동적 환경을 위한 다중 최적점 탐색 및 추적 다양성 군집 입자 군집 최적화 알고리즘

초록

본 논문은 실생활의 동적 최적화 문제를 해결하기 위해 DCPSO(Diverse Clustering Particle Swarm Optimizer) 알고리즘을 제안합니다. 기존 PSO의 다양성 손실 문제를 해결하고, 단일 연결 계층적 군집화를 통해 검색 공간의 미탐사 영역을 탐색하며, 중복 및 과밀 군집을 효과적으로 관리하여 여러 최적점을 동시에 탐지하고 추적하는 성능을 향상시켰습니다. Moving Peak Benchmark 실험에서 기존 알고리즘 대비 우수한 성능을 입증했습니다.

상세 분석

본 논문이 제안하는 DCPSO 알고리즘의 핵심 기술적 기여는 다음과 같습니다. 첫째, ‘요람 군집(Cradle Swarm)’ 개념을 도입하여 동적 환경 변화 감지 후 새로운 탐색을 시작할 때, 이전 환경에서 수렴한 군집의 정보를 보존한 채 새로운 무작위 입자들을 추가함으로써 탐색과 활용의 균형을 유지합니다. 이는 환경 변화 후 알고리즘이 완전히 초기화되는 것을 방지하고 지식의 연속성을 보장합니다. 둘째, 군집의 로컬 베스트(lbest) 업데이트 방식을 개선했습니다. 기존에는 입자가 개선된 위치를 찾으면 lbest의 모든 차원 값을 대체했지만, DCPSO는 개선된 입자의 각 차원을 하나씩 검사하여 해당 차원에서만 더 나은 적합도 값을 제공할 경우에만 lbest를 업데이트합니다. 이를 통해 유망한 정보 차원의 손실을 최소화하고, 보다 정교한 지역 탐색이 가능해집니다. 셋째, ‘최악의 군집’을 식별하여 다른 군집들의 lbest에서 유용한 차원 정보를 추출하여 업데이트하는 메커니즘을 도입했습니다. 이는 성능이 낮은 군집의 탐색 방향을 전환시켜 전체 군집의 다양성을 간접적으로 유지하고 자원 낭비를 줄입니다. 마지막으로, 군집 간 중복 체크를 위해 단순한 반경 기반 병합이 아닌, 두 군집 간 입자 교차 비율을 계산하고 특정 임계값(R) 미만일 때만 병합하는 정교한 방법을 채택했습니다. 이는 하나의 군집이 여러 봉우리를 포함할 수 있는 실제 시나리오를 고려하여, 불필요한 군집 제거로 인한 탐색 기회 상실을 방지합니다. 실험 결과, 요람 군집 크기(M)와 서브 군집 크기(N)의 설정이 최종 오프라인 오차에 큰 영향을 미치는 것으로 나타났으며, 특히 M=70, N=3 조합에서 1.01의 가장 낮은 평균 오프라인 오차를 기록했습니다. 이는 알고리즘의 성능이 매개변수 설정에 민감함을 보여주며, 문제 도메인에 따른 튜닝의 중요성을 시사합니다.