다목적 최적화를 위한 새로운 CSA 기반 알고리즘

초록

본 논문은 기존의 CSA(Conformational Space Annealing) 기법에 다목적 최적화 개념을 결합한 MOCSA를 제안한다. 해의 우위 관계와 목표 공간 내 거리로 적합도를 정의하고, 의사결정 변수 공간의 거리와 적합도를 동시에 고려한 업데이트 규칙을 적용한다. 제약 로컬 최소화기를 활용해 해의 품질을 향상시켰으며, ZDT와 DTLZ 테스트 문제 12개에서 NSGA‑II 대비 파레토 전선에 더 가깝고 넓은 분포를 보였다.

상세 분석

MOCSA는 전통적인 CSA의 전역 탐색 능력과 로컬 탐색 효율성을 다목적 최적화에 맞게 재구성한 알고리즘이다. 첫 번째 핵심은 적합도 평가에서 ‘우위 관계(dominance)’와 ‘목표 공간 거리(distance)’를 동시에 활용한다는 점이다. 구체적으로, 각 후보 해는 비지배 등급과 같은 우위 레벨을 부여받고, 동일 등급 내에서는 목표 공간에서의 유클리드 거리를 기반으로 추가적인 순위를 매긴다. 이는 다목적 문제에서 흔히 발생하는 해의 밀집 현상을 완화하고, 다양한 파레토 해를 유지하는 데 기여한다.

두 번째 특징은 업데이트 규칙이다. 기존 CSA는 해의 에너지(또는 적합도)와 구조적 거리만을 고려해 새로운 후보를 삽입하거나 대체했지만, MOCSA는 의사결정 변수 공간(decision space)에서의 거리와 목표 공간 적합도를 복합적으로 판단한다. 새로운 후보가 기존 풀(pool) 내의 해보다 우위 관계가 높거나, 동일 우위 수준에서 더 큰 구조적 거리를 유지한다면 교체가 허용된다. 이 메커니즘은 탐색 다양성을 보존하면서도 수렴 속도를 높인다.

세 번째로 도입된 제약 로컬 최소화기(constrained local minimizer)는 각 후보 해를 지역 최적점으로 끌어올리는 역할을 한다. 일반적인 무제약 로컬 서치는 다목적 문제에서 제약 위반을 초래할 위험이 크지만, MOCSA는 제약 조건을 만족하도록 설계된 라인 서치와 투영 기법을 결합해, 해가 파레토 전선에 더 가깝게 정제되도록 한다.

실험에서는 ZDT1‑6과 DTLZ1‑6, 총 12개의 표준 테스트 문제를 사용하였다. 성능 평가는 수렴 지표(GD, IGD)와 다양성 지표(Δ, SP) 두 축으로 수행했으며, 모든 경우에서 MOCSA가 NSGA‑II 대비 우수한 결과를 보였다. 특히 DTLZ 계열의 고차원 문제에서 파레토 전선에 대한 근접도와 해 집합의 폭이 현저히 개선되었다.

알고리즘 복잡도 측면에서는, CSA 기반 구조가 해 풀의 크기와 온도 스케줄에 따라 O(N·logN) 수준의 정렬 비용을 요구하지만, 로컬 최소화 단계가 추가됨에 따라 전체 실행 시간은 NSGA‑II보다 약 1.5배~2배 정도 늘어났다. 그러나 고품질 파레토 해를 얻는 비용 대비 효율성은 충분히 긍정적이라고 평가할 수 있다.

한계점으로는 파라미터(온도 감소 비율, 풀 크기, 로컬 최소화 횟수 등)의 민감도가 비교적 높아, 문제 특성에 맞는 튜닝이 필요하다는 점이다. 또한, 현재 구현은 연속형 변수와 선형 제약에 최적화돼 있어, 이산형 혹은 비선형 제약이 많은 실제 공학 문제에 적용하려면 추가적인 확장이 요구된다.

향후 연구 방향으로는 적응형 온도 스케줄링, 다중 풀 구조(Multi‑Pool) 도입, 그리고 하이브리드 방식으로 메타휴리스틱(예: PSO, DE)과의 결합을 통해 탐색 효율성을 더욱 강화할 수 있을 것으로 기대된다.