구조 인식 최적화를 위한 분할 최적화 프레임워크

초록

본 논문은 변수 공간을 의미 있는 부분집합으로 분할하여 각 부분집합에서 문제를 쉽게 풀 수 있는 경우를 다룬다. 분할 최적화 프레임워크(POf)를 정식화하고, 이를 활용해 파생식이 없는 분할 최적화 방법(DFPOm)을 제안한다. 무한 차원 최적 제어와 복합 회색상자 문제에 적용해 기존 DFO 기법보다 뛰어난 성능을 보인다.

상세 분석

이 연구는 기존 비선형·비연속 최적화 문제를 새로운 시각에서 접근한다. 핵심 아이디어는 변수 공간 Y를 유한 차원 인덱스 공간 X에 대한 연속적인 파티션 {Y(x)}ₓ₍ₓ∈X₎ 으로 나누는 것이다. 각 파티션 Y(x) 내에서는 목적함수 φ 가 구조적으로 단순해져, 전역 최적해 γ(x) 를 효율적으로 구할 수 있다. 이때 γ 를 “오라클”이라 부르며, 실제 구현에서는 서브문제 (P_sub(x)) 를 해결하는 내부 최적화 루틴으로 대체한다.

POf는 원래 문제 (P_ini) 를 인덱스 최적화 문제 (P_ref) 로 재구성한다. 즉, Φ(x)=φ(γ(x)) 를 최소화하는 x∈X 를 찾는 것이 전체 문제의 해를 찾는 것과 동치임을 정리한다. 정리 1에서는 γ 가 각 파티션의 전역 최적해를 반환한다는 가정 하에, x* 가 Φ 의 전역 최소점이면 γ(x*) 가 (P_ini) 의 전역 최소점임을 증명한다. 이는 기존의 파라메트릭 최적화나 바이레벨 최적화와는 달리, 파라미터가 실제 변수의 조합을 고정함으로써 문제 구조를 단순화한다는 점에서 차별화된다.

DFPOm은 Φ 를 직접 다루는 파생식‑없는 최적화(Derivative‑Free Optimization, DFO) 알고리즘에 “커버링 단계”를 추가한다. 커버링 단계는 X 공간을 충분히 탐색해 전역 최적점에 가까운 영역을 보장한다. 정리 2는 커버링을 포함한 DFO 알고리즘이 완비성(complete)과 수렴성을 유지함을 보이며, 특히 Φ 가 불연속이더라도 제한된 수의 평가로 근접 최적점을 찾을 수 있음을 제시한다.

무한 차원 사례에서는 파라메트릭 제어 문제를 다룬다. 전통적인 직접 최적화는 비연속 메이어 비용 때문에 수렴이 어려우나, 착륙 지점을 고정하면 비용이 고정되고 동역학은 연속적인 최적 제어 문제로 변한다. 이를 파티션 x (착륙 지점)으로 정의하고, 각 x 에 대해 해석적으로 최적 제어를 구함으로써 γ(x) 와 Φ(x) 를 명시적으로 얻는다. 결과적으로 전역 최적점은 x* = 착륙 지점의 최적값이며, 이는 기존 수치 기법이 놓치는 해를 정확히 복원한다.

유한 차원 복합 회색상자 문제에서는 σ, ε 과 같은 블랙박스 함수를 포함한 φ(y₁,y₂)= (y₂−σ(y₁))²+ε(y₁) 형태를 다룬다. 여기서 y₁ 을 파티션 인덱스로 잡고 Y(x)={x}×ℝ 로 정의하면, γ(x)=(x,σ(x)) 가 즉시 구해지고 Φ(x)=ε(x) 가 된다. ε가 저차원 블랙박스이므로 DFO로 Φ 를 최적화하면 전체 문제의 전역 해를 효율적으로 찾을 수 있다. 실험에서는 두 개의 최신 DFO 솔버와 비교했을 때, DFPOm이 평가 횟수와 시간 면에서 2~5배 정도 우수함을 보였다.

또한 고차원 실험에서는 변수 수가 수백에 달하는 경우에도, 파티션을 적절히 설계하면 DFO가 직접 탐색할 때 발생하는 차원의 저주를 회피할 수 있음을 확인했다. 이는 변수 간 복잡한 상호작용을 파티션을 통해 “분리”함으로써, 각 서브문제는 저차원·연속적인 형태가 되고, 전체 최적화는 인덱스 공간 X 에서의 저차원 탐색으로 귀결된다.

마지막으로 논문은 γ 의 근사 반환, 파티션 설계 자동화, 그리고 비선형 제약이 포함된 경우 등 향후 연구 방향을 제시한다. 전체적으로 POf와 DFPOm은 구조적 정보를 활용해 비연속·고차원 최적화 문제를 새로운 방식으로 해결할 수 있는 강력한 프레임워크임을 입증한다.