Sample of First Design Results : Part Table ... 41
Table 4 Sample of Second Design Results ... 45
초 록
기계부품을 설계하는 과정은 설계와 해석, 평가가 반복되는 과정을 거 친다. 본 논문에서는 컴퓨터를 이용한 지능형 시스템을 이용하여 설계의 성능과 효율을 증대시키기 위해서 창의적 설계라는 방법을 소개한다.
본 논문에서는 인공생명(Artificial Life : AL)과 유전자 알고리즘 (Genetic Algorithms : GA)의 개념을 이용해 새로운 인공의 생명체를 설 계한다. 따라서, 설계 대상은 자연의 진화를 기본으로 두고 출발을 하기 때문에 반복을 거치면서 진화를 거듭하게 된다. 이 과정에서 선택 (selection)과 재생산(reproduction)을 통해 더욱 다양한 설계 작업을 이루 어 낼 수 가 있다.
본 논문에서는 자연계에서 진화를 하는 세포들을 대신해 ECB(Elementary Cell Block)라는 새로운 빌딩블럭을 제시한다. 바로 이들 이 설계 대상의 가장 기본적인 요소들을 이루는 것이다.
본 논문에서는 이들을 대상으로 사례연구로서 gear system의 설계를 보이고자 한다.
주요 단어 : 창의적 설계, 인공생명, 유전자 알고리즘, ECB
1. 서 론
1.1 연구 배경 및 목적
20세기에 접어들면서 컴퓨터의 급격한 발전으로 이를 이용한 연구들이 고무적인 성과를 보이기 시작했다. 따라서 기계설계에 있어 컴퓨터를 이 용한 자동화 설계는 엔지니어들에게 중요한 이슈중의 하나로 자리 잡고 있다.
공학적 개념에서의 자동화 설계는 여러 단계를 걸친 반복적인 과정으로 구성되기 때문에 최적의 설계를 위해서는 그 반복횟수를 줄이는 것(최적 해를 향한 빠른 수렴)이 이상적인 설계방법이다.(1)
일반적으로 설계과정은 크게 4가지로 나눌 수 가 있다. 개념 설계와 기 본 설계, 상세 설계와 생산 설계가 바로 그것이다. 개념 설계와 기본 설계 를 보통 창의적 설계의 범주로 볼 수 있고 상세 설계와 생산 설계를 정형 적 설계의 범주로 볼 수 가 있다. 지금까지의 정형적 설계에서는 컴퓨터 를 이용한 설계가 수행되어 왔지만 창의적 설계 영역에서는 컴퓨터를 이 용한 설계가 이루어지지 않았다. 따라서 본 논문에서는 창의적 설계 영역 에 컴퓨터를 이용, 기계구조의 자동화 시스템을 구축하고자 한다.
자동화 설계의 주된 접근법은 유전자 알고리즘 (Genetic Algorithm:
GA)과 인공생명 (Artificial Life: AL)에 의해 Building Blocks으로 구성된 설계가 연구되어 왔고 본 논문에서 역시 이러한 기법들을 기반으로 한 연
본 논문에서는 창의적 설계의 대상으로서 2가지의 사례연구를 통하여 Gear System의 자동화 설계를 보여준다.
첫 번째 사례 연구에서는 Gear System의 출력 회전수를 두 가지 방법 으로 평가하고 각각의 효율성에 대해서 논의할 것이며, 두 번째 사례 연 구에서는 2차원을 기본으로 한 첫 번째 사례 연구의 결과를 바탕으로 공 간적 개념을 3차원으로 확장하는 연구를 수행한다.
Fig. 1은 본 논문의 전체적인 연구배경을 나타낸 다이어그램이다.
1.2 창의적 설계의 개념
창의적 설계는 자연계에서 일어나는 생물의 진화과정을 그 기본으로 한 다. 자연계에서 일어나는 현상들은 우리가 상상할 수 없을 정도의 무한하 고 복잡한 현상들의 집합으로 구성되어 있다. 우리는 이러한 자연의 현상 들을 단순한 규칙들의 집합으로 분해함으로서 창의적 자동 설계에 적용할 수가 있다.
또한, 창의적 설계는 상향식 (Bottom-up)의 합성적 (Synthetic)인 설계 방식을 이용하여 간단한 규칙의 조합으로부터 복잡하고 새로운 설계결과 를 얻어낼 수 있다고 가정함으로써 연구를 시작한다.
현재는 이와 비슷한 개념의 설계방법으로 한 생명체가 만들어내는 일련 의 행동들을 동일하게 만들어냄으로써 자연의 설계방식을 물리적으로 모 방할 수 있는 방향을 제사하는 인공생명 (Artificial Life: AL)과 인공의 생명체들을 설계목적에 맞게 진화를 유도하는 진화 연산법 (Evolutionary Computation)이 있다.
따라서 본 논문에서는 이러한 설계적 개념을 바탕으로 창의적 설계 작 업을 수행하게 된다.
2. 이론적 배경
2.1 인공 생명과 진화 알고리즘
인공생명과 진화 알고리즘의 개념은 본 논문에서 가장 기본이 되는 개 념으로 이 두 개념에 대해서 살펴본다.
2.1.1 인공 생명 (Artificial Life)
우리는 가끔 난해한 문제에 직면했을 때 그에 대한 해결책을 자연계의 생물로부터 찾으려고 하는 경우가 있다. 이러한 시도로부터 자연계 생물 에 대한 연구결과를 통합하고, 나아가 연구를 보다 활성화 하면서 새로운 연구방법을 모색해 보자는 취지로 탄생한 것이 바로 인공생명이다. 이렇 게 탄생한 인공생명의 개념은 ‘ 우리가 기존에 알고 있는 생명 ’ 에 대한 연구 및 응용이라는 커다란 관점으로부터 ‘ 기존에 알고 있는 생명으로부 터 있을 수 있는 또 다른 생명 ’ 이라는 더 큰 의미로 확장함으로서 생명 의 본질을 보다 자세하고 깊게 이해할 수 있다고 보는 것이다.
인공생명의 기본 목적은 생물의 행동의 본질을 이해하는 것이다. 인공 생명이라는 단어를 풀어보면, “인공”이란 의미는 생명과 같은 시스템을 인공적인 매체위에 구축한다는 의미를 내포하고 있으며 “생명”은 바로 위 에서 언급한 생물의 행동적 본질을 의미한다.
다.
인공생명을 공학적인 입장에서 생각해 보면 생명 또는 생명체가 가지는 자율성 (Autonomous), 적응과 학습 (Adaptation and Learning), 진화 (Evolution), 자기증식 (Self Proliferation), 자기복제 (Self Reproduction) 등의 우수한 특징을 인공시스템으로서 실현하는 것을 목적으로 한다.
본 논문의 연구를 위해서 생태학적 개념의 자연 진화를 인공적인 진화 로의 변화가 요구된다. 이를 위해 자연 생태계에서의 설계론과 인공계에 서의 설계론을 제안한다.
인공생명에서는 생명체의 형태 자체 보다는 정보로서의 기능과 과정을 연구의 대상으로 한다. Fig. 2는 AL이 생겨난 개념을 설명하고 있다.
Fig. 2 The Conception of AL
2.1.2 진화 알고리즘 (Evolutionary Algorithms)
진화 알고리즘이란 다윈의 진화론, 즉 적자생존과 자연선택을 통하여 보다 우수한 객체가 살아남는다는 법칙에 기반을 둔 컴퓨터 기법을 말한 다.
진화 알고리즘은 유전 알고리즘 (Genetic Algorithm), 진화 전략 (Evolution Strategies), 진화 프로그래밍 (Evolutionary Programming)으 로 나눌 수 있다.
대부분의 진화 알고리즘은 최적화를 위해 사용된다. 현재 최적화 문제 는 다목적 최적화 (Multiobjective Optimization)로서 간주된다. 대부분의 진화 알고리즘은 동시에 (in parallel) 많은 Pareto-optimal Solution에 대 한 탐색을 할 수 있다. 이러한 특징이 다목적 최적화를 해결하는데 있어 서의 장점이다(7). 하지만, 엄밀히 말하자면 진화 알고리즘은 최적화 도구 는 아니다. 그 이유는 진화 알고리즘에 사용되는 모든 개체들이 자신의 환경에 맞추어 변화해 나가지만 일정 수준의 진화를 한 개체들은 더 이상 의 진화가 이루어지지 않는다는 점에서 그 이유를 찾을 수 있다. 그 예를 들어보면 자연계의 먹이사슬을 살펴보면 가장 하단에 위치한 생물들은 오 랜 세월을 거치면서 존속되어왔다는 점에서 그 이유를 살펴볼 수 있으며 이들에게 있어서의 진화는 종의 다양성(파라미터의 변화)을 증가 시킨다.
진화 알고리즘의 전체 구성은 크게 Fig. 3과 같이 표현 할 수 있다.
그림과 같은 개념으로의 접근은 넓은 해 공간을 탐색할 수 있도록 도와 줄 것이다.
Fig. 3 Evolutionary Algorithm
2.2 생태계에서의 설계론
자연도 인간과 마찬가지로 설계를 하며 실제로 매우 정교한 설계기술을 가지고 있다. 그 한 예로, 개미나 다른 곤충들은 구조적으로 복잡한 사회 를 구성하고 자신들의 집을 정교하게 설계해 낸다.
이러한 자연의 설계를 주시함으로서 우리가 연구할 인공계 시스템에서 이용할 다양한 설계론을 얻을 수 있다.
자연계에서 일어나는 설계과정은 다음과 같은 4가지 방법들로 구성된 다.(3)
* 상향식 (Bottom-up)의 합성적 (Synthetic)인 설계 방식
: 자연계에서의 설계는 매우 복잡해 보이지만 단지 하위레벨의 구성요 소들을 조정함으로서 그 이상의 복잡하고 복합적이며 예상하지 못한 새로 운 현상들까지 창출해 낼 수 있는 상향식 접근 방법을 사용함으로서 얻어 지는 설계방식이다.
* 유전자 조합에 의한 설계 변경
: 모든 생물의 진화는 각 생물의 구성요소의 정보인 유전자를 변경함 으로서 이루어진다.
* 자연의 창의적 행동을 이용한 창의적 설계
: 자연의 설계는 각각의 구성 요소들 간의 창의적인 행동에 의해 무수 히 다양한 형태의 결과로서 나타난다.
* 자연 선택에 의한 적자 생존
: 적자생존의 법칙을 이용해 우성만 살아남는 확률적인 보상관계를 이 용하여 보다 적합한 설계결과를 유도해낸다.
2.3 인공계에서의 설계론
자연계에서의 설계를 인공계의 설계로 변형하려면 그에 대응하는 설계론이 필요하다. 이는 자연의 설계와 공학적 설계의 유사성을 바탕으로 하였다.
자연 설계론에 대응하는 4가지 원칙은 다음과 같다.(3)
* 블록 모델링
: 블록 모델링은 자연의 상향식 합성적 설계를 수행하기 위한 요소의 표현과 요소의 어셈블리를 표현하기 위한 도구로 사용된다.
* 인공생명의 창의성
: 인공의 시스템에서 자연 설계의 기본 원동력인 창의적 행동을
이용하기 위해 사용된다.
* 진화 연산법
: 설계대상의 구조와 속성의 변화를 주기 위한 방법이며 생명체의 유전 자 변형의 방법을 대신한다.
* 선발생-후 평가 방식
: 의도하는 설계 결과를 얻기 위한 방법으로 자연의 적자생존과 같은 선발생-후 평가 방식으로 설계 대상에 적용된다.
자연계에서의 설계방식과 그에 대응하는 인공계에서의 설계방법에 대한 그림은 Fig. 4에서 표현하였다.
Natural System Artificial System
Fig. 4 Conversion of methodologies
2.4 유전자 알고리즘 (Genetic Algorithm)
본 장에서는 자동화 설계의 주된 접근법이면 본 연구에서의 실질적인 접근법인 유전자 알고리즘에 대해서 설명한다.
2.4.1 유전자 알고리즘의 개요
유전자 알고리즘은 1975년 미국의 교육학자 John Holland 가 과학과 공학에 이를 적용시키고 중요한 공헌을 함으로서 증명되었다.(2) 그 후로 이 분야에 있어서의 연구결과는 세계적으로 기하급수적으로 성장했다. 하 지만 산업단지에서 일부 재료에 이 기술을 적용시킨 것은 최근에 일이다.
본질적으로 유전자 알고리즘의 사용에 있어 엔지니어들에게 발생하는 장 애물은 Computational Process의 어려움과 확실한 보증이 요구되는 문제 에 따르는 무작위의 본질적인 성질이다.
그럼에도 불구하고 유전자 알고리즘의 발전은 세계전반에 걸쳐 엔지니 어들과 각 대학에서의 노력으로 원숙 단계에 까지 다다랐다. 이것은 컴퓨 터를 이용함으로서 급속하게 꽃피울 수 있었다.
유전자 알고리즘은 수학적 규준의 알고리즘을 고려하지 않고도 Computation 이 관계하는 복잡하고 어려운 문제들에 이를 적용함으로서 최적화를 얻을 수 있다. (Table 1)
2.4.2 유전자 알고리즘의 개념
자 알고리즘은 경쟁이 존재하는 환경 속에서 우성이 되기 쉬운 강한 객체 들의 생물학적 과정의 자연적 선택의 메커니즘에서 영감을 얻었다.
문제의 Potential Solution은 각 객체마다 존재한다고 가정하고 그것들 은 파라미터의 세트로 표현한다. 이 파라미터들은 자연계에 존재하는 염 색체의 유전자를 대신하고 2가 (Binary)형태의 String 값들은 파라미터의 세트로 표현한다. 이 파라미터들은 자연계에 존재하는 염색체의 유전자를 대신하고 2가 (Binary)형태의 String 값에 의해 구조화 된다.(4) 일반적으 로 Fitness Value로 알려진 명확한 해는 문제를 풀기 위하여 염색체의
“Goodness"의 정도로 나타내고 이 값이 실제의 값과 근접하게 관계한다.
유전적 진화를 통해서 Fitness Value가 높은 염색체는 문제에 있어서 더 나은 자손을 산출하려는 경향을 가진다. 진화과정으로 불리는 유전자 조 작의 각 사이클은 다음의 세대가 현 개체군의 염색체로부터 창출된다. 부 모세대의 유전자는 다음 세대의 자손 생산을 위해 혼합되고 재결합한다.
이것은 Fitness Value가 더 높은 염색체가 더 많은 수의 자손을 생산한다 는 것을 진화의 과정으로부터 예견할 수 있고, 그로인해 적자생존의 법칙 을 통해 다음 세대에서 더 높은 생존가능성을 가질 수 있다는 것을 의미 한다.
진화 사이클은 원하는 최종 기준에 다다를 때까지 반복된다. 이 기준은 각 세대사이의 각각의 변화의 양, 혹은 적합성의 미리 정의된 값, 진화 사 이클의 수에 의해 결정된다.
유전자 알고리즘 진화 사이클의 촉진을 위하여 3가지 기본적인 조작 (재생산, 교배, 돌연변이)이 요구된다.
Table. 1 GA vs. Mathematical Method 2.4.3 재생산 (Reproduct)
재생산은 각 String이 가지는 적합도에 따라 그 String을 복제하는 과 정으로서 진화과정과 선택과정에서 후에 더 나은 자손을 산출하기 위해서 특정 우성 개체군(높은 Fittness Value를 가지는)을 복제하여 열성의 개 체군을 없애고 이를 열성의 개체군의 자리에 대신한다. 개체군의 크기는 전체 진행과정을 통해서 다양하지 않기 때문에 재생산된 개체군의 크기와 죽은 개체군의 크기는 같다.
유전자 알고리즘 기존의 수학적 방법
변 수 변수 집합을 코딩 변수 자체를 사용
변수 개수 해 집단(Schema) 사용 단일 해(String) 사용
규 칙 확률론적 전이규칙 결정론적 전이규칙
사용 정보 적합도 함수(Fitness Function) 수학적 정보(미분, 연속성)
2.4.4 교배 (Crossover)
교배는 2개의 개체간의 염색체를 부분적으로 바꿈으로서 새로운 개체 를 생성 할 수가 있다. 이는 개체간의 정보를 교환하고 스트링의 좋은 부 분을 결합하는 효과적인 수단으로 적합도가 높은 객체들을 빠르게 결합하 여 현재집단의 전역에 확산시킬 수 있다. (Fig. 6).
2.4.5 돌연변이 (Mutation)
돌연변이는 모집단에 속한 개체군의 유전자의 값을 바꾸는 방법으로서 현재 집단에 존재하지 않는 새로운 정보를 제공한다. 이 방법을 사용함으 로서 탐색 방향을 지역적 탐색에서 광역적인 탐색을 할 수 있다. 단, 돌연 변이가 나타날 확률은 1% 미만이다. (Fig.7).
Fig. 5 Sub-population for Reproduction
Crossover Point
Fig. 6 Example of Crossover
Fig. 7 Example of Mutation
3. 창의적 설계의 기본구조와 적용
창의적 공학설계는 2개의 중요단계를 거쳐 이루어진다. 개념설계와 제 품설계가 그것이다. 개념설계 단계에서는 기능이 첫 번째 고려 대상이다.
제품의 필수요건을 충족시킬 수 있는 잠재적인 여러 가지의 개념들이 창 조된다. 일반적으로 개념설계의 폭이 넓을수록 실현 가능한 제품이 탄생 될 가능성이 커진다.(5)
본 논문에서는 이 개념설계 단계에서 설계대상이 되는 기계부품 구조 의 Outline을 자동으로 설계하고 기본 설계 작업을 수행하기 위한 대상 부품의 프레임워크가 제안된다.
3.1 기본구조와 진화적 방법
본 연구에서 제안되는 프레임워크에는 가장 기본요소로서 존재하는 ECB (Elementary Cell Block)라는 블록요소가 있다.
ECB는 Mechanical 구조를 설계하기 위한 요소로서 Evolutionary Computation Approaches에 빌딩블록의 역할을 수행(일군의 해)한다.
각각의 해들은 진화 알고리즘의 개념을 이용하여 발생을 시작하고 평 가와 선택의 과정을 거쳐서 각각의 적합도에 따라 우수한 해는 선택되어 지고 이들은 다시 재생산 과정을 통해서 좀 더 적합한 해를 만들어 내도 록 유도한다.
전체적인 구조와 진화적 방법은 Fig. 8 과 같다.
3.1.1 블록의 모델링
본 프레임워크에서 만들어지는 인공의 생명체들은 자연계에서의 생물 들이 세포들의 조합으로 하나의 생명을 만들어 내는 것과 마찬가지로 ECB로 정의한 기본요소들이 세포의 역할을 대신함으로서 이들이 서로 조합하고 평가되고 선택되어지면서 하나의 인공생명체가 만들어진다. 다 시 말해서 본 프레임워크에서 만들어지는 인공생명체들은 ECB들의 합성 물이 되는 것이다.
따라서 각각의 인공의 ECB들은 대상이 되는 실제 기계부품의 모든 정 보를 실제로 가지고 있어야 한다. Fig. 9는 기본 ECB의 구조와 정보들을 나타낸다.
ECB는 그림과 같이 파라미터, 함수, 가상 조인트의 3종류의 인자로 구 성된다. 각각을 좀더 구체적으로 설명하면 다음과 같다.
* 파라미터 (Parameter) :
- 실제 대상 부품의 치수와 속성 등의 정보
* 함수 (Function) :
- ECB 가 가지는 각종 기능을 정의
* 가상 조인트 (Virtual Joint) :
Fig. 9 Conceptual Architecture of An ECB
3.1.2 구조의 모델링
본 프레임워크의 기본 개념은 서두에서 언급한 것처럼 유전자 알고리 즘 (Genetic Algorithms)의 개념을 이용하였다. 그러나 본 연구에서는 기 존의 유전자 알고리즘의 방법과 다소 차이점을 가지고 있는 부분을 내포 하고 있다.
우선 첫 번째로 기존의 유전자 알고리즘은 Binary Code의 2진법을 사 용함으로서 블록 하나 당 처리하는 단순한 정보량을 가지는 반면에 본 연 구에서는 ECB라는 블록을 이용해서 다차원적인 정보를 가질 수 있는 장 점을 가지고 있다.
두 번째로 유전자 알고리즘은 1차원의 고정된 Binary Code로 구조를 표현하기 때문에 단순한 구조를 가질 수밖에 없는 반면에 ECB는 다차원 의 가상 조인트를 가짐으로서 다양한 구조를 표현 할 수가 있다. Fig. 10 은 지금 설명한 유전자 알고리즘의 구조 모델링과 ECB라는 블록으로 제 안된 구조의 모델링을 비교 설명한 그림이다. 제안되는 구조가 다차원적 이며 가변적이다. 이 그림으로서 두 구조의 차이점을 쉽게 찾아볼 수 있 다.
앞에서 언급했던데로 자연계에서의 모든 생물체들이 수많은 세포들의 조합으로 만들어지는 것처럼 본 연구에서 만든 인공생명체 역시 수많은 세포 즉, 수많은 ECB가 다양하게 조합함으로서 하나의 인공생명체가 만 들어 지는 것이다. Fig. 11은 다양한 ECB들이 가상의 조인트에 의해서
Fig. 10 Structures Composed by GA vs. by ECB
3.1.4
진화의 방법
좀 더 나은 해를 얻기 위해서는 해공간의 광역적 탐색이 필요하다. 이 전에 언급한 선택 과정과 재생산 과정만으로는 더 나은 해를 구하는데 있 어 한계가 존재하기 때문에 우리는 좀 더 좋은 해, 즉 새로운 객체를 만 들어 내기 위해서 또 다른 진화의 과정을 필요로 하게 된다. 이 새로운 진화방법으로서 구조적 진화 (Structural Mutation)와 요소적 진화 (Element Mutation)가 있다.
구조적 진화는 ECB들로 이루어진 설계 대상의 구조가 재구성 되는 과 정이다. 이로써 새로운 객체가 태어나는 것이다. 적응적 진화는 각각의 ECB들의 속성들이 변화하는 과정이다. 이와 같이 2가지 경우의 진화방법 을 제시하는 이유는 인공 생명체의 다양한 변화를 시도해 보기 위한 것이 다.
Fig. 12는 2가지 진화 방법을 설명하는 그림이다. 구조적 진화에서는 새로운 대상을 설계하기 위하여 새로운 조각들이 기존의 구조에 추가되거 나 제거되거나 함으로서 구조가 재조직 된다. 적응적 진화에서는 새로운 대상을 설계하기 위해서 일부 조각의 속성이 변화한다.
이 2종류의 진화 과정은 수많은 객체들이 매 세대를 형성하며 진화하 는 가운데 발생하며 이러한 과정을 거치면서 설계자가 의도하는 설계결 과들에 다다를 수 있다.
Fig. 12 Structural Evolution vs. Element Evolution
3.2 평가 및 선택 방법
지금까지의 모든 과정을 지난 객체들은 설계목적에 적합한 것들을 선 택하기 위해서 평가되어야 한다.
모든 진화를 거친 객체들은 각각 적합도 함수를 통해 얻어진 적합도에 따라 비교 평가되고 그에 따른 순위가 매겨진다.
순위에 따라 배열된 각 객체들은 우성과 열성으로 나뉘어 우성으로 판 별된 객체만이 적자생존의 법칙에 따라 더 많이(후 세대에) 번성할 수 있 는 기회를 가지게 된다.
4. 사례 연구(1)
본 연구에서는 지금까지 설명했던 개념들을 토대로 Gear System을 설 계할 것이며, 두 가지의 사례 연구를 보여 줄 것이다.
4.1.1 설계 대상의 문제 정의
첫 번째로 본 연구에 설계 대상이 되는 Gear System은 Input Rotational Speed 가 Output Rotational Speed 에서는 감소가 되는 것을 궁극적인 목적으로 설계를 시도한다.
본 연구에서 실험하는 실제의 Input Rotational Speed 는 3500rpm 으로 정하고 최종 Output Rotational Speed 는 240rpm을 목표로 한다.
첫 번째 사례 연구의 전체적인 개략도를 Fig. 13과 같이 나타내 었다.
Fig. 13 Case Study
4.1.2 설계 대상의 모델링
우리가 본 연구에서 창의적 설계에 대해서 실험하는 대상은 Gear System이다. 따라서 대상 부품들을 ECB로 모델링을 해야만 한다. Table 2는 모델링 되는 각 대상 부품들의 ECB와 그 ECB가 가지는 속성들을 나타내고 있다.
Fig. 14는 그의 한 예로 Gear의 ECB를 보여주고 있다.
Table . 2 Part Modeling Table
SHAFT GEAR
PARAMETER
length diameter RPM etc.
width pitch diameter gear type gear module number of teeth RPM
etc.
FUNCTION MeasureShaftRPM() etc.
MeasureGearRPM() etc.
VIRTUAL JOINT Shaft-to-Gear joint Gear-to-Gear joint Gear-to-Shaft joint
4.1.3 설계 대상의 진화 및 평가
(1) 진화 과정
본 실험에서의 진화 과정은 구조적 진화 (Structure Mutation)와 요소 적 진화 (Element Mutation)를 거친다. (Fig. 15)
Fig. 15 Example of Evolution Process
Fig. 16 은 진화 과정을 전기와 중기
,
후기로 나누었을 때 발생 가능한 형상을 도식화 한 것이다
.
Fig. 16 Example of Evolution Process (2)
(2) 평가 과정
지금까지의 과정을 통해서 만들어진 인공생명체들은 평가를 통해 선택 되어진다. 평가는 각각의 적합도 함수에 따른 순위를 기반으로 한다.
본 연구에서는 2가지 방법으로 순위를 결정하고 평가한다.
1. 구조적 진화나 요소적 진화에 해당하는 각각의 항목들에 모든 순위 를 더해서 하나의 값으로 순위 매김을 하는 방법
G(c
i )
TOTAL = G(c
i
)STRUCTURAL + G(c
i )ELEMENT
( G(c
i
)ELEMENT = 0 if G(c
i )
STRUCTURAL < R
T )
여기서, G(c
i )
TOTAL
= 총 적응과정에 대한 평가 점수 G(c
i )
STRUCTURAL
= 구조적 진화에 대한 평가 점수 G(c
i)
ELEMENT = 요소적 진화에 대한 평가 점수
2. Pareto Ranking법으로서 순위 매김 시 구조적 진화와 요소적 진화 에 해당하는 항목들의 우수한 객체들만을 뽑아서 평가하고 우수하지 못한 객체들은 순위 매김 시 평가 대상에서 미리 없애버리는 방법 (Fig. 17)
Fig. 17 Pareto Graph
4.1.4 설계 결과
Gear System의 프레임워크 구현은 PC 상에서 Visual C++로 구현된 다.
Fig. 18은 Visual C++ 상에서 GA를 이용해 본 연구에 필요한 기계구조를 설계해 나가는 과정을 코딩한 일부를 보여주고 있다.
각 2가지 경우의 순위 매김을 기준으로 매 1000세대씩 진화를 반복하고 그 결과를 도출하였다.
(방법 1)
(방법2)
Fig. 20 Evolution of Generation(2)
위의 두 그래프는 2가지 방법에 따라 나타나는 매 세대에서 가장 우수 한 객체의 회전수를 나타낸 것이고 최종 목표 값(240rpm)을 향하는 수렴 의 결과차를 보여주고 있다.
첫 번째 방법은 약 70세대 이후부터 수렴을 시작하는 것을 볼 수가 있 고 두 번째 방법은 약 30세대 이후부터 수렴을 시작한다.
서론에서 언급했던 것처럼 공학적 개념에서의 최적설계는 최적 해를 향한 빠른 수렴이라고 하였다. 따라서 두 가지 방법의 비교 결과를 보면 두 번째 방법의 평가가 더 효율적인 것을 알 수가 있다.
Fig. 18부터 Fig. 23는 2가지 방법으로 평가한 각 100번째 세대, 500번 째 세대, 999번째 세대에서의 각 객체들의 진화 결과를 보여준다.
(방법1)
Fig. 21 Evolution of Generation(3) (방법2)
(방법1)
Fig. 23 Evolution of Generation(5) (방법2)
Fig. 24 Evolution of Generation(6)
(방법1)
Fig. 25 Evolution of Generation(7) (방법2)
본 실험의 결과 전체적으로 봤을 때 두 방법 모두 진화를 거듭하면서 일정 세대에 다다르면 원하는 실험의 목적에 근접하는 것을 볼 수 가 있다.
첫 번째 실험 방법은 진화의 초반에는 불안정한 상태를 유지하지만 진화를 거듭하여 수백세대를 지나면서 안정적인 진화를 진행하는 것을 볼 수 가 있다.
두 번째 실험 방법은 상당히 안정적인 진화를 거치면서 다양성을 가진 설계결과들을 도출해 내는 것을 발견할 수 가 있다.
따라서 두 가지 경우의 실험 결과를 비교해 봤을 때 첫 번째 실험 방법도 우리가 원하는 결과를 이끌어 낼 수 있긴 하지만 공학적인
측면에서 봤을 때 두 번째 실험 방법이 더욱 효율적인 것을 증명할 수 가 있다.
Table 3 은 진화를 거쳐 설계요구를 만족하는 세대 중 999번째 세대의 우수한 하나의 예를 나타낸 것이다.
Table. 3 Sample of First Design Results : Part Table
4. 사례 연구(2)
4.2.1 설계 대상의 문제 정의
두 번째로, 본 논문에서 제시한 또 하나의 사례연구는 결론부터 말해자 면 Gear System의 Dimension 확장이다.
첫 번째 사례연구에서 설계 대상이 된 Gear System 은 2차원 평면을 그 기본으로 모델링 하였다. (Fig. 27)
두 번째 사례 연구에서는 Gear System 의 좀 더 사실적인 표현을 위해 3차원의 Gear System Simulation을 모델링 하였다.
4.2.2 설계 대상의 모델링
Gear System의 현실성을 좀 더 부각시키기 위해서 각 X, Y, Z 축 안에 서 Gear System은 Simulation 된다. 두 번째 사례 연구 역시 Visual C++
에서 구현되었으며, 본 3차원의 Gear System을 표현하기 위하여 3D 모델 링 Tool 인 Thinkdesign(6.0.2)를 사용하였다. (Fig. 28)
본 시스템을 모델링 한 과정은,
- 본 연구는 첫 번째 사례 연구의 결과를 바탕으로 실시하였다.
- 첫 번째 연구에서 구축된 Gear System 의 Structure를 재검토 한다.
- 시스템의 좌표축 Input은 Motor의 축으로 X축을 시작으로 한다.
- 본 연구대상의 Gear가 Spur Gear인 것을 감안하여 Shaft의 축을 X측 으로 고정시켰다.
- Gear는 구동축이 되는 대상에 따라 적당한 구속조건에 맞추어 Y축, 혹은 Z축으로 구현된다.
Fig. 28 The Dimension of Second Case Study
4.2.3 설계 결과
Gear System을 구성하는 각 부품들의 3개의 축을 고려한 설계 결과는 다음과 같다.
5. 결론
본 논문에서는 인공생명과 진화 연산법 중 하나인 유전 알고리즘을 이 용하여 Gear System을 대상으로 창의적 설계라는 프레임워크를 제안하 였다.
본 논문에서 제안한 창의적 설계는 자연계의 진화 과정을 그 모체로 하여 인공시스템을 만들고 그 안에서 2가지 경우의 모의실험을 하였다.
첫 번째 사례 연구로써 유전자 알고리즘 (GA)의 발생, 평가, 재생산의 개념을 기본 개념으로 우리가 만든 인공의 생명체를 이러한 과정을 거치 게 하면서 합리적이고 효율적인 설계를 수행하였다.
진화 과정동안에는 ECB라는 가변적이고 다차원적인 블록을 제안함으 로서 구조적 진화와 요소적 진화의 2가지 진화방법을 제안했다.
평가 과정에서는 2가지의 평가방법을 제안함으로서 각각의 평가 방법 에 따른 설계 결과와 최적 해를 향한 수렴의 과정을 살펴봄으로서 더욱 효율적이고 안정된 평가방법을 증명하였다.
본 실험에서는 총 1000세대동안 진화를 반복하였고 2가지 경우의 평가 방법 모두가 수백세대를 거치면서 최적해로 수렴하는 것을 볼 수 있었다.
본 연구가 기존의 관련 연구와 다른 점은 첫 번째로 ECB라는 개념을 사용함으로서 기존의 유전자 알고리즘에서의 Binary Code 와는 다른 다 차원적인 정보를 가질 수 있고 두 번째로 ECB의 가상조인트를 이용하여 원하는 설계의 더욱 다양한 구조를 제시하고 실험 할 수 있다는 것이다.
두 번째 사례 연구로서 첫 번째 사례 연구를 바탕으로 System의 공간
적 확장을 시도하였다. 설계 결과 첫 번째 사례 연구의 결과 보다 좀 더 사실성 있는 프레임 워크를 구현 할 수 있었다. 다만, 기어의 방향성에 있 어 직각의 결합만을 고려한 나머지 다양한 방향성의 설계는 제안하지 못 했다.
본 논문에서 제시하는 창의적 설계론은 앞으로 진화연산법의 많은 연 구와 노력으로 더욱 이상적인 설계법이 제안될 것이다.
참고 문헌
(1) P.J. Angeline, Ph.D. thesis of The Ohio State University, 1993, Evolutionary algorithms and emergent intelligence
(2) K.F.Man, Member, IEEE, K.S. Tang, and S. Kwong, Member, IEEE, OCTOBER 1996, Genetic Algorithms : Concepts and Applications.
(3) In Ho Lee, Joo Heon Cha and Jay Jung Kim, January 2002, Framework for Innovative Mechanical Design Using Simulated Emergent Evolution.
(4) Shigeru Obayashi, Daisuke Sasaki, Yukihiro Takeguchi, and Naoki Hirose, July 2000, Multiobjective Evolutionary Computation for Supersonic wing - Shape Optimization.
(5) Brian S. Thompson, 2001, "
창의적 공학 설계
“ 제
1 장
.
(6) F'abio Roberto Miranda, Joao Eduardo Kogler Jr, Emilio Del Moral Hernandez, Marcio Lobo Netto, 2001, An artifical life approach for the animation of cognitive characters.
(7) Shigeru Obayashi, Daisuke Sasaki, Yukihiro Takeguchi, July 2000, Multiobjective Evolutionary Computation for Supersonic Wing-shape Optimization.
Abstract
In mechanical design, design process is mainly composed of design, explanation and evaluation. In this paper, Using an intelligent system(Artificial Life(AL) and Genetic Algorithms(GA)), Creature design is introduced as new design process. This method promote the efficiency and power of design.
Due to the known characteristics of the stage, the approach basically involves a synthetic design method with the composition of building blocks representing the elements of mechanical objects.
In order for the building blocks to be more suitable for representation and evolution of mechanical structures, Elementary Cell Blocks(ECBs) are introduced as new building blocks. A new Darwinian evolution process for the new building blocks is also necessarily involved in the approach. We have demonstrated the implementation of the approach with the design of gear systems.
