코퓰라 기반 진화 알고리즘을 위한 R 패키지 copulaedas 소개

초록

본 논문은 R 패키지 copulaedas 를 제시한다. 이 패키지는 코퓰라와 바이너리 트리(바인) 구조를 이용한 다양한 추정분포알고리즘(EDA)을 구현·평가할 수 있는 통합 환경을 제공한다. S4 클래스를 기반으로 새로운 EDA를 손쉽게 추가할 수 있으며, 벤치마크 함수와 실제 사례를 통한 실험 결과도 포함한다.

상세 요약

EDAs(Estimation of Distribution Algorithms)는 전통적인 진화연산자(교차·돌연변이)를 대체해 탐색 공간의 확률분포를 직접 모델링함으로써 효율적인 전역 최적화를 목표로 한다. 최근에는 다변량 의존성을 정교히 포착할 수 있는 코퓰라(copula) 모델이 EDA에 도입되면서, 변수 간 비선형 상관관계를 보다 정확히 반영할 수 있다는 기대가 커지고 있다. 논문은 이러한 흐름을 반영해 코퓰라 기반 EDA를 체계적으로 구현·시험할 수 있는 R 패키지 copulaedas 를 설계하였다.

패키지의 핵심 설계는 S4 객체지향 구조에 있다. ‘EDA’라는 추상 클래스를 정의하고, ‘initialize’, ‘sample’, ‘update’, ‘select’ 등 알고리즘의 기본 단계마다 generic 함수를 제공한다. 이를 통해 사용자는 기존 구현을 상속받아 새로운 코퓰라 모델(예: Gumbel, Clayton, Frank 등)이나 바이너리 트리 구조(Vine, C‑vine, D‑vine)를 손쉽게 삽입할 수 있다. 또한, ‘Problem’ 클래스를 통해 최적화 대상 함수를 캡슐화하고, ‘runEDA’ 함수로 전체 실행 흐름을 자동화한다.

구현된 알고리즘은 크게 두 그룹으로 나뉜다. 첫 번째는 단일 코퓰라를 이용한 ‘Copula‑EDA’ 계열로, 전체 변수 집합에 하나의 코퓰라를 적용한다. 여기서는 Gaussian, t‑copula, Archimedean 계열이 제공되며, 파라미터 추정은 최대우도법(MLE) 혹은 방법‑오브‑모멘트(MoM)로 수행한다. 두 번째는 바이너리 트리 구조를 활용한 ‘Vine‑EDA’ 계열이다. C‑vine과 D‑vine 두 가지 트리 형태를 지원하며, 각 엣지(edge)마다 개별 코퓰라를 할당해 고차원 의존성을 단계별로 분해한다. 이때 트리 구조는 ‘vine’ 패키지와 연동해 자동 생성·최적화가 가능하도록 설계되었다.

패키지는 또한 성능 분석을 위한 유틸리티를 풍부하게 제공한다. ‘benchmark’ 함수는 표준 연속형·이산형 테스트 함수(예: Sphere, Rastrigin, Ackley, Knapsack 등)를 자동으로 로드하고, 여러 알고리즘을 병렬 실행해 평균 최적값, 표준편차, 수렴 속도 등을 기록한다. ‘plotConvergence’와 ‘plotDensity’는 수렴 곡선과 학습된 분포의 2‑D/3‑D 시각화를 지원한다. 이러한 시각화 도구는 코퓰라 파라미터가 어떻게 진화하는지, 변수 간 의존성이 어떻게 강화·완화되는지를 직관적으로 파악하게 해준다.

실험 섹션에서는 10차원 Sphere, 30차원 Rastrigin, 20차원 Ackley 등 다중 모드·고차원 벤치마크와, 실제 물류 최적화 문제(배송 경로·용량 제약) 두 가지 사례를 대상으로 비교 분석을 수행한다. 결과는 전통적인 GA·PSO와 비교했을 때, 코퓰라 기반 EDA가 특히 변수 간 상관관계가 강한 문제에서 수렴 속도와 최종 해의 품질이 우수함을 보여준다. 특히 C‑vine‑EDA는 고차원 문제에서 파라미터 추정 비용을 트리 구조로 분산시켜 계산 효율성을 크게 향상시켰다.

마지막으로, 패키지 확장성을 강조한다. 사용자는 새로운 코퓰라 함수를 ‘Copula’ 서브클래스로 정의하고, ‘fitCopula’ 메서드를 구현하면 즉시 기존 EDA 파이프라인에 통합할 수 있다. 또한, ‘parallel’ 패키지를 이용해 클러스터 환경에서 다중 인스턴스 실행이 가능하도록 설계돼, 대규모 실험에도 적합하다. 전체적으로 copulaedas 는 코퓰라 기반 최적화 연구를 가속화하고, 재현 가능한 실험 환경을 제공함으로써 학계·산업 모두에 실용적인 도구가 될 전망이다.