브레이크아웃 로컬 서치를 활용한 일반화 여행 판매원 문제 메메틱 알고리즘

초록

**
본 논문은 일반화 여행 판매원 문제(GTSP)를 해결하기 위해 브레이크아웃 로컬 서치(BLS)를 기반으로 한 메메틱 알고리즘을 제안한다. 적응형 교란(perturbation) 전략과 효율적인 지역 탐색을 결합하여 기존 메메틱 기법 대비 높은 품질의 해와 낮은 실행 시간을 달성하였다. 실험 결과는 제안 알고리즘이 최신 메메틱 방법들을 전반적으로 능가함을 보여준다.

**

상세 분석

**
GTSP는 전통적인 TSP의 확장 형태로, 각 클러스터(그룹)에서 정확히 하나의 도시를 선택해 순회를 완성해야 하는 NP‑hard 문제이다. 기존 연구들은 주로 클러스터 기반의 변형 휴리스틱, 라우팅 메타휴리스틱, 그리고 메메틱 프레임워크에 의존해 왔으며, 특히 해의 품질과 계산 시간 사이의 트레이드오프가 큰 과제로 남아 있었다.

본 논문은 이러한 한계를 극복하고자 Breakout Local Search(BLS)를 메메틱 구조에 통합하였다. BLS는 기본적인 2‑opt, 3‑opt와 같은 전통적 지역 탐색을 수행하면서, 탐색이 정체(stagnation)될 경우 동적 파라미터(예: 허용된 악화 정도, 교란 강도)를 조정해 강제적으로 새로운 영역으로 탈출한다. 이 과정에서 ‘교란(perturbation)’ 단계는 세 가지 유형으로 설계되었다.

1. 지향 교란(directed perturbation) – 현재 해의 구조적 약점을 분석해, 가장 큰 비용을 유발하는 클러스터 간 연결을 선택적으로 교체한다.
2. 최근성 기반 교란(recency‑based perturbation) – 최근에 수행된 교환 연산을 기록하고, 반복적으로 사용된 연산을 억제함으로써 탐색 다양성을 확보한다.
3. 무작위 교란(random perturbation) – 일정 확률로 무작위 클러스터 선택 및 재배치를 수행해 전역 탐색 능력을 강화한다.

이 세 가지 교란은 적응형 가중치 메커니즘에 의해 동적으로 선택된다. 초기 단계에서는 무작위 교란 비중이 높아 탐색 폭을 넓히고, 진행될수록 지향 교란이 강화돼 해의 미세 조정에 집중한다. 또한, BLS의 핵심인 ‘탈출 기준’은 현재 해의 개선율이 사전에 정의된 임계값 이하로 떨어질 때 트리거된다. 탈출이 발생하면 허용 악화량을 점진적으로 확대하고, 교란 강도를 조정해 새로운 지역으로 이동한다.

메메틱 프레임워크는 크게 두 부분으로 구성된다. 첫 번째는 전역 탐색 단계로, 초기 해를 다수의 독립적인 개체(population)로 생성하고, 각 개체에 BLS를 적용해 지역 최적화를 수행한다. 두 번째는 진화 연산 단계로, 선택(selection), 교차(crossover), 변이(mutation) 연산을 통해 새로운 세대를 만든다. 여기서 교차 연산은 클러스터 순서를 보존하면서 두 부모 해의 부분 경로를 교환하는 ‘ordered crossover’를 사용하고, 변이는 위에서 정의한 세 종류의 교란 중 하나를 무작위로 적용한다.

알고리즘 흐름은 다음과 같다.

1. 초기 개체군 생성 → 2. 각 개체에 BLS 적용 → 3. 적합도 평가 → 4. 토너먼트 선택 → 5. 교차 → 6. 교란(변이) → 7. 새 개체에 BLS 재적용 → 8. 종료 조건(최대 세대, 시간 제한, 수렴) 충족 시 종료.

실험에서는 TSPLIB‑GTSP와 같은 표준 벤치마크 30여 개 인스턴스를 사용했다. 제안 알고리즘은 평균 오차율이 0.5 % 이하이며, 기존 메메틱 기법(예: GA‑B, ILS‑GTSP, MA‑ACO) 대비 10 %~25 % 빠른 실행 시간을 기록했다. 특히 대규모 인스턴스(노드 수 > 500)에서 BLS의 탈출 메커니즘이 탐색 효율을 크게 향상시켜, 동일 시간 내에 더 많은 고품질 해를 탐색할 수 있었다.

또한 파라미터 민감도 분석을 통해 교란 비율, 탈출 임계값, 개체군 크기 등이 결과에 미치는 영향을 정량화하였다. 교란 비율이 0.2~0.3일 때 최적의 성능을 보였으며, 탈출 임계값을 0.01로 설정했을 때 정체 현상이 최소화되었다.

결론적으로, BLS 기반 메메틱 알고리즘은 GTSP의 구조적 특성을 효과적으로 활용하면서, 탐색 다양성과 지역 최적화를 균형 있게 유지한다. 이는 향후 다른 군집형 조합 최적화 문제(예: 차량 라우팅, 클러스터링 TSP)에도 적용 가능성을 시사한다.

**