유전 알고리즘 기반 바이러스 확산 억제 최적화

초록

본 논문은 복합 네트워크 상에서 바이러스 확산을 최소화하기 위한 면역 대상 노드 집합을 찾는 문제를 유전 알고리즘(GA)으로 해결한다. 기존의 단일 중심성 지표 기반 방법과 달리, GA는 여러 중심성 지표를 활용해 탐색 공간을 제한하면서도 최적에 가까운 해를 도출한다. 실험은 고교 친밀도 네트워크와 미국 항공망 두 데이터셋에서 수행되어, 항공망에서는 기존 방법을 능가하고 고교 네트워크에서는 최고 성능과 동등한 결과를 얻었다.

상세 분석

이 연구는 바이러스 전파 억제라는 전형적인 NP‑hard 최적화 문제에 대해 메타휴리스틱 접근법을 적용한 점이 가장 큰 특징이다. 먼저 저자들은 전통적인 중심성 지표인 degree, betweenness, eigenvector를 계산하고, 각각을 내림차순으로 정렬한다. 이후 각 지표에서 상위 l 개의 노드만을 추출해 합집합 R₀ 을 구성함으로써 탐색 공간을 크게 축소한다. 이는 “중심성이 낮은 노드는 전파에 크게 기여하지 않을 가능성이 높다”는 경험적 가정을 기반으로 하며, 실제 대규모 네트워크에서도 계산 비용을 현실적인 수준으로 유지한다는 장점이 있다.

유전 알고리즘 자체는 크기 k 인 면역 집합을 유전자로 표현한다. 초기 집단은 무작위로 생성하되, 모든 유전자가 R₀ 내에 존재하도록 제한한다. 적합도 평가는 다음과 같은 시뮬레이션 절차를 따른다. 1) 후보 집합 I 에 포함된 노드를 네트워크에서 제거(면역)하고, 2) 남은 그래프에서 무작위로 하나의 감염자를 선택, 3) 수정된 SIR 모델을 적용해 전염이 소멸할 때까지 진행한다. 이 과정을 m 번 반복해 평균 사망자 수(또는 제거된 노드 수)를 적합도로 사용한다. 적합도는 “예상 사망자 수 최소화”라는 명확한 목표를 반영하므로, GA가 탐색 과정에서 직접적인 피드백을 받는다.

선택 연산은 토너먼트 방식(크기 4)으로 수행하고, 교차는 균일 교차를 변형한 방법을 사용한다. 두 부모의 염색체를 연결·정렬한 뒤, 홀·짝 인덱스 원소를 각각 자식에게 할당함으로써 중복을 방지한다. 변이율은 1/k 로 설정해 평균적으로 한 유전자가 변이하도록 설계하였다. 이러한 연산은 집합 크기 k 가 작을 때도 다양성을 유지하면서 탐색 효율을 높인다.

실험 설정에서는 β=0.3, γ=0.3 이라는 전염·회복 확률을 사용했으며, k 값을 10과 50으로 두어 면역 자원의 제한을 모의했다. 탐색 공간 축소 파라미터 l 은 100과 200을 시험했으며, 적합도 평가를 위한 SIR 시뮬레이션 횟수 m 은 100으로 설정하였다. GA는 100세대, 인구 100명으로 실행되었다.

결과는 두 네트워크 모두에서 GA가 기존 중심성 기반 전략을 능가하거나 동등한 성능을 보였음을 보여준다. 특히 미국 항공망에서는 degree, betweenness, eigenvector 중 어느 하나만을 사용한 전략보다 현저히 낮은 평균 사망자 수를 기록했다. 이는 복합적인 네트워크 구조에서 단일 중심성에 의존하는 것이 한계가 있음을 실증한다. 고교 네트워크에서는 가장 좋은 단일 중심성 전략과 거의 동일한 결과를 얻었으며, 이는 네트워크 규모가 작고 구조가 비교적 단순할 때는 단일 지표도 충분히 효과적일 수 있음을 시사한다.

전반적으로 이 논문은 (1) 중심성 기반 탐색 공간 축소, (2) 기대 사망자 수 기반 적합도 정의, (3) 효율적인 교차·변이 연산을 결합한 GA 설계라는 세 가지 핵심 기여를 제시한다. 또한, 실제 사회·교통 네트워크에 적용 가능한 실용적인 프레임워크를 제공함으로써, 정책 입안자나 보건 당국이 제한된 자원으로 최적의 면역 대상을 선정하는 데 유용한 도구가 될 수 있다. 향후 연구에서는 동적 네트워크, 다중 전파 모델(SIRS, SEIR 등) 및 비용-효과 분석을 포함한 확장이 기대된다.