지역 최적점 네트워크와 반복 지역 탐색 성능 예측

초록

본 논문은 지역 최적점 네트워크(LON)를 활용해 NK 계열 조합 최적화 문제의 구조를 압축하고, 이 네트워크 특성이 반복 지역 탐색(Iterated Local Search, ILS) 알고리즘의 실행 시간과 성공률에 미치는 영향을 통계적으로 분석한다. 다중 선형 회귀 모델을 통해 특정 LON 지표(예: 평균 출구도, 클러스터 계수, 최적점 간 평균 거리 등)가 ILS 성능을 강하게 예측함을 보이며, LON이 복합적인 피트니스 랜드스케이프를 효과적으로 설명할 수 있음을 입증한다.

상세 요약

이 연구는 기존의 피트니스 랜드스케이프 분석이 전체 탐색 공간을 직접 다루는 비효율성에 한계를 지적하고, 이를 보완하기 위해 지역 최적점 네트워크(LON)라는 그래프 기반 모델을 도입한다. LON은 각 정점을 문제의 지역 최적점(local optimum)으로, 정점 사이의 가중 에지(edge)를 두 최적점 사이의 전이 가능성(예: 한 번의 변형 후 다시 지역 탐색을 수행했을 때 도달 확률)으로 정의한다. 이렇게 함으로써 원래의 지수적 규모 탐색 공간을 수백에서 수천 개의 정점으로 압축한다는 점이 가장 큰 장점이다.

논문은 NK 랜드스케이프를 실험 대상으로 삼는다. N은 변수 수, K는 각 변수에 영향을 미치는 상호작용 수로, K가 증가할수록 랜드스케이프는 더 얽히고 복잡해진다. 저자들은 N=18, K∈{2,4,6,8,10,12,14,16} 조합으로 30개의 인스턴스를 생성하고, 각각에 대해 완전 탐색을 통해 모든 지역 최적점을 식별한 뒤 LON을 구축하였다.

LON에서 추출한 주요 메트릭은 다음과 같다. (1) 노드 수(V) – 전체 지역 최적점의 개수, (2) 에지 수(E) – 가능한 전이 관계의 총합, (3) 평균 출구도(Out-degree) – 한 최적점에서 다른 최적점으로 이동할 기대 횟수, (4) 클러스터 계수 – 네트워크 내 삼각형 형성 정도, (5) 최단 경로 평균 길이 – 두 임의의 최적점 사이 평균 거리, (6) 모듈러리티 – 커뮤니티 구조 강도, (7) 최적점 가중치 분포 – 각 정점에 할당된 피트니스 값의 분산 등이다.

이후 반복 지역 탐색(ILS) 알고리즘을 동일한 인스턴스에 적용한다. ILS는 기본적인 지역 탐색(예: 1-플립 변이) 후, 일정 확률로 큰 변이를 수행해 새로운 시작점을 만든 뒤 다시 지역 탐색을 반복한다. 성능 평가는 평균 실행 시간과 최적 해 도달 비율을 기준으로 한다.

통계적 분석 단계에서는 다중 선형 회귀 모델을 구축하여 LON 메트릭이 ILS 성능에 미치는 영향을 정량화한다. 변수 선택은 전진 선택법과 AIC 기준을 사용했으며, 다중공선성을 피하기 위해 VIF 검증도 수행하였다. 결과적으로 평균 출구도, 클러스터 계수, 최단 경로 평균 길이가 실행 시간에 가장 큰 양의 회귀 계수를 보였고, 노드 수와 모듈러리티는 부정적인 영향을 미쳤다. 즉, 전이가 활발하고 클러스터링이 높은 네트워크일수록 ILS가 빠르게 최적점 사이를 이동해 좋은 해를 찾는 경향이 있다. 반면, 최적점이 많이 분포하고 커뮤니티가 뚜렷할수록 탐색이 지역에 머무르기 쉬워 성능이 저하된다.

회귀 모델의 설명력(R²)은 0.78에 달했으며, 교차 검증을 통해 과적합이 없음을 확인했다. 이는 LON 메트릭만으로도 ILS의 성능을 상당히 정확히 예측할 수 있음을 의미한다. 또한, K값이 증가함에 따라 LON의 복잡도와 회귀 계수의 변동성이 커지는 것을 관찰했는데, 이는 더 복잡한 랜드스케이프가 네트워크 구조에 더 큰 영향을 미친다는 점을 시사한다.

이러한 결과는 두 가지 중요한 시사점을 제공한다. 첫째, LON은 피트니스 랜드스케이프의 구조적 특성을 압축적으로 표현하면서도, 메타휴리스틱의 동작 메커니즘을 설명할 수 있는 충분한 정보를 담고 있다. 둘째, LON 기반 메트릭을 사전에 분석함으로써 특정 문제 인스턴스에 가장 적합한 탐색 전략을 선택하거나 파라미터를 튜닝하는 사전 예측 모델을 구축할 수 있다. 이는 알고리즘 설계 단계에서 비용이 큰 실험을 줄이고, 문제 특성에 맞는 맞춤형 휴리스틱을 개발하는 데 큰 도움이 될 것이다.