적응형 인공벌집 알고리즘을 이용한 공학 설계 최적화

초록

본 논문은 인공벌집(ABC) 알고리즘의 군집 크기를 적응적으로 조정하는 A‑ABC와, 최적 해를 향한 엘리트주의 전략을 도입한 E‑ABC를 제안한다. 표준 벤치마크와 다섯 개의 공학 설계 문제에 대해 기존 ABC 및 최신 변형들과 비교 실험을 수행했으며, 수치 및 통계 결과에서 제안 알고리즘이 수렴 속도와 해의 품질 면에서 우수함을 확인하였다.

상세 분석

인공벌집(Artificial Bee Colony, ABC) 알고리즘은 탐색 단계에서 employed bee, onlooker bee, scout bee의 세 가지 역할을 통해 전역 탐색과 지역 탐색을 균형 있게 수행한다. 그러나 기존 ABC는 군집 크기(colony size)를 고정값으로 설정하는 경우가 많아 문제 규모나 차원에 따라 탐색 효율이 크게 달라진다. 본 연구는 이러한 한계를 극복하기 위해 군집 크기를 동적으로 조정하는 적응형 메커니즘을 도입하였다. 구체적으로, 현재 최적 해의 개선 정도와 탐색 성공률을 기반으로 식별된 기준값을 초과하면 새로운 food source를 추가하고, 개선이 정체될 경우 불필요한 food source를 제거한다. 이를 통해 탐색 초기에 다양성을 확보하고, 수렴 단계에서는 군집 규모를 축소해 연산 비용을 절감한다.

또한, E‑ABC에서는 엘리트주의(elitism)를 적용하여 현재까지 발견된 최우수 food source를 모든 onlooker bee와 scout bee가 공유하도록 설계하였다. 엘리트 해를 중심으로 탐색 범위를 재조정함으로써 지역 탐색 능력이 강화되고, 전역 최적점에 대한 수렴 속도가 현저히 빨라진다. 엘리트 정보는 변이 연산에서 가중치로 활용되어, 기존 ABC가 갖는 무작위 변이 비율을 감소시키고, 보다 집중된 탐색을 가능하게 한다.

실험에서는 2차원부터 30차원까지 다양한 차원의 표준 함수(예: Sphere, Rosenbrock, Rastrigin 등)를 사용해 평균 최적값, 표준편차, 성공률을 비교하였다. A‑ABC는 초기 탐색 단계에서 더 많은 독립적인 food source를 생성함으로써 전역 최적점에 도달할 확률이 높았으며, E‑ABC는 엘리트 중심의 변이를 통해 수렴 횟수를 평균 15 % 가량 단축하였다. 다섯 개의 실제 공학 설계 문제(압축 스프링 설계, 트러스 구조 최적화, 전기 회로 설계 등)에서도 제안 알고리즘은 기존 ABC 대비 목표 함수값을 최소 8 % 개선하고, 실행 시간은 10 % 내외 감소하였다.

통계적 검증을 위해 Wilcoxon signed‑rank test과 Friedman test을 수행했으며, 대부분의 경우 p‑value가 0.05 이하로 나타나 제안 방법의 우수성이 유의미함을 확인했다. 또한, 파라미터 민감도 분석 결과, 적응형 군집 크기 조정 비율과 엘리트 가중치가 알고리즘 성능에 큰 영향을 미치지만, 적절한 범위 내에서는 안정적인 성능을 유지한다는 점을 발견하였다. 이러한 결과는 A‑ABC와 E‑ABC가 전통적인 ABC의 탐색·활용 균형을 효과적으로 개선하고, 다양한 차원의 복합 최적화 문제에 적용 가능함을 시사한다.