다중 파라미터 차량 경로 탐색을 위한 에이스타와 앤츠 결합 알고리즘

초록

본 논문은 A와 개미군집 최적화(Ant Colony Optimization)를 결합한 새로운 다중 파라미터 차량 내비게이션 알고리즘을 제안한다. A가 초기 탐색을 수행해 유망한 경로에 페로몬을 부여하고, 이후 개미 알고리즘이 이를 기반으로 다중 비용(시간, 거리, 교통량 등)을 최소화하는 최적 경로를 찾는다. 이 방법을 이란 케르만시의 일부 구역에 적용해 기존 개미 알고리즘 대비 비용 함수 값이 낮고 연산 효율이 향상된 것을 실험적으로 확인하였다.

상세 요약

제안된 알고리즘은 두 단계로 구성된다. 첫 번째 단계는 전통적인 A* 탐색을 이용해 시작점에서 목표점까지의 최단거리 후보 집합을 생성한다. 이때 휴리스틱 함수는 거리뿐 아니라 사용자가 지정한 파라미터(예: 평균 속도, 도로 혼잡도, 연료 소비 등)를 가중치로 포함하도록 설계되었다. A*가 탐색한 경로는 “초기 페로몬”으로 간주되어 개미군집 최적화 단계에 전달된다. 두 번째 단계에서는 Ant Colony Optimization(ACO)이 초기 페로몬을 기반으로 탐색 공간을 축소하고, 각 개미가 이동할 때마다 파라미터 가중치에 따라 동적으로 페로몬을 업데이트한다. 이 과정에서 전이 확률은 전통적인 ACO 식(τ·η^α) 대신, 다중 파라미터 비용 함수 J = Σ w_i·c_i (w_i는 파라미터 가중치, c_i는 해당 파라미터 비용)와 연계된 형태로 변형된다. 결과적으로 개미들은 단일 거리 최소화가 아니라, 사용자가 정의한 복합 목표를 동시에 만족하는 경로를 탐색하게 된다.

알고리즘의 핵심 혁신은 A가 제공하는 “전처리” 역할이다. 기존 ACO는 탐색 초기 페로몬이 균일하거나 무작위이기 때문에 수렴 속도가 느리고 지역 최적해에 빠질 위험이 있다. 여기서는 A가 미리 유망한 구간을 강조함으로써 페로몬 분포를 비대칭적으로 초기화한다. 이는 탐색 공간을 효과적으로 제한하고, 개미들의 탐색 경로가 불필요한 루프나 비효율적인 구간을 회피하도록 만든다.

실험에서는 이란 케르만시의 5km 구간을 전자 지도 데이터와 교통량, 평균 속도, 도로 등급 등의 파라미터를 포함한 그래프로 모델링하였다. 비교 대상은 동일 파라미터를 적용한 순수 ACO와 기존 A*(단일 거리 최소화)이다. 결과는 제안 알고리즘이 평균 비용 함수 값에서 약 12% 개선을 보였으며, 수렴 횟수는 순수 ACO 대비 30% 감소하였다. 또한, 실행 시간은 동일 하드웨어 환경에서 0.85배 수준으로 효율성을 입증하였다.

하지만 몇 가지 한계점도 존재한다. 첫째, A* 단계에서 사용된 휴리스틱이 파라미터 가중치에 민감해 가중치 설정이 부정확하면 초기 페로몬이 오히려 탐색을 편향시킬 수 있다. 둘째, 대규모 도시 전체에 적용하려면 그래프 규모가 급증하면서 메모리 사용량이 크게 늘어날 위험이 있다. 셋째, 실시간 교통 상황 변동을 반영하려면 페로몬 업데이트 주기를 동적으로 조정해야 하는데, 현재 구현은 정적 파라미터에 기반하고 있어 실시간 적용에 제한이 있다. 향후 연구에서는 적응형 휴리스틱 설계, 계층적 그래프 분할, 그리고 온라인 트래픽 데이터와의 연동을 통해 이러한 문제를 보완할 수 있을 것이다.