온라인 분산 진화 로봇에서 선택 방법 비교

본 논문은 온라인·분산형 진화 로봇(ER) 시스템에서 선택 연산자의 효과를 체계적으로 조사한다. 전통적인 ER은 오프라인 최적화와 달리 로봇이 실제 환경에서 행동을 수행하면서 지속적으로 진화한다. 이러한 온라인·분산 진화에서는 각 로봇이 제한된 로컬 정보를 바탕으로 유전자를 교환하고, 적합도 평가가 환경에 따라 크게 변동한다는 특성이 있다. 기존 연구들(예: PGT, odNEAT, EDEA, mEDEA)은 주로 암묵적 적합도나 에너지 기반 전파 메커니즘을 활용했으며, 선택 압력에 대한 명시적 조절이 거의 이루어지지 않았다. 저자들은 mEDEA 알고리즘을 변형하여 선택 연산자를 삽입하고, 네 가지 선택 방법을 구현하였다. 1. **Best Selection** – 로컬 풀에서 가장 높은 적합도를 가진 유전자를 무조건 선택한다. 가장 강한 선택 압력을 제공한다. 2. **Rank‑Based Selection** – 적합도 순위에 따라 선택 확률을 부여한다. 높은 순위일수록 선택 확률이 크지만, 낮은 순위도 일정 확률로 선택될 수 있다. 3. **Binary Tournament** – 무작위로 두 개의 유전자를 비교하여 적합도가 높은 쪽을 선택한다. 중간 정도의 선택 압력을 만든다. 4. **Random Selection** – 로컬 풀에서 무작위로 하나를 선택한다. 선택 압력이 거의 없으며, 다양성을 최대로 유지한다. 알고리즘 흐름은 다음과 같다. 각 로봇은 초기에는 무작위 가중치를 가진 신경망 컨트롤러를 보유한다. **평가 단계(T_e)** 동안 현재 컨트롤러를 실행하고, 센서 입력에 따라 모터 명령을 내리며, 동시에 자신의 유전자를 주변 로봇에게 브로드캐스트한다. 이때 적합도는 과제 수행 결과(예: 목표 지점 도달 여부, 충돌 횟수, 수집된 사료량 등)로 실시간 계산된다. **청취 단계(T_l)**에서는 로봇이 정지하고 주변 로봇이 전송한 유전자를 수신한다. 수신된 유전자는 적합도와 함께 로컬 리스트에 저장된다. 청취 단계가 끝나면 로봇은 자신의 현재 유전자를 포함한 로컬 풀에서 선택 연산자를 적용해 새로운 유전자를 선택하고, 선택된 유전자에 가우시안 변이를 가해 다음 평가 단계에 사용할 컨트롤러로 전환한다. 실험은 두 가지 과제에서 수행되었다. 첫 번째 과제는 **장애물 회피와 목표 지점 탐색**으로, 로봇은 2D 환경 내에서 무작위 장애물을 피하면서 지정된 목표에 도달해야 한다. 두 번째 과제는 **집단 사료 채집**으로, 환경에 무작위로 배치된 사료 입자를 여러 로봇이 협력해 수집해야 한다. 두 과제 모두 로봇 간 통신 범위가 제한적이며, 로봇이 이동하면서 동적으로 네트워크 토폴로지가 변한다. 성능 평가는 네 가지 지표로 정량화되었다. (1) **평균 적합도** – 전체 로봇의 평균 적합도 값; (2) **성공률** – 목표 지점 도달 혹은 사료 수집 성공 비율; (3) **적합도 변동성** – 세대 간 적합도의 표준편차, 다양성 유지 정도를 나타냄; (4) **총 사료량** – 집단이 수집한 사료 총량, 특히 두 번째 과제에서 핵심 성능 지표가 된다. 실험 결과는 다음과 같다. - **Best Selection**은 초기 적합도 상승이 가장 빠르며, 특히 사료 채집 과제에서 전체 사료량을 크게 늘렸다. 그러나 선택 압력이 지나치게 강하면 장기적으로 적합도 변동성이 감소해 다양성이 손실될 위험이 있다. - **Rank‑Based**와 **Binary Tournament**은 적당한 선택 압력을 제공해 초기 수렴 속도는 다소 늦지만, 중간·후기 단계에서 안정적인 성능을 유지한다. 특히 Rank‑Based는 낮은 적합도 개체도 일정 확률로 선택되므로 다양성을 어느 정도 보존한다. - **Random Selection**는 가장 느린 수렴을 보였으며, 장애물 회피 과제에서는 최소한의 성능을 유지했지만, 사료 채집 과제에서는 전체 사료량이 크게 감소했다. 이는 과제 난이도가 높을수록 선택 압력이 필요함을 시사한다. 또한, 분산 환경에서 각 로봇이 독립적인 로컬 풀을 유지하기 때문에, 강한 선택 압력에도 불구하고 전체 군집의 유전적 다양성이 완전히 사라지지는 않았다. 이는 전통적인 오프라인 EA에서 강한 선택 압력이 다양성 감소를 초래하는 것과 대비되는 중요한 발견이다. 결론적으로, 온라인·분산 진화 로봇 시스템에서 선택 연산자를 명시적으로 도입하고, 선택 압력을 과제 난이도에 맞게 조절하면 빠른 적합도 향상과 안정적인 장기 성능을 동시에 달성할 수 있다. 특히 복잡하고 협업이 요구되는 과제(예: 집단 사료 채집)에서는 높은 선택 압력이 필수적이며, 단순 탐색·회피와 같은 비교적 단순한 과제에서는 낮은 압력도 충분히 좋은 성능을 제공한다. 향후 연구는 동적 환경 변화에 대응하기 위한 적응형 선택 압력 조절 메커니즘과, 다중 과제 상황에서 선택 압력의 다중 목표 최적화를 탐구하는 방향으로 확장될 수 있다.