학습 예(training examples)로 부터 규칙을 생성하는 문제는 큰 탐색 공간상에서 많은 지역최소치를 가지고 있는 최적화 문제로 귀결되므로 복잡하고 어려운 문제로 알려져 있다. 이러한 생성규칙을 만들기 위한 여러 가지 학습방법들이 제안되었으며, 그 중 한가지 학습방법이 유전자알고리즘을 연산모델로 사용하는 것이다. 그러나 전통적인 유전자알고리즘은 전역해 부근에서 수렴속도가 떨어지고, 추출된 규칙의 효율성에 문제가 있다. 본 논문에서는 유전자알고리즘의 학습과정에서 포착되는 염색체의 스키마를 분석하여 탐색공간을 부분해(subsolution)를 구할 수 있는 공간들로 분할함으로써, 보다 일반화된 분류 규칙집합을 찾는 방법을 제안하였다. 또한, 실험을 통하여 기존의 기계학습 방법을 사용한 경우와 효율을 상호 비교하여 제안한 방법을 타당성을 입증하였다.
The production-rule generation from training examples is a hard problem that has large space and many local optimal solutions. Many learning methods are proposed for production-rule generation and genetic algorithms is an alternative learning method. However, traditional genetic algorithms has been known to have an obstacle in converging at the global solution area and show poor efficiency of production-rules generated. In this paper, we propose a production-rule generating method which uses genetic algorithm learning. By analyzing optimal sub-solutions captured by genetic algorithm learning, our method takes advantage of its schema structure and thus generates relatively small rule set.
