다중 파라미터를 갖는 포소니엄 기하학적 프로그래밍의 해법 및 적용

본 논문은 기하학적 프로그래밍(GP)이 공학 설계에서 널리 활용되는 반면, 실제 문제에서는 비용계수, 제약우변, 지수와 같은 파라미터가 정확히 알려지지 않은 경우가 빈번하다는 점에 주목한다. 이러한 불확실성을 다루기 위해 저자들은 파라미터를 “다중값” 형태, 즉 하한(L), 중간(M), 상한(U) 세 개의 대표값으로 모델링한다. 중간값은 하한과 상한의 평균으로 정의되어 파라미터 구간의 대칭성을 가정한다. 먼저, 전통적인 포소니엄 형태의 GP를 식 (2.1)–(2.2)로 제시하고, 파라미터가 다중값을 가질 경우 이를 식 (2.3)으로 일반화한다. 여기서 각 파라미터 집합 {C_it, b_i, a_ij}는 각각 {L, M, U} 로 구분된다. 이후, “변수 분리(variable separable) 기법”을 적용해 다중 선택 수학적 모델을 세 개의 단일 레벨 GP(하한, 중간, 상한)로 분해한다. 이 과정은 파라미터 조합을 고정하고, 남은 변수들에 대해 기존 GP 구조를 유지하도록 설계된다. 분해된 각 GP는 듀얼 정리를 이용해 듀얼 형태로 변환된다. 듀얼 문제는 목적함수가 로그-선형 형태의 가중합이며, 제약은 선형 등식·부등식으로 구성된다. 듀얼의 일반 형태는 식 (3.1)–(3.3)에서 제시되며, 각각 Z_L, Z_M, Z_U 라는 목표값을 최대화한다. 듀얼 변수 w는 각 항의 가중치를 의미하고, 최적해는 w의 합이 1이 되도록 하는 선형 제약을 만족한다. 수학적 변환 후, 저자들은 실제 사례를 통해 방법론을 검증한다. 첫 번째 예제(식 4.1)는 세 개 변수와 두 개 제약을 가진 포소니엄 GP이며, 파라미터가 각각 L, M, U 로 설정된다. LINGO를 이용한 듀얼 해석 결과, Z_L = 125.9045, Z_M = 194.9390, Z_U = 296.2627 로 순차적으로 증가한다. 각 해에 대응하는 원시 변수값도 제시되어, 파라미터 변화에 따른 설계 변수의 민감도를 확인할 수 있다. 두 번째 예제(식 4.6)는 네 개 변수와 세 개 제약을 포함하며, 이번에는 제약우변 자체가 다중값으로 주어진다. 동일한 절차를 거쳐 듀얼을 풀면 Z_L = 47.47193, Z_M = 44.53226, Z_U = 23.22874 로 얻어진다. 여기서 Z_M이 Z_L보다 작아지는 현상은 지수 파라미터가 감소함에 따라 목표함수의 형태가 변하기 때문이며, 논문은 이를 “지수 감소에 따른 목표값 감소” 현상으로 해석한다. 결론 부분에서는 1960년대부터 GP가 발전해 온 역사를 간략히 언급하고, 기존 연구가 파라미터를 결정론적으로 다루어 왔음을 지적한다. 본 연구는 다중 파라미터를 고려한 GP 모델링과 듀얼 기반 해법을 제시함으로써, 설계 단계에서 파라미터 불확실성을 정량적으로 반영할 수 있음을 강조한다. 또한, 제시된 방법이 비교적 간단한 수학적 변환만으로 구현 가능하므로, 기존 GP 솔버와 연계해 손쉽게 적용할 수 있다고 주장한다. 하지만 논문에는 몇 가지 한계점이 존재한다. 첫째, 파라미터를 세 개의 대표값으로만 축소함으로써 실제 구간 전체를 충분히 탐색하지 못한다. 둘째, 예제 규모가 작아 대규모 실무 문제에 대한 확장성 검증이 부족하다. 셋째, 파라미터가 상호 의존적일 경우 현재 모델링 방식으로는 표현이 어려우며, 이러한 경우를 위한 추가 연구가 필요하다. 향후 연구 방향으로는 파라미터 구간을 보다 정밀하게 모델링하기 위해 샘플링 기반 시나리오 분석, 확률적 GP, 혹은 베이지안 추정과 결합하는 방안을 제시한다. 또한, 대규모 문제에 대한 계산 효율성을 높이기 위해 메타휴리스틱(예: 유전 알고리즘)과 듀얼 기반 GP를 하이브리드하는 방법을 탐색할 수 있다. 이러한 확장은 본 논문의 기본 아이디어를 실무 엔지니어링 설계에 보다 폭넓게 적용할 수 있게 할 것이다.