목표 탐색을 위한 포셀리오 스카버 알고리즘

초록

포셀리오 스카버(PS)의 집단 행동과 탐색 본능을 모델링한 PSA는 가중치 λ와 무작위 탐색 벡터 τ를 이용해 현재 최적 위치와 새로운 환경을 동시에 고려한다. 실험에서는 Michalewicz, Goldstein‑Price, Alpine‑1 등 비선형·비미분·다중극값 함수에 대해 2050개의 개체와 40100번의 이동으로 전역 최적해에 근접하거나 정확히 도달함을 보였다.

상세 분석

본 논문은 목초성 등각류인 포셀리오 스카버(PS)의 두 가지 핵심 생존 규칙, 즉 “집단 응집(aggregation)”과 “새로운 환경 탐색(propensity to explore)”을 수학적으로 추상화하여 최적화 메타휴리스틱을 설계하였다. 집단 응집은 모든 개체가 현재 군집 내 최소 적합도 위치 x* 로 수렴하도록 하는 항 (1 − λ)(x_k^i − x*) 을 포함하고, 탐색은 무작위 방향 τ와 적합도 기반 강도 p 를 곱한 λ p τ 항으로 구현한다. 여기서 p 는 현재 위치와 τ 만큼 이동한 후의 적합도를 정규화한 값으로, 높은 적합도(즉, 낮은 f(x))일수록 큰 탐색 힘을 부여한다. λ∈(0,1)은 두 행동 사이의 균형을 조절하는 파라미터로, 실험에서는 문제 특성에 따라 0.6~0.9 사이의 값을 사용하였다.

알고리즘 흐름은 초기 개체군을 무작위로 배치하고, 매 반복마다 (i) 현재 군집 내 최적 위치 x* 를 찾고, (ii) 각 개체에 대해 τ 를 샘플링한 뒤 p τ 를 계산, (iii) 식 (2) 에 따라 새로운 위치 x_{k+1}^i 를 업데이트한다. 이 과정은 사전 정의된 최대 반복 횟수 MaxStep 또는 수렴 기준에 도달할 때까지 반복된다.

PSA의 핵심 장점은 (1) 비미분·비볼록 함수에도 적용 가능하다는 점, (2) 탐색과 수렴을 동시에 수행함으로써 다중국소극값을 효과적으로 탈피한다는 점, (3) 파라미터 λ와 τ 의 간단한 설정만으로 다양한 문제 규모에 확장 가능하다는 점이다. 그러나 무작위 탐색에 의존하는 부분이 있어 고차원 문제에서 탐색 효율이 떨어질 가능성이 있으며, λ의 고정값 선택이 성능에 큰 영향을 미친다. 향후 연구에서는 적응형 λ 조정 메커니즘이나, 방향 τ 생성에 진화적 전략을 도입해 탐색 효율을 개선할 여지가 있다.

실험 결과는 세 가지 벤치마크 함수에 대해 PSA가 전역 최적값에 거의 정확히 도달하거나, 최소 오차(10⁻⁶ 수준) 내에서 근사함을 보여준다. 특히 Michalewicz 함수(2차원)에서는 λ=0.8, N=20, 40번 이동으로 f*≈−1.801에 도달했으며, Goldstein‑Price와 Alpine‑1에서도 각각 f*≈3와 f*≈0에 근접한 해를 얻었다. 이는 PSA가 기존 PSO·GA 등과 비교해 경쟁력 있는 탐색·수렴 능력을 갖추었음을 시사한다.