잡스케줄링을 위한 하이브리드 박테리아 포레징 최적화 알고리즘

초록

본 연구는 박테리아 포레징 최적화(BFO)를 개미군집 최적화(ACO)와 결합한 하이브리드 알고리즘을 제안하고, 이를 다양한 규모의 작업장 스케줄링 문제(JSSP)에 적용한다. 실험 결과, 제안된 하이브리드 BFO‑ACO는 기존 BFO에 비해 더 낮은 makespan과 높은 수렴 속도를 보이며, 표준 테스트 인스턴스와 실제 산업 사례 모두에서 우수한 성능을 입증한다.

상세 분석

제안된 하이브리드 알고리즘은 BFO의 탐색 능력과 ACO의 경로 강화 메커니즘을 효과적으로 통합한다. 먼저, 박테리아 군집이 화학적 탐색(chemotaxis) 과정을 통해 해 공간을 전역적으로 탐색하면서, 각 박테리아는 현재 해의 품질을 기반으로 이동 방향을 조정한다. 이때, 전통적인 BFO는 무작위적인 회전과 이동에 의존하지만, 본 연구는 ACO에서 도출된 페로몬 정보를 이용해 회전 각도를 가중치화한다. 즉, 페로몬 농도가 높은 경로는 박테리아가 선택할 확률이 높아져, 이미 좋은 해를 포함한 영역으로의 집중 탐색이 촉진된다.

또한, 재생산 단계에서 적합도가 높은 박테리아는 복제되어 다음 세대로 전달되고, 낮은 적합도 개체는 제거된다. 이 과정에 ACO의 전역 업데이트 규칙을 적용해, 전체 군집이 공유하는 페로몬 맵을 동적으로 갱신한다. 결과적으로, 전역 최적해에 대한 탐색과 지역 최적화가 동시에 이루어져, 전통적인 BFO가 겪는 지역 최적에 빠지는 현상이 크게 완화된다.

실험 설계는 대표적인 JSSP 벤치마크인 FT06, FT10, LA01LA40 등을 포함한다. 각 인스턴스에 대해 30회 독립 실행을 수행하고, 평균 makespan, 표준편차, 최적해 도달 비율을 비교하였다. 하이브리드 BFO‑ACO는 특히 규모가 큰 LA 인스턴스에서 기존 BFO 대비 평균 1218%의 makespan 감소를 기록했으며, 최적해에 근접한 해를 90% 이상 도출하였다. 또한, 수렴 곡선을 분석한 결과, 초기 50세대 내에 대부분의 개선이 이루어져, 계산 시간 측면에서도 효율성을 보였다.

알고리즘 복잡도 측면에서는, BFO의 O(N·C·S) (N: 박테리아 수, C: 화학적 단계, S: 세대 수)와 ACO의 O(M·T) (M: 인공 개미 수, T: 반복 횟수)를 결합했지만, 페로몬 업데이트를 병렬화하고, 화학적 단계 수를 동적으로 조절함으로써 실제 실행 시간은 기존 BFO와 비슷하거나 약간 감소하는 수준에 머물렀다.

이와 같이, 본 논문은 두 개의 자연 영감을 받은 메타휴리스틱을 조화롭게 결합함으로써, JSSP와 같은 NP‑hard 문제에 대해 탐색 효율성과 해의 품질을 동시에 향상시킬 수 있음을 실증하였다. 향후 연구에서는 동적 작업 흐름, 다목적 최적화(예: 비용·에너지 최소화) 및 클라우드 기반 병렬 구현을 통해 적용 범위를 확대할 여지가 있다.