In this paper, a new genetic algorithm is proposed for solving multimodal function optimization problems that are not easily solved by conventional gentic algorithm(GA)s. This algorithm finds one of local optimizers first and another optimizer at the next iteration. By repeating this process, we can locate all the local solutions instead of one local solution as in conventional GAs. To avoid converging to the same optimizer again, we devise a new genetic operator, called a Mendel operator which simulates the Mendel's genetic law. The new algorithm using the Mendel operator remembers the optimizers obtained so far, compels individuals to move away from them, and finds a new optimizer.
멀티모달 함수 최적화에 대한 기존의 진화 알고리즘은 대부분 개체들의 서식지에 따른 개체 분화에 바탕을 두고 있다. 이런 방법들은 멀티모달 최적점 개수에 비례하여 개체군의 크기가 커지고, 개체군 분할에 따라서는 특정 최적점에 대한 최적화가 매우 비효율적으로 이루어지는 약점을 가지고 있다. 또 이를 보완하기 위해 제시된 방법들도 대부분 지나치게 진화전략이 복잡해지고, 성능에 매우 민감한 제어 파라미터를 가지고 있다.
본 논문에서는 근본적으로 개체군 분화에 따른 멀티모달 함수 최적화가 가지는 문제를 피하기 위해, 반복계산시마다 다른 최적점을 차례대로 찾도록 개발된 유전자 알고리즘을 제안하였다. 개체군 분화없이 모든 개체가 하나의 최적점을 찾게 되며, 다음 반복에서는 이렇게 찾아진 최적점을 피해 다른 최적점을 찾는 것을 반복하게 된다. 이때 개체들이 찾아진 최적점을 회피하도록 멘델 유전 법칙을 수치적으로 모사하여 멘델 유전 연산자를 개발하여 적용하였다.
