새로운 환경 변화 탐지를 활용한 동적 다목적 입자 군집 최적화

초록

본 논문은 동적 다목적 최적화 문제에 대해 입자 군집 최적화(PSO)의 장점을 살리면서, 환경 변화 감지를 위한 새로운 탐지 전략을 제안한다. 제안된 Dynamic‑MOPSO는 변화 감지 후 부정적인 적합도 변화를 보인 입자를 재초기화하고, 아카이브를 재평가함으로써 탐색‑활용 균형을 유지한다. FDA, DIMP, dMOP 등 표준 동적 벤치마크에서 수렴성(GD), 다양성(Spread), 초과볼륨(HV) 지표 모두 기존 OMOPSO와 NSGA‑II를 능가하는 성능을 보였다.

상세 분석

Dynamic‑MOPSO는 기존 MOPSO가 정적 환경에 최적화된 구조임을 인식하고, 동적 환경에서 발생하는 파라미터·목표 함수의 시간적 변화를 실시간으로 감지하는 두 단계 전략을 도입한다. 첫 번째 단계인 환경 변화 감지는 일정 주기(t=10)마다 현재 비지배 해(front)와 이전 시점의 적합도 벡터를 재평가한다. 이때, 비지배 해에 포함된 해들의 적합도 변화가 감지되면 ‘변화 발생’ 플래그가 설정된다. 두 번째 단계인 반응 전략은 변화가 확인된 경우, 적합도가 악화된 입자(음의 변화)들을 전부 재초기화하고, 아카이브(리더 집합)를 재평가한다. 이렇게 함으로써 입자들이 지역 최적에 갇히는 현상을 방지하고, 새로운 파라미터 공간에 빠르게 적응한다.

알고리즘 흐름은 전형적인 PSO 업데이트 식(위치 X와 속도 V)과 동일하지만, 가중치 w, 가속계수 c1, c2를 랜덤 범위(0.1‑0.5, 1.5‑2.0)로 설정해 탐색 다양성을 강화한다. 또한, 아카이브 크기(100)와 군집 규모(200)를 크게 잡아 다수의 비지배 해를 유지한다.

동적 최적화 분야에서 흔히 사용되는 네 가지 변화 감지 방식(재평가 기반, 행동 기반, 예측 기반, 무감지) 중, 본 연구는 재평가 기반을 선택했지만, 매 세대마다 전체 비지배 해를 재평가함으로써 추가 함수 평가 비용이 증가한다는 점을 인정한다. 그러나 실험 결과는 이 비용이 성능 향상(특히 HV와 GD에서)으로 충분히 보상됨을 보여준다.

벤치마크 실험에서는 FDA1, DIMP2, dMOP3 등 세 가지 유형의 동적 다목적 문제를 사용했으며, 각 문제에 대해 30번 독립 실행을 수행했다. 성능 평가는 Generational Distance(GD), Spread(Δ), Hyper‑volume(HV) 세 가지 지표로 이루어졌다. 결과표에서 Dynamic‑MOPSO는 GD가 가장 낮고, HV가 가장 높은 값을 기록했으며, 특히 dMOP3에서 HV가 5.24e로 기존 방법보다 2배 이상 향상되었다. 시각화된 파레토 프론트(Figure 2‑4)에서도 제안 방법이 변화 후에도 파레토 전선을 지속적으로 추적하고, 해의 분산을 유지함을 확인할 수 있다.

한계점으로는 변화 감지 주기와 심각도 파라미터(nt, τt) 를 사전에 설정해야 하며, 급격한 변화(심각도 nt → 작은 값)에서는 재평가 비용이 급증할 가능성이 있다. 또한, 제안된 재초기화 전략이 모든 상황에서 최적은 아니며, 입자 수가 매우 큰 경우 재초기화로 인한 수렴 지연이 발생할 수 있다. 향후 연구에서는 적응형 주기 조정, 다중 감지기 결합, 예측 모델 기반 사전 대응 등을 통해 이러한 문제를 보완할 여지가 있다.