유전 알고리즘과 시뮬레이티드 어닐링을 활용한 최적 경로 선택 비교

초록

본 논문은 인지 라우터의 QoS 학습 모듈을 입력으로 하여, 네트워크에서 송신자와 수신자 사이의 최적 경로를 찾는 두 메타휴리스틱 기법, 유전 알고리즘(GA)과 시뮬레이티드 어닐링(SA)을 비교한다. GA는 다중점 교차와 돌연변이를 통해 대역폭을 최대화하고 경로 길이를 최소화하는 최적 경로와 대체 경로를 도출하며, SA는 온도 감소 스케줄에 따라 무작위 탐색을 수행한다. 실험 결과 GA는 반복 횟수가 증가할수록 최단 경로 수렴 확률이 크게 향상되는 반면, SA는 반복 횟수와 관계없이 수렴 성능이 크게 변하지 않는다.

상세 요약

이 연구는 네트워크 라우팅 문제를 메타휴리스틱 최적화 문제로 모델링하고, 두 대표적인 알고리즘인 유전 알고리즘(GA)과 시뮬레이티드 어닐링(SA)을 직접 비교함으로써 학술적·실무적 의미를 동시에 제공한다. 먼저 입력 데이터로 사용된 ‘학습 모듈’은 네 개의 QoS 파라미터(대역폭, 지연, 손실률, 가용성)를 고려한 가중치 기반 평가 함수로 설계된 것으로 보이며, 이는 라우터가 실시간 트래픽 상황을 반영해 경로 후보를 생성하도록 돕는다. GA에서는 각 노드를 유전자로 간주하고, 전체 토폴로지를 N개의 유전자로 구성한 ‘개체’를 초기 집단으로 만든다. 다중점 교차는 경로의 중간 구간을 교환함으로써 새로운 경로를 탐색하고, 돌연변이는 랜덤하게 노드 교체 혹은 경로 재배열을 수행해 탐색 공간을 넓힌다. 이러한 연산은 전통적인 GA의 탐색·활용 균형을 유지하면서도 네트워크 특성상 경로 순환이나 비연결성을 방지하기 위한 제약 조건을 추가했을 가능성이 있다. 반면 SA는 초기 온도와 냉각 스케줄을 설정하고, 현재 경로에서 임의의 변형(예: 한 노드 교체, 경로 뒤집기)을 시도한다. 변형된 경로가 기존보다 좋은 경우 무조건 채택하고, 나쁜 경우에도 온도에 비례한 확률로 채택한다. 여기서 핵심은 ‘온도 감소 함수’가 충분히 느리게 설계되지 않으면 탐색이 조기에 수렴해 전역 최적해를 놓칠 위험이 있다는 점이다. 논문에서는 SA의 반복 횟수가 결과에 큰 영향을 미치지 않았다고 보고했는데, 이는 온도 스케줄이 급격히 감소했거나, 변형 연산이 지나치게 제한적이었을 가능성을 시사한다. 실험 설정에서는 토폴로지 규모를 제한된 N노드(예: 20~30개)로 고정하고, 대역폭 최대화와 경로 길이 최소화를 동시에 최적화 목표로 삼았다. 다중 목표를 단일 적합도 함수로 결합했는지, 혹은 파레토 프론티어를 활용했는지는 명확히 언급되지 않아, 결과 해석에 약간의 불확실성이 남는다. 결과 분석에서는 GA가 반복 횟수가 증가함에 따라 ‘최단 경로 수렴 확률’이 현저히 상승하는 반면, SA는 반복 횟수와 무관하게 일정 수준에 머무른다고 주장한다. 이는 GA가 탐색 공간을 체계적으로 확장·축소하면서 좋은 해를 지속적으로 재조합하는 반면, SA는 무작위 탐색에 의존해 지역 최적에 머무를 가능성이 높다는 전형적인 메타휴리스틱 특성을 잘 보여준다. 다만, 실험이 제한된 토폴로지와 고정된 파라미터 설정에 기반했기 때문에, 대규모 실시간 네트워크 환경에서의 확장성 및 연산 지연에 대한 논의가 부족하다. 또한 GA와 SA 모두 병렬화가 가능함에도 불구하고, 구현 상세와 실행 시간 비교가 누락돼 실제 라우터 적용 가능성을 평가하기엔 정보가 부족하다. 전반적으로 이 논문은 두 알고리즘의 기본 메커니즘을 네트워크 라우팅에 적용한 사례를 제공하고, GA가 경로 최적화에 더 적합함을 실험적으로 입증했지만, 파라미터 튜닝, 스케일링, 실시간 제약 조건 등에 대한 심층 분석이 추가된다면 연구 가치를 크게 높일 수 있을 것이다.