arXiv:cs/0201024v3 cs.NE

유전 알고리즘을 이용한 통계적 품질 관리 절차 설계

Design of statistical quality control procedures using genetic algorithms

Aristides T. Hatjimihail, Theophanes T. Hatjimihail

제출 2018-11-30

한국어 초록

일반적으로, 거짓 기각 확률을 최소화하면서 명시된 확률로 중요한 무작위 및 체계적 분석 오류를 검출하도록 품질 관리(QC) 절차를 최적화하는 데 대수적 또는 열거적 방법을 사용할 수 없다. 유전 알고리즘(GA)은 최적화할 목적 함수에 대한 사전 지식을 요구하지 않고 대규모 매개변수 공간을 빠르게 탐색하므로 대안이 될 수 있다. 통계적 QC에서 GA의 적용 가능성을 탐구하기 위해, 주어진 분석 프로세스에 대해 새로운 근사 최적 QC 절차를 설계하는 GA 기반 대화형 컴퓨터 프로그램을 개발하였다. 이 프로그램은 결정론적 크라우딩(deterministic crowding) 알고리즘을 사용한다. 프로그램의 예시적 적용 결과, 임상 실험실에서 사용되는 45개의 대안적 QC 절차보다 유의미하게 우수한 QC 절차를 설계할 수 있는 잠재력이 있음을 보여준다.

원문 초록

In general, we can not use algebraic or enumerative methods to optimize a quality control (QC) procedure so as to detect the critical random and systematic analytical errors with stated probabilities, while the probability for false rejection is minimum. Genetic algorithms (GAs) offer an alternative, as they do not require knowledge of the objective function to be optimized and search through large parameter spaces quickly. To explore the application of GAs in statistical QC, we have developed an interactive GAs based computer program that designs a novel near optimal QC procedure, given an analytical process. The program uses the deterministic crowding algorithm. An illustrative application of the program suggests that it has the potential to design QC procedures that are significantly better than 45 alternative ones that are used in the clinical laboratories.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:cs/0201024v3제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.26578v3cs.AI공통 태그 Evolutionary Algorithms, Combinatorial Optimization

EvoOptiGraph: 그래프 기반 구조 생성을 통한 약점 주도 공진화 기반 최적화 모델링

EvoOptiGraph: Weakness-Driven Coevolution via Graph-Based Structural Generation for Optimization Modeling

대규모 언어 모델(LLM)을 이용해 자연어로부터 최적화 모델링을 자동화하는 것은 두 가지 핵심 과제에 직면한다. 첫째, 학습 코퍼스는 구조적 다양성이 부족하다. 둘째, 데이터 생성 파이프라인은 정적이며 모델 학습과 분리되어 있다. 이러한 과제를 해결하기 위해, 우리는 모델의 약점에 의해 주도되어 데이터와 모델이 공진화하는 새로운 프레임워크인 EvoOptiGraph를 제안한다. EvoOptiGraph는 각 혼합정수 선형 계획(MILP)을 속성 이분 그래프(attributed bipartite graph)로 표현하고, 유효성을 보존하는 진화 연산자를 적용하여 구조적으로 다양한 인스턴스를 생성한다. 진화된 그래프는 결정적 컴파일을 통해 솔버 코드와 자연어로 변환되며, 검증된 역번역(back-translation)을 거친다. 학습은 두 단계로 진행된다: 초기 데이터셋에 대한 지도 미세조정(SFT)에 이어, 그래프에서 파생된 약점 신호가 모델의 실패를 겨냥한 새로운 인스턴스 생성을 안내하는 검증 가능 보상 강화학습(RLVR)이 수행된다. 이는 학습 분포를 지속적으로 갱신하는 폐쇄 루프를 형성한다. 6개의 공개 데이터셋에 대한 실험 결과, EvoOptiGraph는 정확도, 실행 가능성, 일반화 측면에서 더 큰 범용 모델, 에이전트 기반 방법, 특화 베이스라인을 크게 능가함을 보여준다. 이러한 결과는 표적화된 데이터-모델 공진화가 최적화 모델링 과제에서 LLM을 개선하는 효과적인 전략임을 보여준다.

arXiv:2607.23316v2cs.NE공통 태그 Evolutionary Algorithms, Combinatorial Optimization

학생 학습 자원 배분을 위한 유전 알고리즘

A genetic algorithm for student academic resource allocation

개별 학생에게 학습 자원을 최적으로 배분하는 것은 학습자 다양성을 다루고 공평한 교육 성과를 촉진하는 데 필수적이다. Erasmus+ KA220-SCH 프로젝트의 틀 안에서, 본 논문은 고등학교 수학 학생을 위한 교육 자료 선택을 엄격한 학습 시간 제약을 따르는 0-1 이진 조합 최적화(optimization) 문제로 모델링한다. 이 공식화의 NP-hard 복잡도를 고려할 때, 자원 카탈로그가 확대될수록 정확한 해법은 계산적으로 다루기 어려워진다. 이 과제를 해결하기 위해, 우리는 이진 결정 공간을 효과적으로 탐색하기 위해 특화된 제약 복구 메커니즘과 통합된 유전 알고리즘(Genetic Algorithm)을 제안한다. 10회의 독립 실행에 걸친 실험적 평가는 빠른 수렴, 높은 해 품질, 그리고 서로 다른 기본 시드에 걸친 강한 알고리즘적 안정성을 보여준다. 이 결과는 중등 교육에서 실시간 의사결정 지원 시스템을 위한 메타휴리스틱(metaheuristic) 접근법의 실용적 유용성을 확인한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.