고양이 군집 최적화 알고리즘 종합 조사와 성능 평가

초록

본 논문은 고양이 군집 최적화(CSO) 알고리즘의 전반적인 연구 동향을 정리하고, 23개의 고전 벤치마크와 CEC‑2019 10개 최신 벤치마크를 이용해 성능을 실험한다. 실험 결과는 최신 메타휴리스틱인 Dragonfly, Butterfly, Fitness Dependent Optimizer와 비교했으며, Friedman 검정 및 추가 통계 분석을 통해 CSO가 전반적으로 우수함을 입증한다. 또한 CSO의 변형·하이브리드·다목적·이산형 등 다양한 파생 모델을 정리한다.

상세 분석

본 논문은 고양이 군집 최적화(CSO)의 구조적 특성과 파라미터 설계에 대해 상세히 분석한다. CSO는 ‘탐색(seeking)’과 ‘추적(tracing)’ 두 모드로 구성되며, 각각은 탐색‑활용 균형을 조절하는 SMP, SRD, CDC, SPC 등 네 가지 하이퍼파라미터에 의해 제어된다. 탐색 모드에서는 현재 위치를 복제한 후보군을 생성하고, CDC에 의해 선택된 차원을 SRD 비율만큼 변형한다. 후보군은 적합도 기반 확률에 따라 선택되며, 이는 확률적 탐색을 촉진한다. 추적 모드에서는 전통적인 입자 군집 최적화와 유사하게 속도와 위치를 업데이트하되, 최대 속도 제한과 전역 최적 해에 대한 끌어당김을 통해 수렴 속도를 높인다.

알고리즘의 핵심은 MR(혼합 비율)로, 전체 개체 중 어느 비율을 탐색 모드에 할당할지를 결정한다. 논문은 MR이 0.2~0.8 사이에서 실험적으로 최적값을 찾는 과정을 제시하고, 파라미터 민감도 분석을 통해 탐색‑활용 트레이드오프가 성능에 미치는 영향을 정량화한다.

다양한 변형 모델을 검토하면서, 이산형 BCSO, 다목적 MOCSO, 병렬 PCSO, 관성 가중 AICSO 등은 모두 원 알고리즘의 탐색·활용 메커니즘을 보강하거나, 파라미터 적응, 태그치 직교 배열, 반대 학습 등 새로운 메타휴리스틱 기법을 도입한다는 공통점을 가진다. 특히, 관성 가중치와 차원‑별 가중치 조정은 수렴 속도를 가속화하면서도 지역 최적에 빠지는 위험을 감소시키는 효과가 입증되었다.

성능 평가에서는 23개의 고전 함수(단일·다중 피크, 구간 제한 등)와 CEC‑2019 최신 함수(복합 비선형, 고차원, 잡음 포함)를 사용했으며, 각 함수당 30회 독립 실행을 통해 평균·표준편차를 기록하였다. 비교 대상인 Dragonfly(DA), Butterfly(BOA), Fitness Dependent Optimizer(FDO)는 모두 2020년 이후 제안된 최신 메타휴리스틱으로, 탐색·활용 균형을 위한 독특한 동적 메커니즘을 갖는다. Friedman 검정 결과 CSO가 전체 함수군에서 가장 낮은 순위 평균을 기록했으며, 사후 검정(Nemenyi)에서도 통계적으로 유의미하게 우수함을 확인했다. 추가로 Wilcoxon signed‑rank 검정을 통해 개별 함수 수준에서도 CSO가 대부분의 경우 다른 알고리즘을 능가함을 보여준다.

논문은 또한 실험 설정(인구 규모 N=30, 최대 반복 500, 초기 속도 제한 등)과 파라미터 튜닝 방법(그리드 탐색 + 5‑fold 교차 검증)을 상세히 기술함으로써 재현성을 높였다. 그러나 일부 한계점도 언급한다. 첫째, MR과 기타 하이퍼파라미터가 문제마다 최적값이 다를 수 있어 자동 적응 메커니즘이 필요하다. 둘째, 고차원(>100차원) 문제에서 탐색 효율이 감소하는 경향이 관찰되었으며, 이는 차원‑축소 또는 적응형 CDC 설계로 보완될 여지가 있다. 셋째, 실험에 사용된 비교 알고리즘이 모두 연속형 최적화에 특화돼 있어, 이산·조합 최적화 분야에서의 상대적 성능은 추가 연구가 필요하다.

전반적으로, CSO는 구조가 단순하면서도 탐색·활용 균형을 효과적으로 조절할 수 있는 파라미터 집합을 제공한다는 점에서 메타휴리스틱 설계에 있어 좋은 베이스라인이 된다. 변형 연구가 활발히 진행되고 있으며, 특히 하이브리드·다목적·이산형 확장은 실제 공학·데이터 과학 문제에 적용 가능성을 크게 확대한다.