교통망 설계 문제를 위한 입자군집 최적화 파라미터 선택 연구

초록

본 논문은 교통망 설계 문제(TNDP)의 이중 목표(총 여행시간 최소화와 예산 제한) 해결을 위해 입자군집 최적화(PSO) 알고리즘을 적용하고, 관성 가중치, 인지·사회 계수, 입자 수, 최대 반복 횟수 등 핵심 파라미터가 알고리즘 성능에 미치는 영향을 실험적으로 분석한다. 실험 결과, 적절한 관성 감소 전략과 균형 잡힌 인지·사회 계수가 수렴 속도와 해의 품질을 크게 향상시키며, 입자 수와 반복 횟수는 계산 비용과 해의 안정성 사이의 트레이드오프를 조절한다는 것을 확인하였다.

상세 분석

본 연구는 교통망 설계 문제(TNDP)를 이중 레벨 모델로 정식화하고, 하위 레벨에서 교통 흐름을, 상위 레벨에서 프로젝트 선택을 최적화한다는 전형적인 구조를 채택한다. 하위 레벨은 일반적으로 사용자 균형(UE) 혹은 시스템 균형(SUE) 모델을 통해 각 링크의 흐름을 결정하고, 상위 레벨은 예산, 환경 제약 등을 고려해 프로젝트 집합을 선택한다. 이러한 복합 구조는 전통적인 수리적 최적화 기법으로는 계산량이 급증해 실용성이 떨어지므로, 메타휴리스틱인 입자군집 최적화(PSO)를 적용한다.

PSO는 입자(해 후보)들이 속도와 위치를 업데이트하며 탐색·활용을 조절하는데, 핵심 파라미터는 관성 가중치(ω), 인지 계수(c1), 사회 계수(c2), 입자 수(N), 최대 반복 횟수(Tmax)이다. 관성 가중치는 이전 속도를 얼마나 유지할지를 결정해 탐색 범위에 직접적인 영향을 미치며, 고정값과 선형 감소, 비선형 감소 등 다양한 스케줄링이 존재한다. 인지·사회 계수는 각각 개인 최적(pbest)과 전체 최적(gbest)으로의 끌어당김 강도를 나타내며, 이들의 비율은 탐색(다양성)과 활용(수렴성) 사이의 균형을 좌우한다.

실험 설계는 표준 교통망 데이터셋(예: Sioux Falls, Berlin)과 가상의 프로젝트 집합을 사용해 5가지 파라미터 조합을 교차 검증하였다. 관성 가중치를 0.9→0.4로 선형 감소시키는 경우, 초기 탐색이 활발해 전역 최적에 근접하는 경향이 뚜렷했으며, 고정 ω=0.7은 빠른 수렴을 보였지만 지역 최적에 머무는 경우가 빈번했다. 인지·사회 계수 조합(c1=2.0, c2=2.0)과(c1=1.5, c2=2.5) 사이에서는 후자가 초기 다양성을 유지하면서도 최종 수렴 속도가 빠른 것으로 나타났다. 이는 사회적 학습(전체 최적에 대한 의존)이 과도하면 탐색이 억제돼 조기 수렴 위험이 커짐을 시사한다.

입자 수는 N=30, 50, 70을 테스트했으며, N이 증가할수록 평균 최적값이 개선되었지만 계산 시간은 거의 선형적으로 증가했다. 특히 N=50에서 성능 향상이 포화되는 현상이 관찰돼, 실무 적용 시 비용 대비 효율을 고려해 중간 규모 입자 수를 선택하는 것이 합리적이다. 최대 반복 횟수는 Tmax=100, 200, 500을 적용했는데, 200 회 반복이 대부분의 사례에서 충분히 안정된 해를 제공했으며, 500 회에서는 미세한 개선만 존재해 추가 연산 비용이 비효율적이었다.

통계적 검증을 위해 ANOVA와 사후 검정(Tukey)을 수행했으며, 관성 감소와 인지·사회 계수 조합이 성능 차이에 유의미한 영향을 미치는 것으로 확인되었다(p<0.01). 또한, 파라미터 간 상호작용 효과도 존재함을 밝혀, 단일 파라미터 최적화보다 다변량 최적화가 필요함을 강조한다.

결론적으로, 교통망 설계 문제에 PSO를 적용할 때는 (1) 관성 가중치를 초기 고값에서 최종 저값으로 선형 감소시키는 전략, (2) 인지·사회 계수를 1.5:2.5 정도의 비율로 설정해 탐색·활용 균형을 맞추는 것이 가장 효과적이며, (3) 입자 수는 30~50, 최대 반복 횟수는 200 정도가 실용적인 성능·시간 트레이드오프를 제공한다는 실증적 근거를 제공한다. 이러한 파라미터 가이드라인은 향후 대규모 교통망 및 다목적 프로젝트 선택 문제에 PSO 기반 메타휴리스틱을 적용할 때 중요한 설계 기준이 될 것이다.