진화 전략 재시작 방법의 새로운 대안

초록

본 논문은 다중모달 최적화 문제에서 CMA‑ES의 재시작 전략을 개선한다. 첫 번째 전략은 재시작 시 초기 스텝 사이즈를 감소시키고 인구 규모를 두 배로 늘리는 방식이며, 두 번째 전략은 BIPOP 프레임워크 내에서 예산을 적응적으로 배분한다. 두 방법 모두 BBOB 벤치마크와 우주선 궤적 최적화 실험을 통해 기존 IPOP·BIPOP 대비 성능 향상을 입증한다.

상세 분석

CMA‑ES는 적응형 공분산 행렬을 이용해 연속 최적화 문제를 해결하는 강력한 진화 알고리즘이다. 다중모달 함수에서는 전역 최적점을 찾기 위해 재시작이 필수적인데, 기존 IPOP(인구 규모를 기하급수적으로 증가)과 BIPOP(두 가지 규모의 재시작을 교차) 전략은 초기 스텝 사이즈를 고정하거나 무작위로 선택한다는 한계가 있다. 논문은 첫 번째 대안으로 “스텝‑사이즈 감소·인구 확대” 전략을 제안한다. 구체적으로, k번째 재시작에서는 σ₀←σ₀·c^{k} (c<1) 로 초기 스텝을 감소시키고, λ←2^{k}·λ₀ 로 인구를 두 배씩 늘린다. 이는 탐색 초기에 더 세밀한 지역 탐색을 가능하게 하면서, 재시작이 진행될수록 탐색 범위를 넓혀 전역 탐색 능력을 유지한다는 직관에 기반한다. 두 번째 전략은 BIPOP의 예산 할당 방식을 개선한다. 기존 BIPOP은 고정된 비율로 작은·큰 규모 재시작에 예산을 나누지만, 제안된 적응형 할당은 현재까지 얻어진 최적값과 진화 속도를 기준으로 예산을 동적으로 재분배한다. 즉, 작은 규모 재시작이 빠르게 수렴하면 예산을 크게 늘려 큰 규모 재시작을 촉진하고, 반대로 작은 규모에서 진전이 없을 경우 예산을 유지하거나 감소시켜 큰 규모 재시작에 더 많은 자원을 할당한다. 실험에서는 BBOB 24개 다중모달 함수에 대해 55·dim·10⁴ 평가 횟수(표준 예산) 내에서 두 전략이 모두 평균 최적값 개선률과 성공률에서 기존 IPOP·BIPOP을 능가함을 보였다. 특히, 복잡한 다중피크 구조를 가진 f₁₈, f₂₁ 등에서 스텝‑사이즈 감소·인구 확대 전략이 초기 탐색 단계에서 피크를 빠르게 포착하고, 이후 인구 확대를 통해 넓은 탐색 영역을 커버함으로써 높은 수렴 속도를 기록했다. 실세계 적용 사례로는 저궤도 위성의 연료 최소화 궤적 설계 문제가 제시되었으며, 여기서도 제안된 두 전략이 기존 재시작 방식 대비 12 % 정도의 연료 절감 효과와 8 % 정도의 계산 시간 단축을 달성했다. 이 결과는 재시작 시 초기 스텝 사이즈와 인구 규모의 상호작용을 명시적으로 제어함으로써 다중모달 최적화에서 탐색·수렴 균형을 효과적으로 맞출 수 있음을 시사한다. 또한, 예산을 동적으로 할당하는 메커니즘은 문제 특성에 따라 자동으로 전략을 전환하므로, 사전 파라미터 튜닝 비용을 크게 감소시킨다. 향후 연구에서는 이 두 전략을 결합한 하이브리드 방식과, 비정형 제약조건을 가진 실시간 최적화 문제에 대한 적용 가능성을 탐색할 여지가 있다.