진화 알고리즘의 표적 변동 저항성 연구

초록

본 논문은 진화 알고리즘이 목표 개념이 서서히 변하는(드리프트) 상황에서도 정확도 1‑ε를 유지하도록 하는 ‘드리프트 저항성’ 개념을 정의하고, 모든 진화 알고리즘을 해당 특성을 갖도록 변환하는 방법을 제시한다. 특히 불린 합성(conjunction)과 선형 구분자(linear separator)에 대해 구체적인 드리프트 허용률을 분석하고, 구형 대칭 분포와 일반적인 곱 정규분포 하에서 각각 O(ε/n) 및 더 작은 비율의 드리프트를 견딜 수 있는 새로운 진화 알고리즘을 설계한다. 또한, 성능이 시작점 이하로 크게 떨어지지 않는 ‘준단조(quasi‑monotonic)’ 진화 알고리즘으로 변환하는 보강 결과도 제공한다.

상세 분석

논문은 먼저 Valiant(2007,2009)의 진화 모델을 기반으로, 목표 함수가 시간에 따라 작은 양만큼 변하는 ‘드리프트’ 상황을 정량화한다. 드리프트 저항성은 두 가지 조건으로 정의된다. 첫째, 드리프트 속도가 역다항식(예: O(εⁿ)) 이하일 때, 알고리즘이 다항 시간·표본 복잡도로 정확도 1‑ε에 수렴한다. 둘째, 수렴 후에는 매 순간 ε 이하의 확률로만 정확도가 떨어지며, 그 외에는 지속적으로 1‑ε 수준을 유지한다. 이 정의는 기존 진화 이론이 정적 목표에만 초점을 맞췄던 한계를 극복한다는 점에서 의미가 크다.

핵심 변환 기법은 Feldman(2008)의 상관 질의(Correlational Query, CQ) 프레임워크이다. CQ는 후보 가설과 현재 목표 사이의 상관관계를 추정하는 질의를 허용하며, 이를 통해 진화 단계에서 ‘돌연변이’가 실제로 목표와 얼마나 부합하는지를 정량적으로 판단한다. 논문은 모든 기존 진화 알고리즘을 CQ 기반의 변형으로 바꾸면, 드리프트가 일정 이하일 때 자동으로 저항성을 획득한다는 일반 정리를 증명한다. 이 과정에서 변이 연산자는 기존 변이 집합에 추가적인 ‘보정 변이’를 삽입해, 목표가 변했을 때도 이전에 학습한 방향을 유지하도록 설계된다.

구체적인 사례 분석에서는 불린 합성(conjunction) 진화 알고리즘을 대상으로, 드리프트 속도가 O(ε/ log n) 정도까지 허용됨을 보인다. 이는 기존 결과보다 훨씬 큰 드리프트를 견딜 수 있음을 의미한다. 이어서 선형 구분자(linear separator) 문제에 대해 두 가지 분포를 고려한다. 첫 번째는 구형 대칭(spherically symmetric) 분포이며, 여기서는 드리프트 속도가 O(ε/n)까지 허용되는 새로운 진화 알고리즘을 제시한다. 알고리즘은 무작위 회전 변이를 이용해 가중치 벡터를 점진적으로 조정하고, CQ를 통해 현재 가중치와 목표 사이의 내적을 추정한다. 두 번째는 각 차원이 독립적인 정규분포(product normal)이며, 이 경우에는 더 작은 드리프트 비율(O(ε/√n) 이하)만을 보장하지만, 보다 일반적인 데이터 모델에 적용 가능하다.

마지막으로, 기존 진화 알고리즘은 초기 성능보다 크게 떨어지는 ‘성능 퇴보’ 현상이 발생할 수 있었다. 이를 해결하기 위해 논문은 ‘준단조(quasi‑monotonic)’ 변환을 제시한다. 변환된 알고리즘은 매 단계에서 현재 가설의 성능이 이전 단계보다 크게 감소하지 않도록, 성능이 떨어지는 변이는 거부하고 대체 변이를 선택한다. 이 보강은 드리프트 저항성 증명에 영향을 주지 않으면서도, 실용적인 적용 시 안정성을 크게 향상시킨다. 전체적으로, 이 연구는 진화 알고리즘의 이론적 견고성을 크게 확장하고, 동적 환경에서도 신뢰할 수 있는 학습 메커니즘을 제공한다.