입자 군집 최적화로 강화한 개미 군집 시스템 파라미터 튜닝

초록

본 논문은 대칭 TSP 해결에 널리 쓰이는 개미 군집 시스템(ACS)의 성능을 결정하는 핵심 파라미터들을 입자 군집 최적화(PSO)로 자동 탐색한다. 단일 TSP 인스턴스에 대해 PSO‑ACS 하이브리드 알고리즘을 적용해 최적 파라미터와 최적 해를 도출하고, 여러 인스턴스에 대한 파라미터 집합을 분석해 인스턴스 특성과의 상관관계를 조사한다. 실험 결과, 단일 인스턴스에서는 높은 품질의 해를 얻었으나 계산 시간이 크게 늘었으며, 일부 파라미터 조합이 다수 인스턴스에 대해 일반적으로 우수함을 확인하였다.

상세 분석

본 연구는 ACS가 TSP와 같은 조합 최적화 문제에서 뛰어난 탐색 능력을 보이지만, 페로몬 증발률(ρ), 탐색‑활용 균형 파라미터(α, β), 선택 임계값(q₀) 등 여러 하이퍼파라미터를 경험적으로 설정해야 하는 한계를 지적한다. 이를 해결하기 위해 입자 군집 최적화(PSO)를 메타 최적화 도구로 채택하였다. PSO 입자는 각 파라미터를 연속형 실수값으로 매핑한 5차원 벡터를 탐색 공간으로 정의하고, 각 입자의 위치는 해당 파라미터 조합을 의미한다. 적합도 함수는 해당 파라미터 집합을 사용해 ACS를 실행한 후 얻은 최단 경로 길이와 실행 시간을 가중합한 형태로 설계했으며, 경로 길이에 높은 가중치를 부여해 해의 품질을 우선시하였다.

실험은 TSPLIB에서 추출한 10개의 대칭 TSP 인스턴스를 대상으로 수행되었다. 첫 번째 단계에서는 각 인스턴스별로 독립적인 PSO‑ACS 하이브리드를 실행해 최적 파라미터와 최적 해를 찾았다. 두 번째 단계에서는 얻어진 파라미터 집합을 군집 분석(K‑means)과 상관 분석을 통해 인스턴스 특성(도시 수, 좌표 분포, 밀도 등)과 연관시켰다. 결과는 다음과 같다.

1. 해 품질: 단일 인스턴스 실험에서 PSO가 도출한 파라미터를 사용한 ACS는 기존 문헌에서 보고된 기본 파라미터 대비 평균 1.2 % 정도 더 짧은 경로를 찾았다. 특히 도시 수가 200 이하인 작은 인스턴스에서 개선 효과가 두드러졌다.
2. 계산 비용: PSO‑ACS는 파라미터 탐색 과정에서 ACS를 수백 번 반복 실행해야 하므로 전체 실행 시간이 기존 ACS 대비 8배 이상 증가했다. 이는 메타 최적화 단계의 연산 부담이 주요 병목임을 의미한다.
3. 파라미터 패턴: 분석 결과, ρ와 q₀는 대부분의 인스턴스에서 0.1 ~ 0.3, 0.7 ~ 0.9 구간에 몰려 있었으며, α와 β는 도시 수가 많을수록 α를 낮추고 β를 높이는 경향을 보였다. 이는 탐색‑활용 균형이 문제 규모에 따라 달라진다는 기존 가설을 실증적으로 뒷받침한다.
4. 범용 파라미터 집합: 몇몇 파라미터 조합(예: α=0.8, β=2.0, ρ=0.2, q₀=0.85)은 70 % 이상의 인스턴스에서 최적에 근접한 성능을 기록했으며, 이는 “범용 파라미터” 개념을 제시한다.

한계점으로는 (1) 높은 계산 비용으로 인해 실시간 혹은 대규모 문제에 바로 적용하기 어려움, (2) 파라미터 탐색 범위를 사전에 제한했기 때문에 전역 최적을 놓쳤을 가능성, (3) 인스턴스 특성 분석이 좌표 분포 외에 그래프 구조적 특징을 충분히 반영하지 못했다는 점을 들 수 있다. 향후 연구에서는 (i) 멀티스레드·GPU 기반 PSO 가속, (ii) 적응형 파라미터 스케줄링을 통한 동적 조정, (iii) 더 다양한 인스턴스 특성을 포함한 메타 모델 구축을 제안한다.

전반적으로 본 논문은 메타 최적화 기법인 PSO를 활용해 ACS 파라미터를 체계적으로 조정함으로써 해의 품질을 향상시킬 수 있음을 입증했으며, 파라미터와 문제 특성 간의 관계를 정량적으로 분석한 점에서 학술적·실용적 의의를 가진다.