카테고리 없음2010. 11. 7. 22:29

뭐... 고수는 아니지만;; 몇몇 삽질을 통해 알고 있는 걸 말씀드리면...

 

 전에도 비슷한 답변을 했던 기억이 있는데 -_-a;;

 

 일단 usb의 대역폭을 확인하셔야 합니다.

 

 대부분의 메인보드에 있는 sub포트만으로는 대역폭이 4개까지 못연결합니다.

 

 1개도 벅차하죠 =_=;

 

 대역폭을 확인하실때에는... 모두 연결하시고 내컴퓨터를 열어보시면 캠목록이 뜹니다.

 

 요놈을 이용해서 4개를 다 따로 켜보는거죠

 

 그러다보면 대역폭이 모자르다는 에러메시지가 뜹니다! -_-;;;;;

 

 그럴때는 여기저기 다른데다 꽂아보다보면 갑자기 되기도 합니다 -_-;;;;;;;

 

 하지만 안된다고 한다면... 추가로 usb-pci카드를 달아서 더 꽂아줘야 하는거죠...

Posted by 태씽
카테고리 없음2010. 11. 2. 00:32
Abstract 
과거 10년 동안에 EMO methodology들은 실제적인 optimization 문제에서 인기가 많았다. 그 이유는 역시 그들의 능력인 대표적인 Pareto-optimal set을 2,3, 또는 4,5개의 objective에서도 찾아내는것 때문이다. 최근에는 

pursue 추구하다, 계속하다, 뒤쫓다
preference 선호, 애호, 
aspiration 열망, 포부, 염원
reference 참조, 
based upon ~을 근거로
intersection 교차점, 교차지점
vicinity 인근, 부근
analogous 유사한
handy 유용한, 편리한
bold 대담한, 용감한
outrank ~보다 더 높다
neighboring 인접한
incomparable 비할때가 없는
indifferent 무관심한 썩 좋지는 않는
constitute ~을 구성하다
in relation to ~에 관계하여, ~와 비교하여
demanding 부담이 큰, 힘든
detorioration 악화, 가치의 하락. 퇴보

Introduction

최근 사이에 multi-objective optimization 방법과 multi-criterion decision-making 방법을 결합해서 Pareto-optimal solution들을 찾고 선호되는 솔루션 하나를 찾는 방법들이 시도되고 있다. 본 논문에서 역시 이런 방향의 시도를 했다. 시도 방법은 MCDM 전략에서 light beam 방법과 널리쓰이는 NSGA-II procedure를 함께 이용을 했다.
designer혹은 decision-maker가 수반되는 상호적인 methodology들은 multi-objective optimization분야에서 최근뎅 활발하게 시도가 되고 있다. 전통적인 multi-objective optimization 연구에서 과거 40년 동안 12개 이상의 상호작용 methodology들이 제안이 되었다. 이들 method 대부분이 몇몇의 초기 preference 정보가 decision maker(DM)에 의해서 주어졌다. 
알고리즘은 DM이 제공한 preference 정보를 만족하는 하나 또는 이상의 Pareto-optimal solution들을 찾고 나타낸다. 이것은 DM이 솔루션을 분석하고 만약에 그/그녀가 완벽하게 만족하지 않을 때 그들 자신의 decision의 변경을 가능하게 한다. 그/그녀는 그런 다음에 preference 정보를 변경하거나 추가 정보를 specify할 수 있고 만족스러운 솔루션을 얻을 때까지반복을 한다. 

이들 방법중에 몇몇은 preference information이 어떤 aspiration 혹은 reference point를 specify함으로서 주어진다. 다른 방법들은 aspiration level이 trade off rate 정보 혹은 두개 이상의 solution을 비교하는것을 기반으로 표현 될 수 있다. 반면에 EMO methodology들은 넓게 퍼져있는 다양한 trade off solution들을 single simulation에 찾는것에 적합하다는것을 알고 있다.  EMO의 이상적인 사용은 서로 다른 Pareto-optimal solution들의 evaluation이 요구되는 step에서 가능할 것이다. 예를 들어서 reference point를 기반으로 한 EMO[7] 에서는 제공된 reference point로 부터 계산된 목표달성 scalarizing funtion에 따라 optimal solution에 근접한 Pareto-optimal solution들이 된다. Pareto-optimal solution들은 NSGA-II에 의해서 발견된다. suggested reference direction based NSGA-II procedure[6]에서 reference direction(objective 상의 두개의 제공된 point에 의해서 좌우 됨)상의 reference point들에 상응하는 Pareto-optimal solution들은 동에 발견된다. 본논문에서는 light beam search를 따르고 supplied aspiration과 reservation point들을 join한(결합한) 교차자점에 상응하고 Pareto-optimal front상의  single Pareto-optimal solution을 찾는 대신에 DM이 관심있어하는 지역 근처의 set of solution들을 찾는다. light beam search procedure는 Jaszkiewicz and Slowinski [8]이 제안했다. 
기본적인 세팅은 decision making을 만족한다는 면에서  reference point method of Wierzbicki [12]와 같다. 그것은 Pareto-optimal front상의 aspiration point, reservation point의 방향으로 부터 light의 focussed beam을 project(비추다, 투영하다)하는것과 같다. 
본논문의 남은 부분에서 우리는 간략히 전통적인 상호적인 multi-objective optimization methodology들과 제안한 EMO procedure에 기반한 hybrid light beam search을 비교해서 논의해볼것이다. 그런 다음에 우리는 hybrid procedure의 여러가지 test problem과 engineering design problem을 통해서  동작원리를 증명할 것이다. 문제들은 2개 혹은 10개의 objective들을 포함하고 여러 제약들을 포함하고 있다. 논문은 결론과 앞으로 연구의 확장 방향에 대해서 이야기를 하고 끝을 낼 것이다. 

Preference Based Evolutionary Multi-objective Optimization

10년 이상 동안 EMO 분야의 연구자들은 EMO를 기반으로한 상호적인 method에 관심을 보여왔다. 많은 preference based method들이 또한 제안이 되었다. Phelps and Koksalan [10]이 제안한 pair-wise comparison에서도 DM의 preference가 포함이 되어있다.
Branke et al. [2] and Branke and Deb [1] 는 guided multi-objective evolutionary algorithm (G-MOEA)를 제안했다. 여기서는 dominance의 의미가 DM의 preference information을 기반으로 수정이 되었다. Deb et al. [7], [6]은 reference point와 reference direction을 기반으로 한 EMO procedure들을 제안했다. Thiele et al. [11]은 preference를 기반으로 한 interactive EMO (PBEA)를 제안했다. 이 방버에서는 초기에 rough한 approximated Pareto-optimal front가 DM에 나타난다. 그런 다음에 DM은 그/그녀가 관심있는 지역에 대해서 search를 하는데에 초점을 맞춘 reference point를 specify한다. 이런 상호적인 EMO methodology들의 장점중 하나는 그들이 어떤 하나의 선호되는 솔루션을 찾는 대신에 그들이 선호되는 solution들의 set을 찾으려고 시도하거나 Pareto-optimal front상에서 선호되는 지역에 위치를 하려 한다는 것이다. 어떤 관심있는 지역근처의 여러 솔루션들을 찾는 지식과 함께 DM은 만족스러운 결정을 내리는데 유리한 위치에 있게 되는것이다. 상호적인 EMO procedure들의 또다른 장점으로는 Pareto-optimal의 하나의 지역 근처에서 선호되는 하나 또는 다수의 솔루션들을 찾는 것이 아닌, EMO가 서로다른 preference들에 상응하는 여러 선호되는 지역을 동시에 찾는데 도움을 줄 수 있다. 
이와 같은 기능은 DM이 하나의 선호되는 정보를 제공하기를 주저하는 경우에 유용해질 수 있다.(예를 들어서 하나의 reference point 혹은 하나의 reference direction) 간단하게 그/그녀가 대담한 결정을 내리기에는 아직 자신감이 없기 떄문이다. 물론 여러 다른 preference information이 마지막 선택을 앞부터 한번에 연속적으로 고려될 수 있지만 EMO를 기반한 procedure들에서는 동시에 여러 다른 preference information을 고려할 수 있다. 

The Light Beam Search Approach

light beam search (LBS)Jaszkiewicz and Slowinski [8]에서 나왔던 것 처럼, reference point의 아이디어와 multi-attribute decision analysis(MADA)의 아이디어를 결합한 것이다. 이런 아이디어는 각 iteration마다 decision maker에게 non-dominated point들의 Large set의 샘플들의 표현을 하기 때문에 multiple-objective decision 문제의 상호적인 분석을 가능하게 한다. aspiration 과 reservation point는 DM에게 공급을 받아야 한다. 이들 두가지 point는 한 iteration에서의 search의 방향을 결정한다. 이들 두 point가 제안되지 않는다면 ideal point와 nadir point혹은 다른 worse point가 aspiration과 reservation point로 각각 가정할 수 있다. 초기에 non-dominated middle point라는것이 non-dominated front상의 aspiration point를 Wierzbicki’s scalarizing achievement function의 확장된 버젼을 이용해서 project함으로써 결정이 된다. 그런 다음에는 outranking(순위 선호) relation의 형식에 있는 local preference model이 현재 non-dominated point 혹은 middel point의 인접한 솔루션을 얻는데 이용할 수 있다. a라는것이 적어도 b와 좋은 정도가 같다고 여겨진다면 그것은 a outranks b(혹은 aSb)라고 할 수있다. outranking relation을 정의하기 위해서 DM은  각 objective에 대해서 3가지의 preference threshold들을 지정해야 한다. LBS procedure에서 그들은 오직 local information만 제공을 한다고 가정한다. 그러므로  그들은 상수로 가정이 된다. 이들 값들을 기반으로 outranking relation은 middle point에 비할때가 없는 솔루션이나 혹은 별로 무

관심하거나 좋지 않는 솔루션들을 찾을 수 있다. 그것은 오작 그들 솔루션들이 middle point를 outrank한다는것을 결정한다. 모든 이와 같은 솔루션들은 middle point의 outranking neighborhood를 구성한다. extreme point들이나 characteristic neighbor들은 middle point에 관한 틀별한 objective에서 최대의 허용된 향상을 고려해서 각 objective당 하나씩 등장한다. DM은 aspiration 과 reservation point들을 수정함으로써 탐색을 컨트롤 할 수 있다. 또는 middle point를 그것의 neighborhood로 부터 선택된 더 나은 point로 shifting하거나  preference threshold 값을 수정함으로써 탐색을 컨트롤 할 수 있다. 

LBS procedure는 다음과 다음과 같다:
1) DM에게 시작 aspiration과 reservation point들을 지정하는것을 요청한다
2) Pareto-optimal front에서 시작 middle point를 계산한다.
3) outranking relation을 구성하는데 이용하기 위해서 DM에게 local preferential information을 지정하는것을 요청한다.
4) DM에게 middle point를 나타낸다.
5) middle point의characteristic neighbor들을 계산한고 DM에게 그것들을 나타낸다.
6) DM이 만족한다면 procedure를 끝낸다. 아니라면 DM에게 neighboring point들 중 하나를 middle point로 정하라고 요청을 하거나 preferential information을 update하라고 요청한다. 또 혹은 새로운 aspiration point 와/혹은 reservation point를 정하라고 요청할 수 있다. 알고리즘은 step 4로 이동한다. 

IV. LBS based EMO
위에서 봤던 LBS procedure의 원칙을 이용해서 우리는 middel point의 neighborhood내의 Pareto-optimal solution set을 수정된 outranking relation을 이용하여 찾는 EMO methodology를 제안할 것이다. original LBS method에서 decision-maker는 각 objective에 대하여 세가지 preference parameter들을 지정한다. 이들 parameter는 DM의 부분에 부담이 크다. 그러므로 input parameter의 필요성을 줄이기 위해서 우리는 여기서 오직 veto preference parameter라는 것을 사용한다. 
original LBS procedure에서는 middle point를 얻으면 각 objective에서 가장 큰 향상이 있는 feasible direction이 결정된다. outranking criterion을 만족하는 각 direction에서 가장 좋은 feasible point가 결정된다. 그러고 나면 이들 point들이 Pareto-optimal front상에서 증진된 형식의 Wierzbicki’s achievement scalarizing problem을 해결함으로써 project된다.  이로서 각 direction에 best feasible point가 결과로 나오고 이들은 outranking criterion 과 Pareto-optimality를 만족한다.
EMO approach가 solution의 population에 대해서 다루고 있으므로 모든 direction 내에서 outranking criterion을 만족하는 필요한 point들이 one simulation run에 얻을 수 있다. 또한 DM이 원한다면 한 iteration에 multiple light beam들에 상응하는 Pareto-optimal front에서 multiple preferred region들을 찾을 수 있다. 이 논문에서 제안된 procedure를 능력을 입증하기 위해서 ideal 과 nadir point 대신에aspiration 과 reservation point들과 같은 어떤 두개의 point들을 선택할 것이다. procedure를 구현하기 위해서 다른 방법들이 또한 시도가 될 수 있지만 NSGA-II를 EMO procedure으로 이용한다. 다음의 procedure가 minimization problem을 해결하기위해서 제안된 procedure이다. 

1) 모든 population에 대해서 Non-domination ranking이 정해진다. 
2) 각 front에 대해서, front의 각 솔루션은 crowding rank를 할당받는다. 
a) 각 솔루션의 Crowding dstance (d) 는 다음과 같이 계산 될 수 있다.


c) middle point를 outrank하는 모든 솔루션을 outranking relation을 이용해서 찾는다.(이것은 후에 설명할 것이다.)
d) middle point를 outrank하는 모든 solution들에 대해서, objective value와 (zc)의 차이가 가장 많이 나는것을 찾는다. 그 식은 다음과 같다. 
δ 값을 기반으로 해서, crowding rank가 각 solution에 할당이 된다. 낮은 δ값을 지닌 solution이 높은 rank를 받고 역 또한 같다.
e) 남은 솔루션들이 안좋은 crowding rank를 할당받고 selection procedure동안에 이들은 선호되지 않을 것이다. multiple light beams의 경우에 각 light beam에 상응하는 crowding rank가 먼저 각 solution에 대해서 결정된다. 그런 다음에 모든 light beam들에 대해서 최소 rank가 특정 solution의 final crowding rank로서 할당이 된다. 
3) lighted region내에 solution의 uniform distribution을 획득하기 위해서 ε distance 보다 적게 떨어져 있는 solution들이 선호 된다.

수정된 outranking relation이 아래와 같이 이용될 수 있다. 
솔루션 f가 zc 를 outrank한다는 것은 가 zc 만큼 좋다는 것을 뜻한다. 두개의 솔루션이 둘다 같은 non-dominated front에 속함으로 f가 어떤 objective에서 z보다 좋다면 다른 objective에서는 f가 더 나쁠것이다. zc 를 outrank하는 f에 대해서, zc에 대해 f의 퇴보의 양은 제공된 veto threshold를 초과하지 않아야 한다.

 


Posted by 태씽
물건들2010. 8. 27. 14:26
휴대폰을 좋아해서 휴대폰도 지금까지 여러가지 썻지만 이상하게도 블로그에는 안올리게 되네.. 어쨋든 올해 한 2월쯤에 HTC 터치 다이아몬드를 처분하고 다이아와 비교해서 G센서가 빠지고 쿼티키보드(첨엔 이게 진리인줄 알았던...)가 들어가고 화면이 0.2치 정도 커지면서 해상도가 VGA에서 WVGA로 바뀐 바로 그 유명한 윈도우 모바일 스마트폰 X1을 샀다. 
원래 쓰던 다이아. 디자인 하나는 잘빠졌다. 사진은 그 당시 같이 쓰던 롤리팝이 수고를..


원래 다이아를 쓰고 있었고 그전에도 윈모 기기인 SPH-M4650(일명 멀티터치폰)을 쓰고 있었기 때문에 이질 감은 없었지만... 롬 업이라는 세계로 나를 처음 이끌고 같던 기기다. 사실 롬업도 많이 하지도 않았지만 여러롬을 써보면서 나한테 맞는 롬을 찾는 다는 것이 나에게끔 유저의 힘을 느끼게 했던것 같다.(사실 다이아도 롬업은 할 수 있었다. 내가 안한것뿐ㅎ) 

어쨋든 쿼티키보드부터 해상도, 빠른응답의 GPS등 지금 스마트폰에 비하면 장점도 아닌 장점들, 아.. 쿼티는 지금도 장점이 될 수 있겠다. 어쨋든, 그런 장점에 비해서 솔직히 최적화를 아무리해도 너무 느렸다. 이놈의 저질 CPU QUALCOMM 7200 피처폰에도 많이 들어갔다던 요 녀석은 스마트폰에 들어가기에는 너무 부담이 되었나 보다. 클럭이 528Mhz 인데도 말이다ㅜ 

어쨋든 모토로이도 사고 해서 이제 해지하려고 SKT 대리점 갔더니 기존회선 묶이셨네요... 한다.. ㅜㅜ 해지 9월 말까지 않된다 그래서 멍하니 몇일 있다가 그냥 요새 싸게 풀리는 햅틱빔으로 번호이동해서 해지를 시켜버렸다. 

그래서 이제 팔려가는 놈 잘 팔리게 사진도 좀 찍고 했으니 좋은 주인한테 가라는 마음으로 사진을 올린다. 안녕, 넌 그래도 단점에 비해서 장점도 있는 놈이었어.. 요새 세상에는 단점이 많은 놈들이 더 많은데 말이다. 나를 비롯해서,ㅋㅋ 열심히 해줬다. 고맙다. 잘가라.
헉헉.. 구성품이 너무 많어ㅋㅋ 

'물건들' 카테고리의 다른 글

[악기]PPR2000  (2) 2009.04.23
Posted by 태씽