다목적 유전 알고리즘 난이도 시뮬레이션 평가

초록

본 논문은 포식‑피식 게임 환경에서 다목적 유전 알고리즘(MOGA)의 난이도를 시뮬레이션으로 정량화한다. 목표는 수명, 난이도, 사용성이라는 세 가지 목적 함수를 동시에 최적화하면서, 목표 수가 증가할 때 수렴 속도와 해 집합의 다양성이 어떻게 변하는지를 실험적으로 분석하는 것이다. 개별 목적 함수와 합성 목적 함수를 각각 랭킹 방식과 비‑랭킹 방식으로 적용해 비교한다.

상세 분석

이 연구는 다목적 최적화 문제의 ‘hardness’를 정량적으로 측정하기 위한 실험 프레임워크를 제시한다는 점에서 의미가 크다. 기존 연구들은 주로 목표 수 자체가 난이도를 높인다고 주장했지만, 저자들은 해 집합의 크기, 해 간 비호환성, 그리고 로컬 최적점의 다수 존재가 핵심 원인이라고 가정한다. 이를 검증하기 위해 ‘포식‑피식’ 게임을 모델링했으며, 플레이어(피식)는 세 가지 목표—수명 연장, 난이도 상승, 아레나 사용성 향상—를 동시에 달성해야 한다. 알고리즘은 기본적인 GA 연산인 교차와 변이를 동일 확률로 적용하고, 각 세대마다 전체 인구를 평가한다.

실험 설계는 두 축으로 나뉜다. 첫 번째 축은 각 목표 함수를 개별적으로 최적화한 뒤, 그 결과를 합산해 다목적 비용 함수를 만든다(합성 방식). 두 번째 축은 다목적 비용 함수를 직접 정의하고, 지배 관계에 따라 해를 선택하거나, 지배 관계를 무시하고 모든 해가 진화에 참여하도록 허용한다(비‑랭킹 방식). 이러한 두 가지 접근법을 통해 ‘지배 기반 선택’이 수렴 속도와 해 다양성에 미치는 영향을 정량화한다.

핵심 결과는 목표 수가 증가할수록(1→3) 평균 수렴 세대 수가 현저히 늘어나며, 특히 비‑랭킹 방식에서는 로컬 최적점에 빠지는 비율이 급증한다는 점이다. 이는 다목적 문제에서 해 집합의 비호환성이 증가하면 탐색 공간이 크게 확장되어 GA가 전역 최적을 찾기 어려워진다는 기존 가설을 실증한다. 또한, 개별 목표를 최적화한 뒤 합산한 방식은 다목적 직접 최적화에 비해 초기 수렴이 빠르지만, 최종 파레토 프론트의 품질은 낮다. 이는 목표 간 상충 관계를 무시하고 단일 스칼라 비용으로 변환할 경우, 일부 목표가 과도하게 편향될 위험을 보여준다.

이 논문은 실험적 근거를 바탕으로 다목적 GA 설계 시 ‘목표 수보다 해 집합의 구조와 선택 메커니즘’에 더 중점을 두어야 함을 강조한다. 향후 연구에서는 동적 목표 가중치 조정, 적응형 교차·변이 비율, 그리고 다중 파레토 프론트 유지 전략 등을 도입해 현재 제시된 프레임워크를 확장할 필요가 있다.