스웜 인텔리전스의 사회적 상호작용을 네트워크 과학으로 해석

초록

본 논문은 스웜 기반 알고리즘을 ‘상호작용 네트워크’라는 네트워크 과학적 프레임워크로 통합·분석한다. 네트워크의 정점은 개체, 간선은 개체 간 영향력을 나타내며, 시간에 따라 동적으로 변한다. 저자는 네 가지 대표적인 스웜 알고리즘(ABC, ACO, PSO, FSS)을 사례로 들어 네트워크 구조를 정의하고, 특히 PSO를 상세히 분석해 사회적 상호작용이 탐색·수렴 행동에 미치는 영향을 보여준다. 이를 통해 알고리즘 별 메커니즘을 메타 수준에서 비교하고, 스웜 지능의 본질을 ‘사회적 연결성’으로 규명한다.

상세 분석

논문은 스웜 인텔리전스 연구에서 공통된 ‘사회적 상호작용’이라는 메타 개념을 발견하고, 이를 정량화하기 위해 ‘상호작용 네트워크(I(t))’를 제안한다. I(t)의 정점은 스웜의 개체(입자, 개미, 물고기 등)이며, 방향성 가중치 간선 Iij(t)는 개체 i가 개체 j의 행동에 미치는 영향을 수치화한다. 이러한 정의는 알고리즘의 구체적 메커니즘(예: 페로몬 증폭, 베스트 입자 추적 등)과 무관하게 네트워크 구조만을 추출하므로, 서로 다른 영감(개미, 새, 물고기 등)을 가진 알고리즘을 동일한 차원에서 비교할 수 있다.

저자는 먼저 Mamei et al.가 제시한 정보 흐름·사용·정의의 3‑차원 프레임워크를 차용해 각 알고리즘의 ‘정보 정의’를 파악한다. 예를 들어 ABC에서는 성공적인 해를 ‘꽃꿀’이라 정의하고, 성공한 개체가 주변 개체에 더 큰 확률로 영향을 미치게 된다. ACO는 페로몬 농도를 정보 정의로 삼아, 높은 농도 경로가 다른 개미의 이동을 유도한다. PSO는 전역·지역 최적 위치를 정보 정의로 삼아 입자들이 해당 위치를 향해 속도를 조정한다. FSS는 물고기의 위치와 속도를 기반으로 군집 내 ‘리더’ 물고기가 주변 물고기의 방향을 바꾸는 방식이다.

각 알고리즘에 대해 I(t) 를 구축하는 구체적 절차는 다음과 같다. (1) 개체 간 성공도(피트니스) 차이를 정규화하고, (2) 성공도가 높은 개체에 대한 영향력 가중치를 부여하며, (3) 시간 단계마다 업데이트한다. 이렇게 얻어진 네트워크는 정점 중심성(허브), 브리지(다중 군집 연결), 군집 계수(서브네트워크) 등 전통적인 네트워크 지표를 통해 분석된다.

특히 PSO 사례 연구에서는 시간에 따른 네트워크 밀도와 평균 경로 길이, 클러스터링 계수를 추적함으로써 탐색‑수렴 전이를 정량화한다. 초기 단계에서는 높은 네트워크 밀도와 낮은 평균 경로 길이가 관측되어, 입자 간 강한 상호작용으로 전역 탐색이 활발히 이루어짐을 의미한다. 반면 최적화가 진행될수록 네트워크는 점차 희소해지고, 몇몇 허브 입자가 중심이 되어 수렴이 가속화된다. 이러한 동적 변화를 시각화한 결과는 기존 PSO 성능 분석에서 흔히 놓치던 ‘사회적 구조 변화’를 명확히 드러낸다.

논문의 주요 기여는 (i) 스웜 알고리즘을 메타 수준에서 비교할 수 있는 일반화된 네트워크 모델을 제시한 점, (ii) 네트워크 지표를 통해 알고리즘의 탐색·수렴 특성을 정량적으로 설명한 점, (iii) 알고리즘 설계 시 사회적 연결성(예: 허브 비율, 브리지 수) 조절이 성능 향상에 직접적인 영향을 미칠 수 있음을 시사한 점이다. 향후 연구에서는 상호작용 네트워크를 기반으로 자동화된 알고리즘 튜닝, 새로운 메타휴리스틱 설계, 그리고 실제 로봇 군집 제어 등에 적용할 가능성을 열어준다.