다목적 연속 최적화를 위한 탐색적 풍경 특성 확장

초록

본 논문은 연속 다목적 최적화 문제에 적용할 수 있는 새로운 탐색적 풍경 특성(MO‑ELA) 집합을 제안한다. 비지배 정렬, 기술통계, 주성분 분석, 그래프 구조, 그리고 그래디언트 정보를 기반으로 5개의 특성 그룹을 정의하고, 이를 이용해 알고리즘 선택 모델을 학습한다. 실험 결과, 제안된 특성들은 기존 MO‑ELA와 단일목적 특성을 능가하며, 선택 모델을 가상 최적 솔버에 근접하게 만든다.

상세 분석

이 연구는 연속 다목적 최적화(MOP) 분야에서 기존에 부족했던 특성 기술을 보완하기 위해, 무작위 샘플링된 해 집합을 기반으로 다섯 가지 특성 그룹을 체계적으로 설계하였다. 첫 번째 그룹인 비지배 정렬 기반 특성은 비지배 레이어 수, 각 레이어의 평균 점 수, 그리고 레이어별 하이퍼볼륨(HV)과 Solow‑Polasky(SP) 지표를 계산한다. 특히, 첫 5개 레이어에 대해 HV와 SP를 구하고, 레이어별 HV의 다항 회귀(R²) 값을 다양한 차수(p=1~4)로 추정함으로써 문제의 난이도와 구조적 복잡성을 정량화한다. 두 번째 그룹인 기술통계는 의사결정 변수와 목표값의 평균, 분산, 왜도, 첨도 등을 샘플 전체와 비지배 집합에 대해 별도로 측정한다. 이는 목표 공간과 결정 공간 간의 스케일 차이를 보정하고, 다목적 상호작용을 포착한다. 세 번째 그룹인 주성분 분석(PCA)에서는 결정 변수와 목표값 각각에 대해 주성분을 추출하고, 첫 번째 주성분의 설명력 비율, 고유값 분포, 그리고 비지배 점들의 PCA 투영을 이용한 군집 특성을 도출한다. 네 번째 그룹인 그래프 구조는 결정 공간과 목표 공간 모두에서 최소 신장 트리(MST)와 k‑최근접 이웃 그래프를 구성하고, 그래프의 평균 경로 길이, 클러스터링 계수, 연결성 등을 특성화한다. 이를 통해 해 집합의 전역적 연결성 및 지역적 구조를 정량화한다. 마지막으로 그래디언트 정보 그룹은 근사된 목표 함수의 기울기를 샘플링된 점 주변에서 추정하고, 기울기 크기와 방향의 분산, 그리고 비지배·지배 관계에 따른 평균 기울기 차이를 측정한다. 이 특성은 문제의 평탄도와 경사도 변화를 직접적으로 반영한다. 전체 특성 수는 2목표 문제에 226개, 3목표 문제에 233개에 달한다. 실험에서는 BBOB 기반 다목적 벤치마크와 다양한 진화 알고리즘(예: NSGA‑II, MOEA/D, SMS‑EMOA 등)을 사용해 알고리즘 선택 모델을 훈련했으며, 특성 선택 과정에서 제안된 MO‑ELA 특성이 상위 10%에 지속적으로 포함되는 것을 확인했다. 모델의 성능은 가상 최적 솔버(Virtual Best Solver)와의 격차를 5% 이하로 줄였으며, 기존 SO‑ELA를 단순히 목표별로 적용한 방법보다 현저히 우수했다. 특히, 비지배 정렬 기반 특성과 그래프 구조 특성이 가장 높은 중요도를 보였으며, 이는 다목적 문제에서 해 집합의 전역적 비지배 구조와 지역적 연결성이 알고리즘 성능을 예측하는 핵심 요인임을 시사한다. 논문은 또한 딥러닝 기반 피처‑프리 접근법과의 비교를 제시했는데, 현재 제약(차원·샘플 크기) 때문에 직접적인 비교는 어려웠지만, 향후 이러한 방법과의 통합 가능성을 제시한다. 전반적으로 이 연구는 다목적 연속 최적화에서 탐색적 풍경 분석을 체계화하고, 알고리즘 선택을 위한 실용적인 특성 프레임워크를 제공한다는 점에서 큰 의의를 가진다.