꿀벌 군집지능 알고리즘으로 풀어내는 난해 최적화

초록

본 논문은 자연의 꿀벌 군집 행동을 모방한 두 가지 휴리스틱 알고리즘을 소개하고, 각각의 변형 및 하이브리드 버전을 설계한다. 다양화와 집중화 메커니즘을 조절하여 난이도가 높은 수치 최적화 벤치마크를 실험한 결과, 제안된 변형 및 하이브리드 알고리즘이 기존 꿀벌 알고리즘보다 우수한 성능을 보였다.

상세 요약

논문은 먼저 군집지능(Swarm Intelligence)의 핵심 원리인 ‘다양화(diversification)’와 ‘집중화(intensification)’의 균형을 강조한다. 이를 위해 자연 꿀벌 군집에서 관찰되는 탐색(탐색자)과 수집(채집자) 행동을 모델링한 두 알고리즘, 즉 Artificial Bee Colony(ABC)와 Bee Colony Optimization(BCO)을 선택하였다. 기존 알고리즘은 탐색 단계에서 무작위 위치 선택과 주변 이웃의 정보를 활용하지만, 고차원·다중모드 문제에서는 지역 최적에 빠지기 쉬운 구조적 한계가 있다.

이에 저자들은 첫 번째 변형으로 ‘동적 탐색 반경 조절(Dynamic Search Radius)’을 도입하였다. 탐색자 개체가 현재 최적 해와의 거리 및 적응도 변화를 실시간으로 모니터링하여 탐색 반경을 확대·축소함으로써, 초기에는 넓은 탐색 영역을 확보하고 후반부에는 집중 탐색을 강화한다. 두 번째 변형은 ‘적응형 채집자 비율(Adaptive Forager Ratio)’이다. 채집자 개체 비율을 현재 전체 적응도 분포와 진화 속도에 따라 동적으로 조정하여, 탐색·집중 단계 간 전환을 부드럽게 만든다.

하이브리드 버전은 위 두 변형을 결합하고, 추가적으로 ‘교차 교환(Crossover Exchange)’ 메커니즘을 도입한다. 이는 서로 다른 서브스웜(탐색자 서브스웜, 채집자 서브스웜) 간에 우수 해를 교환하는 과정으로, 정보 흐름을 촉진하고 다중모드 함수를 효과적으로 탐색한다. 실험에서는 CEC‑2017 및 CEC‑2020과 같은 최신 고난이도 벤치마크 함수를 사용했으며, 변형 및 하이브리드 알고리즘은 평균 최적값, 표준편차, 수렴 속도 측면에서 기존 ABC와 BCO 대비 통계적으로 유의미한 개선을 보였다. 특히 30차원 및 50차원 문제에서 하이브리드 알고리즘은 최적해에 5~12% 가까운 오차 감소를 기록하였다.

또한 저자들은 알고리즘 복잡도 분석을 통해, 동적 탐색 반경과 적응형 채집자 비율이 추가 연산을 요구하지만, 전체 실행 시간은 여전히 O(N·D) 수준(여기서 N은 개체 수, D는 차원)으로 실용적인 범위에 머무른다고 주장한다. 마지막으로, 다양한 파라미터 설정에 대한 민감도 분석을 수행해 제안된 메커니즘이 파라미터 의존성을 크게 낮추어, 실제 응용 분야에서 튜닝 비용을 절감할 수 있음을 입증하였다.