분산형 인구 전환 진화 알고리즘을 통한 잡음 환경 최적화

초록

**
본 논문은 잡음이 섞인 적합도 함수를 가진 실세계 최적화 문제를 해결하기 위해, 인구를 여러 개의 가상 서브그룹(의사집단)으로 분산시키고 필요 시 전체 인구를 재구성하는 DPSEA(Distributed Population Switching Evolutionary Algorithm)를 제안한다. 각 의사집단에서는 로컬 회귀를 이용해 적합도를 추정함으로써 평가 비용과 노이즈 영향을 최소화한다. 벤치마크 테스트 결과, 기존 방법에 비해 견고성과 정확도가 현저히 향상된 것으로 확인되었다.

**

상세 분석

**
진화 알고리즘은 복잡한 탐색 공간을 효율적으로 탐색할 수 있지만, 적합도 평가에 잡음이 포함되면 선택 압력이 왜곡되고 수렴 속도가 급격히 저하된다. 기존 연구는 변이율을 인위적으로 높이는 하이퍼뮤테이션, 무작위 이민자 도입, 특수 연산자 적용 등으로 다양성을 강화하거나, 이중형(diploidy) 구조, 사례 기반 메모리 등으로 과거 정보를 보존하려 시도하였다. 그러나 이러한 방법들은 잡음에 대한 근본적인 적합도 추정 문제를 해결하지 못하고, 연산 비용이 크게 증가하거나 파라미터 설정에 민감한 단점을 가진다.

DPSEA는 이러한 한계를 극복하기 위해 두 가지 핵심 메커니즘을 도입한다. 첫째, 전체 인구를 여러 개의 의사집단으로 분산시켜 각 서브그룹이 독립적으로 진화하도록 함으로써 ‘분산형 자기 적응 메모리’를 구현한다. 이는 특정 서브그룹이 지역 최적에 머무를 경우 다른 서브그룹이 다른 영역을 탐색하도록 유도해 전역 탐색 능력을 유지한다. 둘째, 일정 세대마다 전체 인구를 재통합(switching)하고, 재분할 과정을 통해 새로운 의사집단 구성을 만든다. 이 전환 과정은 잡음으로 인해 잘못된 적합도 추정이 누적되는 것을 방지하고, 탐색 방향을 재조정한다.

각 의사집단 내부에서는 로컬 회귀(예: 다항식 회귀)를 이용해 개별 개체의 실제 적합도를 추정한다. 회귀 모델은 최근 몇 세대의 평가값을 기반으로 학습되며, 잡음이 큰 경우에도 평균적인 경향을 파악해 보다 안정적인 선택 압력을 제공한다. 이렇게 하면 실제 시뮬레이션이나 실험을 통한 비용이 높은 평가를 최소화하면서도, 잡음에 강인한 적합도 추정이 가능해진다.

실험에서는 대표적인 연속형 벤치마크 함수(Rastrigin, Rosenbrock, Sphere 등)에 가우시안 잡음을 추가한 변형을 사용했으며, DPSEA를 기존의 하이퍼뮤테이션 EA, 랜덤 이민자 EA, 그리고 사례 기반 메모리 EA와 비교하였다. 결과는 평균 최적값, 표준편차, 수렴 속도 측면에서 DPSEA가 일관되게 우수함을 보여준다. 특히 잡음 수준이 높아질수록 다른 알고리즘은 성능이 급격히 저하되는 반면, DPSEA는 비교적 완만한 성능 감소를 보였다. 이는 분산된 의사집단과 로컬 회귀가 잡음에 대한 내성을 효과적으로 제공한다는 증거이다.

이와 같이 DPSEA는 잡음이 존재하는 동적 환경에서도 탐색 효율성을 유지하면서 연산 비용을 절감하는 구조적 장점을 갖는다. 다만, 의사집단 수와 전환 주기 등 몇몇 하이퍼파라미터가 문제 특성에 따라 민감하게 작용할 수 있어, 자동 튜닝 메커니즘이 추가된다면 더욱 실용적인 시스템이 될 것으로 기대된다.

**