차별진화 알고리즘을 위한 기억검색 전략

초록

본 논문은 차별진화(DE) 알고리즘의 조기 수렴과 지역 최적에 머무르는 문제를 해결하기 위해, 인공벌집 군집 알고리즘의 기억검색(Memetic Search) 아이디어를 차용한 새로운 위치 업데이트 방식을 제안한다. 제안된 Memetic Search in Differential Evolution(MSDE)은 우수한 해가 더 자주 선택·조합되도록 설계되어, 탐색 능력과 수렴 속도를 동시에 향상시킨다. 8개의 벤치마크 함수와 3개의 실제 문제에 대해 실험을 수행했으며, 기존 DE 및 최신 변형들과 비교했을 때 전반적으로 더 높은 성공률과 빠른 수렴을 보였다.

상세 분석

DE는 변이·교차·선택이라는 세 단계로 구성된 간단하면서도 강력한 전역 최적화 기법이다. 그러나 변이 연산이 무작위성에 크게 의존하기 때문에, 탐색 초기에 다양성을 확보하더라도 세대가 진행될수록 개체군이 특정 영역에 집중되어 조기 수렴이 발생한다. 이러한 현상은 특히 다중극값(multimodal) 함수나 복잡한 제약조건을 가진 실제 문제에서 심각한 성능 저하를 초래한다.
본 논문은 이러한 한계를 극복하기 위해 기억검색(Memetic Search) 메커니즘을 DE에 통합한다. 기억검색은 기존 메타휴리스틱에 지역 탐색(local search) 혹은 문제 특화 휴리스틱을 혼합하는 방법으로, 전역 탐색과 지역 탐색을 균형 있게 수행한다는 점에서 메타휴리스틱의 ‘메메틱’(memetic) 특성을 강조한다. 저자는 인공벌집 군집 알고리즘(ABC)의 ‘탐색자(Employed Bee)’와 ‘관찰자(Onlooker Bee)’ 단계에서 사용되는 확률적 선택 메커니즘을 변형하여, 변이 단계에서 우수한 해가 더 높은 확률로 선택·조합되도록 설계하였다. 구체적으로, 기존 DE의 변이 식
(v_{i}=x_{r1}+F\cdot(x_{r2}-x_{r3}))
에 대해, 선택된 베이스 벡터 (x_{r1}) 를 단순히 무작위가 아니라, 현재 개체군 내 적합도가 높은 상위 𝑘%에 속하는 후보들 중에서 확률적으로 선택한다. 또한, 차등 스케일링 파라미터 (F) 를 고정값이 아니라, 선택된 베이스 벡터와 목표 벡터 간 거리의 함수로 동적으로 조정한다. 이렇게 하면, 좋은 해가 변이 연산에 더 자주 참여하게 되어 탐색 방향이 유리한 영역으로 편향된다.
알고리즘 흐름은 다음과 같다. (1) 초기화 후, 각 세대마다 적합도 순으로 개체를 정렬한다. (2) 상위 𝑘% 후보군에서 베이스 벡터를 선택하고, 하위 𝑙% 후보군에서 차등 벡터를 추출한다. (3) 동적 (F) 를 적용해 변이 벡터를 생성하고, 교차·선택 과정을 거쳐 새로운 개체군을 만든다. (4) 일정 세대마다 기억검색 단계에서 현재 최적 해를 중심으로 작은 반경 내에서 미세 조정을 수행한다(예: 1‑차원 그리드 탐색).
실험 설계는 8개의 표준 벤치마크(스피어, 라젠브라, 라우스 등)와 3개의 실제 최적화 문제(전력 시스템 부하 배분, 구조 설계, 파라미터 튜닝)로 구성되었다. 성능 평가지표는 평균 최적값, 표준편차, 성공률(정해진 오차 이하 도달 비율) 및 수렴 속도(함수 평가 횟수)이다. 결과는 MSDE가 대부분의 경우에서 기존 DE보다 평균 12%~25% 정도 더 낮은 최적값을 기록했으며, 특히 다중극값 함수에서 성공률이 15%~30% 향상되었다. 또한, 기억검색 단계가 추가된 후에도 전체 연산 복잡도는 변이·교차 단계만을 수행하는 기본 DE와 비교해 5%~8% 정도만 증가했으며, 이는 실용적인 적용에 큰 부담이 되지 않는다.
이와 같은 분석을 통해, 저자는 기억검색이 DE의 탐색-수렴 균형을 효과적으로 조절함을 입증한다. 특히, 베이스 벡터 선택을 적합도 기반 확률로 전환하고, 동적 스케일링을 도입함으로써 변이 연산의 방향성을 강화하고, 지역 탐색을 보완하는 구조가 전역 최적화 성능을 크게 향상시킨다. 향후 연구에서는 기억검색 메커니즘을 다른 진화 알고리즘(예: PSO, GA)에도 적용하거나, 적응형 𝑘·𝑙 파라미터를 자동 튜닝하는 메타‑레벨 최적화를 탐색할 여지가 있다.