계층적 공동진화 유전 알고리즘의 파트너 선택 전략 연구

본 논문은 계층적(co‑evolutionary) 유전 알고리즘(HCGA)의 파트너 선택 전략을 체계적으로 탐구한다. 연구 배경으로는 기존 단일 집단 GA가 복잡한 제약 조건을 가진 NP‑complete 문제(간호사 스케줄링, 쇼핑몰 임대배치)에서 높은 에피스타시(epistasis)와 페널티 함수 의존성으로 인해 성능이 급격히 저하된다는 점을 들었다. 이를 해결하기 위해 저자는 ‘피라미드형’ 계층 구조를 설계하였다. 하위 집단은 문제의 부분(간호사 등급, 쇼핑몰 구역)만을 담당하고, 각 집단마다 해당 부분에 특화된 적합도 함수를 사용한다. 예를 들어, 등급 1 간호사만을 고려한 하위 집단은 등급 1의 커버와 요청 만족도만을 평가하고, 등급 1+2 하위 집단은 두 등급을 합친 커버와 요청을 평가한다. 최상위 집단은 전체 문제에 대한 전역 적합도를 계산한다. 핵심 연구 질문은 “다양한 파트너 선택 전략이 이러한 계층적 구조에서 해의 품질에 어떤 영향을 미치는가?”이다. 이를 위해 저자는 파트너 선택을 두 축으로 나누었다. 첫 번째는 **재조합 파트너**(crossover partner) 선택이며, 두 번째는 **평가 파트너**(evaluation partner) 선택이다. 총 7가지 전략을 정의하였다. 1. **Random** – 파트너를 완전 무작위로 선택. 2. **Like** – 같은 등급(간호사) 혹은 같은 구역(몰) 내에서 파트너를 선택. 3. **Best** – 현재 집단 내 최고 적합도 개체와 파트너링. 4. **Multi** – 여러 부분 적합도(예: 등급 1+2) 중 가장 높은 것을 기준으로 파트너를 선택. 5. **Global** – 전체 문제에 대한 전역 적합도를 추정해 파트너를 고른다. 6. **Hybrid** – Random과 Best를 교대로 사용. 7. **Knowledge‑Based** – 도메인 지식을 활용해 파트너를 제한(예: 밤 근무 가능 간호사만 교배). 실험 설계는 두 문제에 대해 각각 50개의 인스턴스를 사용하였다. 간호사 스케줄링은 30명 내외의 간호사와 411개의 가능한 근무 패턴을 포함하며, 3개의 등급으로 구분된다. 쇼핑몰 문제는 100개의 위치를 5개의 구역으로 나누고, 20~50개의 상점 유형을 배치한다. 각 실험은 인구 500~800, 세대 30~50, 교차율 0.7, 변이율 0.01로 진행되었으며, 동일한 무작위 시드 하에 비교가 이루어졌다. **결과 요약** - **피라미드 구조 자체**만으로도 표준 GA 대비 평균 비용(간호사) 15~20% 감소, 매출(몰) 8~12% 증가를 달성하였다. 이는 부분 문제의 에피스타시가 감소하고, 부분 적합도가 더 정확히 반영되기 때문이다. - **파트너 선택 전략** 중 ‘Knowledge‑Based’와 ‘Hybrid’가 가장 큰 성능 향상을 보였다. 간호사 문제에서는 비용이 최대 35% 감소했으며, 몰 문제에서는 총 매출이 12% 이상 증가했다. 이는 도메인 지식이 파트너 선택에 직접 반영되어, 부적절한 조합(예: 밤 근무가 불가능한 간호사와 밤 근무 패턴) 발생을 원천 차단했기 때문이다. - **Best** 전략은 일부 인스턴스에서 과도한 탐욕성으로 다양성을 저해해 성능이 떨어지는 경우가 있었으며, ‘Random’은 가장 안정적이지만 평균적으로는 낮은 성능을 보였다. - **평가 파트너링**을 통해 하위 해의 전역 적합도를 재평가함으로써, 부분 적합도가 전역 목표와 불일치할 때 발생하는 ‘피트니스 오염’ 문제를 완화하였다. 특히 간호사 스케줄링에서 커버 부족 페널티가 과도하게 작용할 때 전역 평가가 부분 해를 올바르게 보정해 주었다. **논의 및 한계** 논문은 파트너 선택이 계층적 공동진화에서 핵심적인 메커니즘임을 입증했지만, 몇 가지 제한점도 제시한다. 첫째, 전역 적합도 추정에 사용된 히스토리 기반 가중치는 문제마다 별도 튜닝이 필요하다. 둘째, 피라미드 구조의 레벨 수를 늘릴 경우 계산 비용이 급증하므로, 실제 대규모 문제에 적용하기 위해서는 효율적인 레벨 설계가 필요하다. 셋째, 현재 연구는 두 종류의 제약 최적화 문제에만 적용했으므로, 다른 도메인(예: 차량 라우팅, 배터리 관리)에서의 일반화 가능성은 추가 연구가 요구된다. **결론** 계층적 공동진화 유전 알고리즘에 파트너 선택 전략을 도입하면, 복잡한 제약 최적화 문제에서 전통적인 GA보다 현저히 높은 품질의 해를 얻을 수 있다. 특히 도메인 지식 기반 파트너링은 부분 적합도와 전역 목표 사이의 불일치를 최소화하고, 탐색 효율을 크게 향상시킨다. 향후 연구에서는 자동화된 파트너 선택 메커니즘(예: 메타‑학습)과 동적 레벨 조정 기법을 결합해 보다 일반적인 프레임워크를 구축하는 방향이 제시된다.