מושגי ליבה
자기 조직화 입자 시스템에서 수학적으로 정의된 목표 행동을 달성하는 분산 알고리즘을 진화적 탐색을 통해 발견한다.
תקציר
이 논문은 자기 조직화 입자 시스템(SOPS)에서 수학적으로 정의된 집단 행동을 달성하는 분산 알고리즘을 진화적으로 발견하는 EVOSOPS 프레임워크를 소개한다.
EVOSOPS는 다음과 같은 과정을 통해 작동한다:
입자의 이웃 정보를 인코딩하는 유전자 표현을 사용한다.
집단 행동의 질적 척도를 정의하고, 이를 최대화하는 알고리즘을 찾는다.
다양한 크기의 SOPS에서 알고리즘의 강건성과 확장성을 평가한다.
EVOSOPS는 응집, 광트로픽, 분리, 물체 코팅 등 4가지 집단 행동에 적용되었다. 기존 이론적 접근법과 비교했을 때, EVOSOPS는 4.2-15.3% 더 높은 성능을 달성했다. 또한 물체 코팅과 같은 새로운 행동에 대해서도 알고리즘을 발견했다.
반복적인 EVOSOPS 실행은 다양한 유전자형 공간을 탐색하며, 이를 통해 각 행동의 복잡성 차이를 확인할 수 있었다. 또한 응집 행동에 대한 최고 성능 유전자를 분석하여, 기존 이론적 접근법과의 차이점을 밝혀냈다. 이는 EVOSOPS가 새로운 행동에 대한 이론적 연구를 촉발할 수 있음을 보여준다.
סטטיסטיקה
응집 행동의 최적 구성은 n = 1,141개의 입자로 이루어진 정규 육각형이다.
광트로픽 행동의 최적 구성은 n = 1,141개의 입자로 이루어진 정규 육각형이며, 광원은 오른쪽 벽면에 위치한다.
분리 행동의 최적 구성은 n = 1,140개의 입자로 이루어진 정규 육각형이며, 3개의 색상 클래스로 구분된다.
물체 코팅 행동의 최적 구성은 n = 500개의 입자로 이루어지며, 불규칙한 모양의 물체를 둘러싼다.