상태전이 알고리즘 초기 버전 연구

초록

본 논문은 최적화 문제를 ‘상태’와 ‘상태전이’ 개념으로 재구성하여 새로운 메타휴리스틱인 상태전이 알고리즘(STA)을 제안한다. 연속형 문제에 대해 회전·이동·확장이라는 세 가지 연산자를 정의하고, 이산형 문제에는 일반 초등 변환 연산자를 도입한다. 4개의 연속형 벤치마크 함수와 하나의 이산형 사례 실험을 통해 탐색 능력과 수렴 특성을 검증했으며, 초기 결과가 기존 알고리즘에 비해 경쟁력 있음을 보여준다.

상세 분석

STA는 최적화 과정을 ‘현재 해를 하나의 상태(state)로 보고, 이를 새로운 상태로 전이(transition)시키는 연산’으로 모델링한다는 점에서 기존 메타휴리스틱과 차별화된다. 연속형 문제에 적용되는 세 가지 연산자는 다음과 같다. 첫째, 회전 연산자는 현재 해 벡터를 무작위 회전 행렬과 곱해 탐색 공간을 원형으로 확장한다. 이는 지역 탐색을 강화하면서도 방향성을 유지한다. 둘째, 이동 연산자는 현재 해에 일정 비율의 이동 벡터를 더해 탐색 영역을 선형으로 이동시키며, 이는 탐색의 연속성을 보장한다. 셋째, 확장 연산자는 스케일링 파라미터를 이용해 해의 크기를 확대·축소함으로써 전역 탐색 능력을 제공한다. 이 세 연산자는 각각 탐색 단계에서 확률적으로 선택되며, 파라미터 조정에 따라 탐색 강도와 수렴 속도를 조절한다.

이산형 문제에 대해서는 ‘일반 초등 변환(general elementary transformation)’을 도입한다. 이는 순열이나 이진 문자열 등 이산 구조를 유지하면서도 임의의 교환·삽입·반전 연산을 수행하는 방식이다. 논문에서는 이 연산을 통해 TSP와 같은 순열 기반 문제에 적용 가능함을 시연한다.

실험에서는 Sphere, Rosenbrock, Rastrigin, Griewank 등 네 가지 대표 연속형 벤치마크 함수를 사용하였다. 각 함수에 대해 30번 독립 실행을 수행했으며, 평균 최적값, 표준편차, 수렴 횟수를 보고한다. 결과는 STA가 초기 탐색 단계에서 빠른 수렴을 보이며, 특히 다중극점 함수(Rastrigin, Griewank)에서 지역 최적에 빠지는 현상이 기존 GA나 PSO 대비 적었다. 이산형 실험에서는 8도시 TSP를 대상으로 1000번 반복했을 때, 최적 경로 길이가 기존 간단 힐클라이밍보다 약 5% 개선되었다.

하지만 논문은 아직 파라미터 자동 튜닝 메커니즘이 부재하고, 연산자 선택 확률이 고정돼 있어 문제 특성에 따라 최적화되지 않을 가능성이 있다. 또한, 수렴 이론적 분석이 부족해 전역 최적 보장 여부는 아직 불명확하다. 향후 연구에서는 적응형 연산자 선택, 다중 스케일 전이, 그리고 수학적 수렴 증명을 통해 알고리즘의 일반성을 강화할 필요가 있다.