집단 동물 행동 기반 다중 최적화 알고리즘

초록

본 논문은 동물 무리의 집단 행동 원리를 모방한 새로운 다중 모드 최적화 기법인 Collective Animal Behavior(CAB)를 제안한다. 개체들은 주변 개체와의 거리·방향·속도 규칙을 통해 탐색·수렴을 동시에 수행하며, 실험을 통해 전통적 메타휴리스틱 대비 전역·국부 최적을 더 효율적으로 찾는 것을 확인하였다.

상세 분석

본 연구는 다중 모드 최적화 문제의 특성을 고려하여, 자연계에서 관찰되는 집단 동물의 협동·분산 행동을 수학적 모델로 추상화하였다. CAB는 개체군을 ‘동물’이라 가정하고, 각 개체는 위치 (x_i)와 속도 (v_i)를 갖는 입자와 유사하게 정의된다. 이때 개체 간 상호작용은 크게 네 가지 규칙으로 구분된다. 첫째, 동조화(cohesion) 규칙은 개체가 무리 중심점(전체 평균 위치)으로 끌리는 힘을 제공하여 탐색 영역을 전체적으로 수축시킨다. 둘째, 분리(separation) 규칙은 근접한 개체 간 충돌을 방지하기 위해 반발력을 부여, 지역적인 과밀을 해소하고 새로운 피크를 탐색하도록 만든다. 셋째, 정렬(alignment) 규칙은 인접 개체들의 속도 방향을 평균화함으로써 탐색 방향의 일관성을 높이고, 수렴 속도를 가속한다. 넷째, 외부 자극(attraction to food/goal) 규칙은 사전 정의된 ‘식량’ 혹은 ‘목표점’(예: 현재 발견된 최적점)으로의 인위적 끌림을 도입해 전역 탐색을 강화한다.

이러한 규칙들은 각각 가중치 (w_c, w_s, w_a, w_g) 로 조절 가능하며, 논문에서는 실험적 튜닝을 통해 균형 잡힌 탐색·수렴 메커니즘을 확보하였다. 특히, 동적 군집 재구성(dynamic regrouping) 메커니즘을 도입해 일정 주기마다 현재 군집을 여러 소집단으로 분할하고, 각 소집단은 독립적으로 위 규칙을 적용한다. 이는 다중 피크를 동시에 탐색할 수 있게 하여 전통적인 단일 군집 기반 알고리즘이 겪는 ‘수렴 편향(convergence bias)’을 완화한다.

알고리즘 흐름은 크게 초기화 → 상호작용 규칙 적용 → 군집 재구성 → 정지조건 검사 순으로 진행된다. 정지조건은 (1) 최대 반복 횟수 도달, (2) 연속적인 최적값 변화율 미미, (3) 발견된 피크 수가 사전에 정의된 목표치에 도달했는지 여부 등으로 설정된다.

성능 평가에서는 대표적인 다중 모드 벤치마크 함수(예: Himmelblau, Rastrigin, Shubert 등)와 최신 메타휴리스틱(예: PSO‑MM, DE‑M, CMA‑ES 변형)와 비교하였다. 실험 결과, CAB는 평균 최적값 정확도와 피크 탐지율 모두에서 5 %~15 % 정도 우위를 보였으며, 특히 고차원(30‑100차) 문제에서 탐색 효율이 현저히 개선되었다. 또한, 알고리즘의 복잡도는 개체 수 (N)과 차원 (D)에 대해 (O(N·D)) 수준으로, 기존 메타휴리스틱과 동등하거나 약간 낮은 수준을 유지한다.

이와 같이 CAB는 집단 행동의 분산·협동 특성을 메타휴리스틱 설계에 성공적으로 통합함으로써, 다중 피크 탐색에서의 탐색 다양성 유지와 빠른 수렴을 동시에 달성한다는 점에서 학술적·실용적 의의가 크다. 향후 연구에서는 적응형 가중치 조정, 비정상적 환경(동적 목표) 대응, 그리고 실제 로봇·드론 군집 제어에의 적용 가능성을 탐색할 여지가 있다.