우주 궤도 최적화를 위한 인플레이션 차등 진화 알고리즘

초록

본 논문은 인구 집단의 진화를 기술하는 이산 동역학 시스템을 정의하고, 이를 기반으로 차등 진화(Differential Evolution, DE)의 변형을 제안한다. 특정 변이 전략과 목적 함수의 지역 구조에 대한 가정 하에, 제안된 시스템은 무한 세대 동안 확률 1로 수렴하는 고정점을 갖는다. 이를 이용해 표준 DE보다 우주 궤도 최적화 문제에서 우수한 성능을 보이는 알고리즘을 설계하고, 가이드형 재시작 절차를 추가하여 지역 최적함정에 빠질 위험을 감소시킨다.

상세 분석

논문은 먼저 인구 집단을 상태 벡터 x(t)∈ℝⁿ으로 표현하고, 세대 t→t+1 사이의 변화를 x(t+1)=F(x(t),ξ(t)) 형태의 이산 동역학식으로 기술한다. 여기서 ξ(t)는 무작위 변이 연산자를 나타내는 확률 변수이며, F는 차등 진화의 변이·교차·선택 과정을 통합한 매핑이다. 저자들은 변이 전략을 “인플레이션” 형태로 확장한다. 기존 DE의 변이 vi= xr1 + F·(xr2−xr3) 에서, 인플레이션 파라미터 λ(t)≥1을 도입해 vi= xr1 + λ(t)·F·(xr2−xr3) 로 정의함으로써 탐색 범위를 동적으로 확대한다. λ(t)는 세대가 진행될수록 점진적으로 감소하도록 설계되어, 초기에는 넓은 탐색을, 후반에는 미세 조정을 가능하게 한다.

수학적 분석에서는 목적 함수 f가 연속이며, 각 지역 최소점 근처에서 라플라스 근사 형태를 가진다고 가정한다. 이러한 가정 하에, 변이·교차·선택 연산이 마코프 체인으로 모델링될 수 있고, 체인의 전이 행렬이 정규성 및 비감소성을 만족한다는 점을 보인다. 특히, λ(t)·F·(xr2−xr3) 항이 충분히 큰 경우, 상태 공간 전체에 걸쳐 확률적 커버리지를 확보하게 되며, 이는 고정점 집합 S={x*|∇f(x*)=0}에 대한 확률 1 수렴을 보장한다. 저자들은 “무한 세대 수 → 1” 수렴 정리를 정리 1에 명시하고, 증명은 슈뢰더-라인-고든 정리를 활용한다.

알고리즘 구현 단계에서는 고정점에 도달했을 때(즉, 개선이 없을 때) 가이드형 재시작을 수행한다. 재시작은 현재 최적 해를 기준으로 작은 구역을 제외하고, 남은 탐색 공간에서 새로운 초기 집단을 무작위로 생성한다. 이 과정은 “탈출 메커니즘”으로 작동하여, deceptive local minima에 빠지는 확률을 현저히 낮춘다. 실험에서는 저궤도 전이, 저추력 연료 절감 궤도, 그리고 다중 행성 융합 전이와 같은 대표적인 우주 궤도 최적화 문제에 대해 표준 DE, JADE, SHADE와 비교하였다. 인플레이션 DE는 평균 수렴 속도가 30 %~45 % 빠르고, 최종 목표 함수값에서도 5 %~12 % 개선을 기록했다. 가이드형 재시작을 추가한 버전은 특히 복잡한 다중 목표 문제에서 수렴 실패 비율을 0 %→2 % 수준으로 감소시켰다.

결과적으로, 논문은 동적 인플레이션 파라미터와 확률적 고정점 수렴 이론을 결합함으로써, 탐색·활용 균형을 자동 조절하는 차등 진화 변형을 제시한다. 이는 우주 궤도 설계와 같이 고차원·비선형·다중 모드 특성을 갖는 최적화 문제에 매우 유용한 프레임워크가 될 것으로 기대된다.