견고한 설계 최적화를 위한 믿음 함수 근사 계산

초록

본 논문은 증거 이론(Evidence Theory)을 활용한 견고 설계 최적화에서 Belief와 Plausibility를 정확히 계산하는 데 드는 높은 연산 비용을 낮추기 위한 근사 기법들을 제안한다. 제안된 방법은 샘플링 전략, 영역 분할, 그리고 계층적 탐색을 결합해 기존 방법 대비 몇 배에서 수십 배까지 계산 시간을 절감한다. 간단한 다차원 테스트와 우주선 시스템 설계 사례를 통해 근사 정확도와 확장성을 검증한다.

상세 분석

이 논문은 설계 변수에 존재하는 불확실성을 aleatory(통계적)와 epistemic(지식 부족) 두 축으로 구분하고, 각각을 증거 이론의 기본 요소인 기본 확률 할당(BPA)으로 모델링한다. BPA는 각 불확실성 집합에 대한 신뢰도 가중치를 제공하며, 이를 통해 특정 설계 목표값이 만족될 확률을 Belief(신뢰도 하한)와 Plausibility(신뢰도 상한)로 표현한다. 전통적인 Belief·Plausibility 계산은 모든 가능한 BPA 조합을 전부 열거하고, 각 조합에 대해 목표값이 포함되는지 여부를 검사하는 전수 탐색 방식이다. 변수 차원이 증가하면 조합 수는 지수적으로 폭발해 계산이 불가능해진다.

저자는 이러한 문제를 해결하기 위해 세 가지 핵심 근사 전략을 제시한다. 첫째, 샘플링 기반 근사는 고차원 공간에서 무작위 혹은 라틴 하이퍼큐브 샘플을 추출하고, 각 샘플에 대한 목표값 포함 여부를 평가한다. 샘플 수를 제한함으로써 전체 조합을 대체하지만, 샘플링 분포와 목표값 경계의 형태에 따라 편향이 발생할 수 있다. 이를 보완하기 위해 두 번째 전략인 영역 분할(Partitioning) 기법을 도입한다. 설계 변수 공간을 하이퍼큐브 혹은 단순형으로 분할하고, 각 서브 영역에 대한 BPA의 합계를 미리 계산한다. 목표값이 특정 서브 영역 전체에 포함되면 해당 영역의 BPA 합을 Belief에 바로 추가하고, 완전히 벗어나면 Plausibility에 제외한다. 경계에 걸친 영역은 재귀적으로 세분화해 정확도를 점진적으로 향상시킨다.

세 번째 전략은 **계층적 탐색(Hierarchical Search)**이다. 초기에는 거친 그리드로 전체 공간을 스캔하고, 잠재적으로 중요한 영역을 식별한다. 이후 중요한 영역에 대해 더 정밀한 샘플링이나 분할을 수행한다. 이 과정에서 우선순위 큐를 활용해 BPA 가중치가 큰 영역을 먼저 처리함으로써 계산 자원을 효율적으로 배분한다.

실험 결과는 두 가지 관점에서 평가된다. 첫째, 계산 비용 측면에서 제안된 근사법은 차원 수가 5에서 15까지 증가할 때 전통적 전수 탐색 대비 평균 10배에서 50배 이상의 속도 향상을 보였다. 둘째, 근사 정확도는 평균 Belief와 Plausibility 오차가 2~5% 이내에 머물렀으며, 특히 목표값이 불확실성 경계에 멀리 위치할 경우 오차가 더욱 감소한다는 특징을 보인다.

마지막으로 우주선 전력 시스템 설계 사례를 통해 실제 엔지니어링 문제에 적용 가능성을 검증한다. 설계 변수는 태양 전지판 면적, 배터리 용량, 부하 변동성 등 8차원으로 구성되었으며, 목표는 시스템 전체 전력 예산이 95% 신뢰 구간 내에 머무르는 것이다. 근사 기법을 적용한 결과, 전통적 방법이 수십 시간에 걸려야 하는 계산을 몇 분 안에 해결했으며, 설계 의사결정에 필요한 Belief·Plausibility 값도 충분히 신뢰할 수 있는 수준으로 도출되었다.

이 논문은 증거 이론 기반 견고 설계 최적화에서 계산 복잡도를 실질적으로 낮추는 실용적인 프레임워크를 제공한다는 점에서 학술적·산업적 가치를 동시에 지닌다. 특히 고차원 불확실성 모델링이 필수적인 항공우주, 자동차, 에너지 시스템 분야에서 향후 연구와 적용이 기대된다.