진화 알고리즘을 위한 목표 기반 초기 집단 생성 기법

초록

본 논문은 진화 알고리즘의 수렴 속도와 최종 해의 품질을 동시에 향상시키기 위해, 문제의 목표 정보를 활용한 초기 집단 생성 휴리스틱을 제안한다. 제안 방법은 기존 무작위 초기화와 비교해 적은 세대 수로 만족스러운 해에 도달함을 벤치마크 실험을 통해 입증한다.

상세 분석

본 연구는 초기 집단이 진화적 탐색 과정에 미치는 영향을 정량적으로 분석하고, 이를 개선하기 위한 목표 기반 휴리스틱을 설계하였다. 먼저, 문제 정의 단계에서 목표 해(또는 목표 영역)를 추정하기 위해 간단한 탐색 혹은 도메인 지식을 활용한다. 이 목표 정보를 바탕으로, 개체를 생성할 때 목표와의 거리, 다양성 보존을 동시에 고려하는 두 단계 절차를 적용한다. 첫 번째 단계는 목표에 근접한 후보군을 생성하는 것으로, 목표 좌표를 중심으로 정규분포 혹은 균등분포를 이용해 샘플링한다. 두 번째 단계는 이러한 후보군에 대해 유전적 다양성을 확보하기 위해 클러스터링 기반 재배치를 수행한다. 즉, 동일 클러스터 내 개체 간 거리를 최소화하고, 클러스터 간 거리를 최대화하도록 개체를 재배치함으로써 탐색 공간 전반에 골고루 퍼진 초기 집단을 만든다.

알고리즘의 복잡도는 목표 추정 단계에서 O(N) , 샘플링 단계에서 O(N·D) (N은 집단 크기, D는 차원), 클러스터링 단계에서 O(N log N) 정도로, 기존 무작위 초기화와 비교해 큰 부하를 발생시키지 않는다. 실험에서는 대표적인 연속 최적화 벤치마크인 Rastrigin, Ackley, Sphere 함수에 대해 30 차원 및 100 차원 설정을 사용하였다. 제안 방법으로 초기화된 집단은 평균 수렴 세대가 무작위 초기화 대비 30 %~45 % 감소했으며, 최종 최적값의 평균 오차도 유의하게 낮았다. 통계적 검증을 위해 Wilcoxon signed‑rank test을 적용했을 때 p‑값이 0.01 이하로, 개선 효과가 우연이 아님을 확인하였다.

또한, 목표 기반 초기화가 탐색 초기에 지역 최적에 빠지는 현상을 완화한다는 점을 시각화된 수렴 곡선과 다양성 지표(Shannon entropy)로 입증하였다. 다만, 목표 추정이 부정확하거나 문제의 목표가 다중모드인 경우, 초기 집단이 특정 모드에 편향될 위험이 존재한다. 이를 보완하기 위해 목표 추정 단계에서 다중 목표 후보를 생성하고, 각 후보별로 균등하게 샘플링하는 확장 방안을 제시하였다.

결론적으로, 목표 기반 초기 집단 생성 휴리스틱은 진화 알고리즘의 초기 탐색 효율성을 크게 향상시키며, 연산 비용 증가가 미미한 실용적인 방법으로 평가된다. 향후 연구에서는 동적 목표 재추정, 제약 조건이 있는 문제, 그리고 다른 메타휴리스틱(예: PSO, DE)과의 통합 효과를 탐색할 계획이다.