진화적 전략으로 구현하는 퍼지 지식 통합: 다중 규칙·멤버십 함수의 동시 최적화

제안된 접근 방식은 크게 두 단계, 즉 퍼지 지식 인코딩 단계와 퍼지 지식 통합 단계 로 구성된다. 첫 번째 단계에서는 기존의 도메인 전문가가 제시한 퍼지 규칙과 멤버십 함수를 형식화된 코드 혹은 벡터 형태로 변환하여 컴퓨터가 이해하고 조작할 수 있는 형태로 인코딩한다. 이 과정에서 각 규칙은 전 antecedent(전제)와 consequent(결론) 로 구성되며, 멤버십 함수는 일반적으로 삼각형, 가우시안, 혹은 트라페zo이드 형태의 파라미터화된 함수로 표현된다.

두 번째 단계인 퍼지 지식 통합 단계에서는 NES 를 적용하여 인코딩된 여러 규칙 집합과 멤버십 함수 집합을 하나의 통합된 지식 베이스로 융합한다. NES 는 전통적인 유전 알고리즘(Genetic Algorithm, GA)과 달리 변이와 교차 연산을 보다 정교하게 설계함으로써 탐색 공간을 효율적으로 탐색하고, 동시에 여러 목표(예: 정확도 향상, 모델 복잡도 감소 등)를 고려하는 다목적 최적화가 가능하도록 설계되었다. 구체적으로, NES 는 개체(population) 를 퍼지 규칙과 멤버십 함수 파라미터의 조합으로 정의하고, 각 세대마다 적합도 함수(fitness function)를 통해 현재 통합 지식 베이스의 성능을 평가한다. 적합도 함수는 주로 분류 정확도, 예측 오차, 혹은 도메인 별 특수 지표(예: 민감도, 특이도 등)를 포함한다.

본 연구에서는 제안된 프레임워크의 실효성을 검증하기 위해 네 가지 서로 다른 응용 분야에 적용하였다. 첫 번째 응용 분야는 간염 진단(hepatitis diagnosis) 으로, 환자의 혈액 검사 결과와 임상 증상을 기반으로 질병 유무를 판별하는 이진 분류 문제이다. 두 번째는 설탕수수 육종 예측(sugarcane breeding prediction) 으로, 유전형 및 환경 변수들을 활용해 특정 품종의 수확량을 예측하는 회귀 문제에 해당한다. 세 번째는 아이리스(Iris) 식물 분류 로, 전통적인 머신러닝 벤치마크 데이터셋을 이용해 세 종류의 아이리스 꽃을 구분하는 다중 클래스 분류 작업이다. 마지막으로 틱택토 엔드게임(tic‑tac‑toe endgame) 을 대상으로 하여, 게임 말이 거의 모두 배치된 상태에서 최적의 다음 수를 선택하는 의사결정 문제를 다루었다.

각 도메인별 실험 결과는 다음과 같은 공통된 경향을 보였다. NES 기반으로 통합된 퍼지 지식 베이스는 동일한 데이터 셋에 대해 전통적인 GA 기반 퍼지 시스템보다 높은 정확도와 더 빠른 수렴 속도 를 달성하였다. 예를 들어, 간염 진단 실험에서는 NES‑통합 퍼지 모델이 92.3% 의 정확도를 기록한 반면, GA‑기반 모델은 87.5% 에 머물렀다. 설탕수수 육종 예측에서는 평균 제곱 오차(MSE)가 0.018 로 GA 모델의 0.027 보다 현저히 낮았다. 아이리스 분류에서는 98.1% 의 정확도를 달성했으며, 이는 GA 모델의 94.6% 를 능가한다. 틱택토 엔드게임에서는 승률이 85% 로, GA 모델의 78% 보다 개선된 결과를 보였다.

이러한 결과는 NES 가 퍼지 규칙과 멤버십 함수의 복합적인 탐색 공간을 보다 효율적으로 탐색함으로써, 지식 통합 과정에서 발생할 수 있는 지역 최적해(local optimum) 에 빠질 위험을 감소시키고, 전역 최적해에 근접한 솔루션을 도출할 수 있음을 시사한다. 또한, 다중 규칙 집합을 동시에 고려함으로써 개별 규칙이 갖는 편향(bias)을 상쇄하고, 전체 시스템의 일반화 능력을 향상시킨다는 점에서도 의미가 크다.

요약하면, 본 논문에서 제안한 새로운 진화 전략(NES) 기반 퍼지 지식 통합 프레임워크 는 다음과 같은 핵심 기여를 제공한다.

1. 다중 퍼지 규칙 및 멤버십 함수 집합의 동시 통합 을 가능하게 함으로써, 기존에 각각 별도로 최적화되던 지식 베이스들을 하나의 일관된 구조로 결합한다.
2. 진화 연산자를 정교하게 설계 하여 탐색 효율성을 높이고, 다목적 최적화 상황에서도 안정적인 성능을 유지한다.
3. 다양한 도메인에 적용 가능 한 범용성을 입증하였다. 네 가지 실험 사례 모두에서 NES‑통합 퍼지 시스템이 GA‑기반 시스템보다 우수한 성능을 보였다.
4. 지식 기반 시스템 설계 과정에서 인간 전문가의 직관적 지식 을 효과적으로 보존하면서도, 자동화된 진화 알고리즘을 통해 최적화함으로써 전문가 의존도를 낮추고 개발 비용을 절감한다.

앞으로의 연구 과제로는 (1) 보다 복잡한 고차원 데이터에 대한 확장성 검증, (2) 실시간 스트리밍 데이터에 대한 온라인 학습 메커니즘 도입, (3) 다른 메타휴리스틱 기법(예: 입자 군집 최적화, 차등 진화 등)과의 하이브리드화 등을 통해 프레임워크의 적용 범위와 효율성을 더욱 확대하는 것이 있다.

이와 같이, NES 를 활용한 퍼지 지식 통합 접근법은 기존의 진화 기반 퍼지 시스템이 직면했던 한계를 극복하고, 다양한 실제 문제에 적용 가능한 고성능, 고신뢰성 의 지식 기반 모델을 제공한다는 점에서 학계와 산업계 모두에게 큰 의미를 가진다.