연결성의 효과 다목표 다중 및 긴 경로 문제 연구

초록

연결성이 효율해 보이지만, 효율해 집합이 연결돼 있어도 로컬 서치는 단순 진화 알고리즘보다 효율적인 샘플링을 못 할 수 있다. 반대로 효율해 집합이 분리돼 있어도 로컬 서치는 좋은 근사해를 찾을 수 있다. 따라서 다목표 조합 최적화에서 연결성만을 설계 기준으로 삼는 것은 한계가 있다.

상세 분석

본 논문은 다목표 조합 최적화(MOCO)에서 효율해 집합(efficient set)의 연결성(connectedness)이 로컬 서치 설계에 미치는 영향을 실험적으로 검증한다. 기존 연구는 효율해 집합이 하나의 연결 그래프를 이룰 경우, 초기 비지배 해 하나만 있으면 파레토 로컬 서치(Pareto Local Search, PLS)가 전체 효율해 집합을 탐색할 수 있다고 주장했다. 그러나 효율해 해의 수가 문제 규모와 함께 지수적으로 증가함에 따라 실제로 전체 집합을 탐색하는 것은 비현실적이며, 제한된 크기의 근사 집합을 어떻게 효과적으로 샘플링하느냐가 핵심 과제로 전환된다.

이를 위해 저자들은 두 가지 인공 벤치마크, ‘다목표 다중 경로 문제(biobjective multiple path, BMP)’와 ‘다목표 긴 경로 문제(biobjective long path, BLP)’를 설계하였다. BMP는 효율해 집합이 그래프 이론적으로 연결돼 있지만, 각 해 사이의 변이 거리가 매우 멀고, 지역 최적점이 다수 존재하도록 구성돼 있다. 따라서 PLS는 현재 해에서 인접 이웃을 탐색할 때 대부분 비지배 해를 찾지 못하고, 탐색이 급격히 정체된다. 반면, 단순 진화 알고리즘(EA)은 무작위 변이와 선택 메커니즘을 통해 넓은 영역을 빠르게 탐색해 다양한 효율해를 샘플링한다. 실험 결과, 동일한 평가 횟수(함수 호출) 하에서 EA가 하이퍼볼륨과 ε-지표 모두에서 PLS를 크게 앞섰다.

BLP는 효율해 집합이 여러 불연속 컴포넌트로 나뉘어 있지만, 각 컴포넌트 내부는 긴 일직선 형태의 경로를 이루도록 설계되었다. 이 경우 PLS는 현재 해의 인접 이웃이 동일 컴포넌트 내에 존재하므로, 효율해 집합의 각 컴포넌트를 순차적으로 탐색할 수 있다. 결과적으로 PLS는 BLP에서 EA보다 더 높은 근사 품질을 달성했으며, 특히 작은 평가 예산에서도 효율해 집합의 대표성을 유지했다.

이 두 사례는 ‘연결성’이라는 단일 속성이 로컬 서치의 성공을 보장하지 않으며, 효율해 집합의 구조적 특성(예: 컴포넌트 크기, 경로 길이, 변이 거리)과 탐색 메커니즘의 상호 작용을 함께 고려해야 함을 시사한다. 논문은 다목표 피트니스 랜드스케이프를 정의할 때 연결성 외에도 ‘ruggedness’, ‘modality’, ‘distance distribution’ 같은 추가적인 메트릭이 필요하다고 주장한다. 또한, 효율해 집합이 거대하고 연결돼 있더라도, 탐색 비용을 최소화하려면 전역적인 변이 연산을 포함한 하이브리드 전략이 유리할 수 있음을 암시한다.

결론적으로, 연결성은 로컬 서치 설계 시 참고할 만한 유용한 특성이지만, 그것만으로는 충분하지 않으며, 문제 특유의 구조와 알고리즘의 탐색 능력을 종합적으로 평가해야 한다는 점을 명확히 제시한다.