퇴화 파레토 전선을 위한 다목적 테스트 문제

초록

본 논문은 목표 간 중복으로 인해 차원이 축소된 파레토 전선을 갖는 다목적 최적화 문제를 체계적으로 분석하고, 세 가지 일반적 특성을 기반으로 새로운 테스트 문제 집합을 제안한다. 제안된 문제들은 기존 테스트베드가 다루지 못한 복잡한 목표 상관관계를 재현하여, 목표 감소 기법 및 다목적 진화 알고리즘의 한계를 평가한다.

상세 분석

논문은 먼저 다목적 최적화에서 전통적으로 가정되는 “모든 목표는 완전히 충돌한다”는 전제를 비판하고, 실제 공학·과학 문제에서 목표 간 중복 혹은 조화가 발생해 파레토 전선의 차원이 (m‑1)보다 낮아지는 현상을 ‘퇴화(Pareto front degeneration)’라 정의한다. 이를 설명하기 위해 저자는 기존 테스트 스위트(DTLZ5, DTLZ6, WFG3 등)가 갖는 한계—즉, 목표 중복이 명시적이거나 고정된 형태에 국한되고, 실제 문제에서 나타나는 복합적·비선형적 상관관계를 반영하지 못함—을 지적한다.

그 다음, 퇴화 문제의 일반적 특성을 세 가지로 추출한다.

1. 명시적 중복 목표(Explicit Redundancy): 기존 목표들의 비감소 변환을 통해 추가된 목표가 최적해에 전혀 영향을 주지 않는다. 정리 1에 의해, 이러한 목표를 포함한 m‑목표 문제는 원래 d‑목표 문제와 동일한 파레토 집합을 가진다.
2. 암시적 중복 목표(Implicit Redundancy): 본질적인 목표 집합이 원래 목표 집합에 포함되지 않으며, 복잡한 변환(예: 구간별 min/max 연산)으로 새로운 목표를 만든다. 정리 2는 이러한 변환이 파레토 집합을 보존함을 증명한다.
3. 부분 중복 목표(Partial Redundancy): 목표 간 상관관계가 파레토 전선의 일부 구역에서는 조화(동일)하고, 다른 구역에서는 충돌한다. 이는 목표 간 관계가 지역적으로 변하는 비선형 현상을 모델링한다.

이 세 특성을 구현하기 위해 저자는 통일된 수식 f(x)=h(γ(x))를 채택한다. 여기서 γ(x) = p(x_l)∘(1+g(x_r))는 ‘본질 목표’를 정의하고, h(·)는 목표 변환 함수를 통해 m‑목표 문제를 만든다. 본질 목표는 기존 DTLZ·WFG 프레임워크의 shape·landscape 함수를 차용하면서, h 함수만을 다양하게 설계해 위 세 특성을 구현한다.

제안된 다섯 개 테스트 문제는 각각 위 특성을 단독 혹은 조합 형태로 포함한다. 예를 들어, 문제 1은 명시적 중복을, 문제 2는 암시적 중복을, 문제 3은 부분 중복을, 문제 4·5는 복합적 특성을 갖는다. 각 문제는 목표 수와 의사결정 변수 수를 자유롭게 확장할 수 있어, 저차원·고차원 모두에서 실험이 가능하도록 설계되었다.

실험에서는 NSGA‑II, MOEA/D, SPEA2, RVEA 등 10개의 최신 MOEA를 적용했으며, 목표 감소 기법(예: PCA‑based, KPCA‑based, objective clustering)과 결합한 버전도 평가했다. 결과는 대부분의 알고리즘이 제안된 퇴화 문제에서 수렴·다양성 모두 크게 저하됨을 보여준다. 특히, 명시적 중복에서는 목표 선택 기반 방법이 효과적이었지만, 암시적·부분 중복에서는 기존 방법이 본질 목표를 식별하지 못해 성능이 급격히 떨어졌다. 고차원(>10) 퇴화 인스턴스에서는 모든 알고리즘이 파레토 전선을 근사하는 데 실패했으며, 이는 목표 감소와 탐색 전략이 동시에 개선되어야 함을 시사한다.

마지막으로 저자는 퇴화 문제 해결을 위한 두 가지 전략을 제안한다. 첫째, 목표 간 비선형·지역적 관계를 학습할 수 있는 메타‑학습 기반 목표 변환 모델(예: 딥러닝 인코더‑디코더) 도입; 둘째, 목표 선택을 정적이 아니라 동적·다단계 방식으로 수행해 탐색 과정에서 지속적으로 본질 목표를 재평가하는 방법이다. 이러한 방향은 향후 연구에서 퇴화 파레토 전선을 가진 실제 공학 문제에 적용될 가능성을 열어준다.