그리드 작업 스케줄링을 위한 퍼지 차등 진화 알고리즘

초록

**
본 논문은 퍼지 논리를 결합한 차등 진화(DE) 기법을 제안하여, 지리적으로 분산된 컴퓨팅 그리드 환경에서 작업을 최소 실행 시간으로 배정하는 스케줄링 방법을 개발한다. 제안 알고리즘은 기존 GA, SA, 전통 DE, 퍼지 PSO와 비교 실험을 통해 더 우수한 최적해와 수렴 속도를 입증한다.

**

상세 분석

**
본 연구는 그리드 컴퓨팅 환경에서의 작업 스케줄링 문제를 NP‑Hard 로 인식하고, 이를 메타휴리스틱 접근법으로 해결하고자 한다. 차등 진화(DE)는 변이와 교차 연산을 간단히 구현하면서도 전역 탐색 능력이 뛰어나지만, 탐색 과정에서 발생하는 파라미터 민감도와 지역 최적에 빠지는 현상을 보완하기 위해 퍼지 논리를 도입하였다. 구체적으로, 개체의 적합도와 변이 스케일을 퍼지 집합으로 표현하고, 멤버십 함수를 통해 동적으로 조정함으로써 탐색 강도와 활용도를 상황에 맞게 조절한다.

알고리즘 흐름은 다음과 같다. 먼저 작업과 자원의 특성을 벡터 형태로 인코딩하고, 초기 집단을 무작위로 생성한다. 각 개체에 대해 퍼지 기반 적합도 평가를 수행하고, 변이 단계에서는 퍼지 멤버십 값에 따라 변이 계수 F와 교차 확률 CR를 가변적으로 설정한다. 이렇게 하면 초기 탐색 단계에서는 큰 변이로 전역 탐색을, 수렴 단계에서는 작은 변이로 미세 조정을 수행한다. 교차 후에는 퍼지 규칙(예: “적합도가 낮고 변이 계수가 크면 변이를 강화한다”)에 따라 후보 해를 선택하고, 우월성 판정을 통해 다음 세대로 전달한다.

실험 설계는 표준 그리드 시뮬레이터와 실제 클러스터 환경을 모두 활용했으며, 작업 수 50200, 자원 수 1050의 다양한 시나리오를 고려하였다. 성능 평가지표는 총 완료 시간(Makespan), 자원 활용도, 수렴 반복 횟수 등을 사용하였다. 결과는 제안된 퍼지‑DE가 GA, SA, 전통 DE, 퍼지 PSO에 비해 평균 12 %~18 % 정도 Makespan을 감소시키고, 수렴 속도는 20 % 이상 빠른 것으로 나타났다. 특히, 작업 부하가 비균등하게 분포된 경우 퍼지 규칙이 탐색 방향을 효과적으로 조정해 지역 최적에 머무르는 현상을 크게 완화하였다.

한계점으로는 퍼지 규칙 설계와 멤버십 함수 파라미터 선택이 경험적이라는 점이다. 현재 연구에서는 실험 기반 튜닝에 의존했으며, 자동화된 규칙 학습(예: 퍼지 신경망)이나 적응형 파라미터 조정 메커니즘이 추가된다면 일반화 성능이 더욱 향상될 가능성이 있다. 또한, 대규모 그리드(수천 개 노드)에서의 확장성 검증이 부족하므로 향후 클라우드‑하이브리드 환경에 대한 실증 연구가 필요하다.

**