Pareto 아카이브 다양성 유지 새로운 메커니즘

** 본 연구는 다목적 최적화에서 파레토 프론트의 근접성(convergence)과 분포 균일성(diversity) 사이의 트레이드오프를 해결하고자, µARMOGA라는 마이크로‑유전 알고리즘에 새로운 아카이브 관리 메커니즘을 도입하였다. 기존 NSGA‑II의 crowding distance, SPEA2의 아카이브, PAES의 적응 그리드 등은 다목적 문제에서 특히 3개 이상의 목표가 있을 때 다양성 유지에 한계가 있었다. 이를 보완하기 위해 저자들은 (1) 파레토 우위 판단 후, 아카이브가 포화 상태이면 최소 거리 쌍을 찾아 새 개체가 기존 최소 거리 쌍 중 하나를 대체하거나, (2) 대체가 불가능하면 새 개체와 가장 가까운 기존 개체를 교체하는 두 단계의 보조 결정을 제안한다. 거리 계산은 유클리드 거리이며, 각 개체는 자신의 가장 가까운 이웃을 미리 저장해 O(N) 시간에 최소 거리 쌍을 찾을 수 있다. µARMOGA는 마이크로‑인구(4, 10, 20)에서도 효율적으로 동작하도록 설계되었다. 초기 인구는 라틴 하이퍼큐브 샘플링(LHS)으로 생성하고, 매 세대마다 선택·교배·돌연변이를 수행한다. 범위 적응은 전체 인구 통계량(평균 µ_i, 표준편차 σ_i)을 이용해 탐색 영역을 동적으로 조정하며, σ_i가 사전에 정의된 최소값 σ_min 이하로 떨어지지 않도록 강제한다. 적응 인자 δ는 표준편차 변화가 δ·σ_old보다 클 때만 범위가 조정되도록 하여 과도한 수축을 방지한다. 또한, 지식 기반 재초기화는 아카이브에서 극단값을 가진 두 개체를 무작위로 선택해 새로운 인구를 구성함으로써 탐색 다양성을 확보한다. 실험은 Deb et al.이 제시한 DTLZ1, DTLZ2, DTLZ4 세 가지 3‑목표 테스트 함수에서 수행되었다. 각 함수에 대해 4 000, 20 000, 40 000(또는 DTLZ1은 100 000, 200 000)번의 함수 평가를 제한하고, 제안 알고리즘과 NSGA‑II, SPEA2, IBEA를 비교하였다. 성능 평가는 (i) IGD(Generational Distance) – 파레토 프론트와의 평균 거리, (ii) Spread – 목표 공간에서의 분포 균일성, (iii) Δ-metric 등 세 가지 지표를 사용했다. 결과는 다음과 같다. - 수렴성 측면에서는 제안 알고리즘이 기존 방법들과 동등하거나 약간 우수한 IGD 값을 기록했다. 특히, 인구가 4명일 때도 빠른 수렴을 보이며, 이는 마이크로‑진화가 큰 인구에 비해 평가 횟수를 절감하면서도 목표에 도달할 수 있음을 의미한다. - 다양성 측면에서는 최소 거리 기반 보조 선택이 큰 효과를 발휘했다. Spread와 Δ-metric에서 제안 알고리즘은 다른 세 알고리즘보다 현저히 낮은 값을 보였으며, 특히 DTLZ2와 DTLZ4에서 파레토 프론트 전체에 고르게 퍼진 해 집합을 제공했다. - 인구 규모에 따른 민감도 분석에서는 4명, 10명, 20명 모두에서 안정적인 성능을 유지했으며, 특히 4명 인구에서는 평가 횟수가 적음에도 불구하고 다른 알고리즘에 비해 더 균일한 분포를 얻었다. 아카이브 관리의 복잡도 분석 결과, 새 개체를 추가하거나 기존 개체를 교체하는 과정은 O(N) 시간에 수행되며, 실제 실행에서는 평균적으로 매우 작은 상수 시간만 소요된다. 이는 대규모 아카이브에서도 실시간으로 적용 가능함을 시사한다. 또한, PISA 프레임워크와 달리 µARMOGA와 아카이브 메커니즘을 하나의 프로그램에 통합함으로써 선택‑변이와 아카이브 단계 간의 강한 결합을 허용하고, 마이크로‑진화 환경에서 데이터 흐름을 단순화했다. 결론적으로, 이 논문은 (1) 파레토 우위와 거리 기반 보조 선택을 결합한 새로운 아카이브 전략, (2) 마이크로‑인구에 최적화된 범위 적응 및 지식 기반 재초기화, (3) 실험을 통한 수렴·다양성 동시 향상 입증이라는 세 가지 주요 기여를 제시한다. 제안된 메커니즘은 작은 인구에서도 빠른 수렴과 고른 분포를 동시에 달성할 수 있어, 제한된 평가 비용이 중요한 실세계 다목적 설계 문제에 유용하게 적용될 수 있다. **