동적 환경에서 개미와 박테리아의 계산화학주성

초록

본 논문은 개미 군집 지능(SSA)과 인공 박테리아 탐색(BFOA) 알고리즘을 비교하여, 동적이고 다중모드인 De Jong 테스트 함수에서의 최적화 성능을 평가한다. 두 알고리즘 모두 스티그머지 기반의 자가조직화 메커니즘을 활용하지만, SSA는 개미의 페로몬 경로와 탐색‑수집 행동을 모방해 급격한 환경 변화에 빠르게 적응한다. 실험 결과 SSA가 적응 속도와 추적 정확도에서 BFOA를 능가함을 보여, 복합적인 목표를 동시에 수행해야 하는 상황에서도 안정적인 집단 지능을 발휘한다는 점을 강조한다.

상세 분석

이 연구는 화학주성(chemotaxis)을 메타포로 삼아 두 종류의 스티그머지 기반 집단 지능 모델을 설계·비교한다. 첫 번째 모델인 SSA(Swarm Search Algorithm)는 개미 군체가 페로몬을 통해 경로를 표시하고, 개별 개미가 탐색‑수집(탐색-수확) 사이클을 반복하면서 전역 최적해를 추적한다. 페로몬 증감 규칙은 환경의 농도 변화에 비례하도록 설계돼, 급격한 목표 이동에도 잔류 페로몬이 빠르게 소멸하고 새로운 경로가 즉시 강화된다. 두 번째 모델인 BFOA(Artificial Bacterial Foraging Algorithm)는 박테리아가 영양소 농도 구배를 따라 이동하고, 세포 분열·소멸을 통해 탐색 영역을 확대·축소하는 과정을 수학적으로 구현한다. BFOA는 화학주성의 ‘러닝’ 단계와 ‘스위핑’ 단계를 모방하지만, 페로몬과 같은 외부 매개체가 없으므로 환경 변화에 대한 반응이 상대적으로 느리다. 논문은 두 알고리즘을 De Jong 테스트 스위트의 6가지 함수(F1~F6)와 동적 변형 버전(시간에 따라 목표 위치와 형태가 변함)에서 실험한다. 실험 설계는 동일한 초기 개체 수, 동일한 연산 예산(세대 수·함수 평가 횟수) 하에 수행돼 공정성을 확보한다. 결과는 SSA가 평균 수렴 시간과 최적값 오차 면에서 BFOA보다 현저히 우수함을 보여준다. 특히, 환경이 급변하거나 동시에 두 개의 상반된 목표(예: 최소화와 최대화)를 부여받을 때 SSA는 페로몬 재배치를 통해 빠르게 새로운 최적 경로를 재구성한다. 반면 BFOA는 기존의 탐색 궤적을 유지하려는 경향이 강해, 적응 지연과 지역 최적에 머무르는 현상이 빈번히 관찰된다. 또한, SSA는 개미 개체 간의 간단한 로컬 규칙(페로몬 증감, 무작위 탐색)만으로도 복잡한 전역 행동을 구현할 수 있음을 입증한다. 이는 스티그머지 기반 집단 지능이 복합적·동적 최적화 문제에 적합한 설계 원칙임을 시사한다.