LLM 기반 다목적 연산자 조합 진화 프레임워크

초록

본 논문은 다목적 진화 알고리즘(MOEA)에서 사용되는 여러 탐색 연산자를 동시에 설계·조합하는 새로운 자동화 방법인 E2OC를 제안한다. 연산자 설계 아이디어를 텍스트 형태의 “디자인 사고”로 추출하고, 이를 마코프 의사결정 과정으로 모델링한 뒤 몬테카를로 트리 탐색(MCTS)과 연산자 회전 메커니즘을 결합해 최적의 연산자 조합을 순차적으로 진화시킨다. 실험 결과, 기존 단일 연산자 자동 설계 기법 및 최신 다연산자 공동 설계 프레임워크보다 일관되게 우수한 성능을 보이며, 다양한 목표와 규모의 문제에 대해 강한 일반화 능력을 입증한다.

상세 분석

E2OC는 기존 LLM 기반 자동 휴리스틱 설계(AHD) 연구가 개별 연산자 혹은 컴포넌트를 독립적으로 최적화하는 데 머물렀던 한계를 극복한다는 점에서 혁신적이다. 논문은 먼저 MOEA 내 다중 연산자 최적화를 마코프 의사결정 프로세스로 정의함으로써, 연산자 간 동적 의존성을 순차적 의사결정 문제로 전환한다. 이를 기반으로 두 가지 핵심 메커니즘을 설계한다. 첫째, “디자인 사고”라는 텍스트 기반 아이디어를 추출·저장하는 언어 공간을 구축한다. 각 연산자는 초기 프롬프트 템플릿을 통해 LLM이 생성한 코드 후보군을 받고, 성능이 우수한 엘리트 연산자를 분석해 개선 아이디어를 도출한다. 이러한 아이디어는 서로 다른 연산자 간 내부(동일 연산자 내)·외부(연산자 간) 관계를 갖는 복합적인 지식 네트워크를 형성한다. 둘째, 이 언어 공간을 탐색하기 위해 MCTS를 적용한다. 선택 단계에서는 UCB 공식을 이용해 현재까지 높은 성과를 보인 경로와 아직 탐색되지 않은 경로 사이의 균형을 맞추고, 확장 단계에서는 아직 채워지지 않은 연산자 슬롯에 새로운 디자인 사고를 샘플링한다. 시뮬레이션 단계에서는 실제 MOEA에 연산자 조합을 적용해 하이퍼볼륨(HV)이나 IGD와 같은 스칼라 성능 지표를 계산하고, 그 결과를 트리 노드의 스코어와 방문 횟수에 반영한다. 마지막으로 연산자 회전 메커니즘을 도입해, 하나의 연산자를 고정하고 나머지를 순차적으로 교체·평가함으로써 연산자 간 시너지 효과를 정량적으로 탐색한다. 이 과정은 기존의 “프롬프트 직접 수정” 방식보다 설계 지식을 의미론적 수준에서 최적화한다는 장점을 가진다. 실험에서는 두 종류의 대표적인 다목적 조합 최적화 문제(MCOP)와 2~3 목표 설정을 사용해, E2OC가 EoH, MCTS‑AHD 등 최신 AHD 기법을 지속적으로 앞서는 것을 확인했다. 특히 연산자 회전과 MCTS 기반 전략 탐색이 결합될 때, 제한된 연산자 예산 하에서도 성능 향상이 꾸준히 유지되는 점이 주목할 만하다. 전체적으로 E2OC는 설계 아이디어와 실행 코드의 공동 진화를 통해 다연산자 시스템을 자동으로 최적화하는 프레임워크로, 향후 복잡한 메타휴리스틱 설계와 LLM 활용 연구에 중요한 기반을 제공한다.