NK 지형의 최초 개선과 최적 개선 로컬 최적점 네트워크

초록

본 논문은 NK 조경에서 로컬 최적점 네트워크(LON)를 구축할 때, 최적 개선(steepest‑ascent) 대신 최초 개선(greedy‑ascent) 힐클라이밍을 적용한 모델을 제안한다. 두 탐색 전략에 대한 네트워크 구조와 베이신 크기 차이를 통계적으로 비교하고, 이러한 차이가 탐색 휴리스틱의 성능에 미치는 영향을 논의한다.

상세 분석

논문은 먼저 기존 LON 모델이 최적 개선 방식에 기반해 베이신(흡수 영역)을 정의한다는 점을 지적한다. 최적 개선은 현재 이웃 중 가장 큰 상승을 선택하므로, 각 시작점이 반드시 가장 높은 인접 해로 이동한다. 반면 최초 개선은 무작위 순서로 이웃을 검사해 첫 번째 개선을 발견하면 즉시 이동한다. 이 차이는 베이신 경계와 전이 확률에 근본적인 변화를 초래한다. 저자들은 NK 조경(N=1420, K=212)을 대상으로 1000개의 인스턴스를 생성하고, 두 알고리즘으로 전체 해 공간을 완전 탐색하여 LON을 구축하였다. 네트워크 노드는 로컬 최적점, 엣지는 베이신 간 전이 확률(두 베이신 사이에서 무작위 시작점이 이동할 확률)으로 정의된다. 주요 측정 지표는 평균 차수, 클러스터링 계수, 평균 최단 경로 길이, 베이신 크기 분포, 그리고 베이신 크기와 최적도 간 상관관계이다. 결과는 최초 개선 LON이 더 높은 연결성을 보이며 평균 차수가 약 1.3배 증가한다는 점을 보여준다. 또한 클러스터링 계수가 낮아 네트워크가 보다 ‘평평’하고, 평균 최단 경로가 짧아 전역 탐색이 용이함을 시사한다. 베이신 크기 측면에서는 최초 개선이 더 작은 베이신을 많이 생성해 베이신 크기 분포가 긴 꼬리를 가진 반면, 최적 개선은 몇 개의 대형 베이신이 지배한다. 흥미롭게도 두 모델 모두 베이신 크기와 해당 로컬 최적점의 적합도 사이에 양의 상관관계가 존재하지만, 최초 개선에서는 상관계수가 약 0.15 낮아 탐색 과정에서 높은 적합도 베이신에 도달할 확률이 감소한다. 이러한 구조적 차이는 첫 번째 개선 기반 메타휴리스틱이 더 빠르게 다양성을 확보하지만, 최적 개선 기반 메타휴리스틱이 더 높은 품질의 해에 집중하는 경향을 설명한다. 논문은 또한 전이 확률 행렬의 스펙트럼 분석을 통해 두 네트워크가 서로 다른 마코프 체인 특성을 갖는다는 점을 제시한다. 전반적으로, 최초 개선 LON은 탐색 공간을 더 고르게 샘플링하지만, 최적 개선 LON은 고품질 베이신에 대한 집중도가 높아 탐색 효율성의 트레이드오프를 명확히 드러낸다.