가변 길이 진화 알고리즘을 위한 로열 로드에서 상호작용 로드로

초록

실제 문제 중 일부는 가변 길이 표현(VLR)을 사용하는 진화 알고리즘이 자연스럽고 적합하지만, 이를 위한 학술적 프레임워크는 부족한 실정이다. 본 연구에서는 VLR 유전자를 기반으로 한 조정 가능한 피트니스 풍경군을 제안한다. 제안된 풍경은 중립성 및 상호작용(epistasis)의 정도를 조절할 수 있으며, 한편으로는 로열 로드(Royal Road) 피트니스 풍경에서, 다른 한편으로는 NK 피트니스 풍경에서 영감을 얻었다. 따라서 이 풍경은 중립성이 높고 상호작용이 없는 로열 로드 함수에서부터 중립성이 거의 없고 상호작용이 풍부한 NK형 풍경까지 연속적인 스케일을 제공한다. 풍경의 특성을 파악하기 위해 적응 워크(adaptive walk)와 상관 길이(correlation length)와 같은 전통적 도구를 사용하였다. 이어서 다양한 중립성 및 상호작용 파라미터값에 대해 진화 알고리즘의 성능을 평가했으며, 그 결과는 기대되는 중립성과 상호작용 정도와 성능 사이의 상관관계를 명확히 보여준다.

상세 요약

본 논문은 가변 길이 표현(VLR)이 자연스럽게 적용될 수 있는 문제 영역을 학술적으로 정형화하려는 시도로서, 기존의 고정 길이 진화 알고리즘에서 사용되는 피트니스 풍경을 VLR에 맞게 확장한다는 점에서 의미가 크다. 로열 로드(Royal Road) 풍경은 블록 단위의 완전한 매칭을 통해 급격한 적합도 상승을 유도하고, 중립성(즉, 동일 적합도를 갖는 다수의 유전형)이 풍부하게 존재한다는 특징을 가진다. 반면 NK 모델은 각 유전자가 K개의 다른 유전자와 상호작용하도록 설계되어, 상호작용(epistasis)의 강도를 조절함으로써 문제 난이도를 정밀하게 제어한다. 저자들은 이 두 전통적 모델을 결합해, “Royal Road‑NK”라는 새로운 클래스의 피트니스 함수를 정의한다. 핵심 아이디어는 블록 구조를 유지하면서 블록 내·외부의 상호작용을 파라미터화하여, 중립성 수준과 상호작용 강도를 독립적으로 조정할 수 있게 하는 것이다.

구현 측면에서, 유전자는 가변 길이 문자열로 표현되며, 각 블록은 고정된 길이의 서브시퀀스로 정의된다. 중립성 파라미터는 동일 블록이 여러 번 등장해도 적합도가 동일하게 유지되는 정도를 결정하고, 상호작용 파라미터는 특정 블록이 다른 블록의 존재 여부에 따라 적합도가 변하도록 만든다. 이렇게 하면 동일한 적합도 레벨을 갖는 해집합이 넓어지는 중립성 구간과, 작은 변이가 큰 적합도 변화를 일으키는 상호작용 구간을 동시에 탐색할 수 있다.

분석 도구로는 적응 워크(adaptive walk)를 이용해 지역 최적점까지의 평균 이동 거리와 성공률을 측정하고, 상관 길이(correlation length)를 통해 피트니스 지형의 평탄함과 급격함을 정량화한다. 실험 결과, 중립성이 높을수록 적응 워크는 더 긴 경로를 보이며, 상호작용이 강할수록 상관 길이는 짧아져 피트니스 지형이 거칠어짐을 확인한다.

진화 알고리즘 성능 평가에서는 표준 GA, μ+λ EA, 그리고 변이 중심의 (1+1) EA를 적용하였다. 중립성이 높은 환경에서는 변이 중심 알고리즘이 탐색 효율이 떨어지는 반면, 상호작용이 강한 환경에서는 전체적으로 수렴 속도가 느려지고 최적해 도달 확률이 감소한다. 특히 중립성과 상호작용이 동시에 높은 경우, 알고리즘마다 특성이 크게 달라져 파라미터 튜닝의 중요성이 강조된다.

이 연구는 VLR 기반 문제에 대한 피트니스 설계 원칙을 제시함으로써, 실제 적용 사례(예: 가변 길이 문자열 매칭, 동적 네트워크 설계, 유전자 서열 최적화 등)에서 실험 설계와 알고리즘 선택에 실질적인 가이드라인을 제공한다. 다만, 현재 제안된 풍경은 블록 구조와 상호작용 규칙이 사전 정의된 형태에 한정되어 있어, 보다 복잡한 비선형 상호작용이나 동적 블록 재구성을 포함하는 확장 연구가 필요하다. 또한, 실험에 사용된 파라미터 범위가 제한적이므로, 대규모 문제와 고차원 VLR에 대한 스케일링 효과를 추가로 검증하는 것이 향후 과제로 남는다.