S-CARD-CMSA: A Score-Aware Candidate Archive with Density-Filtered Reporting for Multimodal Optimization

기술 요약: S-CARD-CMSA

문제 정의
다중 모드 최적화(Multimodal Optimization, MMO)는 단일 알고리즘 실행 내에서 여러 개의 서로 다른 전역 또는 준전역 최적해를 찾는 것을 목표로 한다. IEEE CEC 2026 니칭 방법론 벤치마킹 경진대회는 엄격한 평가 프레임워크를 제공하지만, 특정 점수 산정 방식의 과제를 제시한다. 최종 점수는 피크 커버리지(Peak Coverage)만으로 결정되지 않는다. 대신, 전역 최솟값 발견 비율을 측정하는 강건한 피크 비율(Robust Peak Ratio, RPR)과 낮은 정밀도(Precision)에 대해 엄격한 패널티를 부여하는 F1-스코어를 결합한다. 정밀도는 보고된 해의 수와 반비례하므로, 알고리즘이 많은 최적해를 발견했더라도 과도하게 중복되거나 품질이 낮은 후보를 보고하면 최종 점수가 크게 저하될 수 있다. 핵심 과제는 높은 커버리지(RPR)를 달성하는 동시에, F1-스코어를 극대화하기 위해 보고되는 해의 수를 엄격하게 제어하는 것 사이의 균형을 맞추는 것이다.

방법론: S-CARD-CMSA
본 논문은 RS-CMSA-ESII(Repelling Subpopulations Covariance Matrix Self-Adaptation Evolution Strategy II) 알고리즘의 보수적인 확장형인 S-CARD-CMSA(Score-Aware Candidate Archive with Density-Filtered Reporting)를 제안한다. 이 방법은 엄격한 설계 원칙을 준수한다. 즉, 기본 RS-CMSA-ESII 최적화 도구의 핵심 탐색 역학, 샘플링, 공분산 적응, 타부 영역 업데이트 및 재시작 메커니즘을 그대로 유지한다. 수정 사항은 오직 후보군 유지 및 최종 보고 단계에만 국한된다.

이 프레임워크는 두 가지 주요 구성 요소를 도입한다:

1. 수동적 이차 후보 아카이브 (Passive Secondary Candidate Archive):
   표준 RS-CMSA-ESII에서는 최종 해 집합이 일차 아카이브로부터만 도출된다. 그러나 재시작(Restart) 과정에서 발견된 유용한 후보(특히 재시작 최적해)가 일차 아카이브의 엄격한 참신성 또는 분지 검증(Basin-verification)에 의해 거부될 수 있다. S-CARD-CMSA는 수동적 이차 아카이브($C$)를 유지하여, 탐색 경로에는 영향을 주지 않으면서 매 재시작 시마다 최적의 후보($x^r_{best}$)를 기록한다. 이를 통해 탐색 중에 방문되었으나 일차 아카이브에 수용되지 못한 유망한 후보들이 손실되지 않도록 보장한다.

2. 점수 인지 밀도 필터링 보고 (Score-Aware Density-Filtered Reporting):
   최종 해 집합은 일차 아카이브($A$)와 필터링된 이차 아카이브($C_f$)의 합집합으로 구성된다. 4단계 보고 규칙이 적용된다:

   • 목적 함수 값 필터링: 풀(Pool) 내에서 발견된 전역 최솟값보다 목적 함수 값이 현저히 나쁜 이차 후보들은 고정된 허용 오차 범위($\Delta f$)를 사용하여 제거된다.
   • 일차 아카이브 보존: 일차 아카이브의 후보들은 유효하고 정확한 중복이 아닌 경우 우선적으로 고려되어 최종 집합에 삽입된다.
   • 정규화된 거리 계산: 변수 스케일링을 고려하기 위해 정규화된 유클리드 거리를 사용하여 후보 간 유사성을 측정한다.
   • 밀도 필터링 삽입: 이차 후보들은 목적 함수 값이 낮은 순서대로 고려된다. 후보는 이미 보고된 해와의 거리가 밀도 임계값($\tau_\rho$)을 초 exceed할 때만 삽명된다. 임계값은 차원에 따라 $\tau_\rho(D) = \alpha_\rho \sqrt{D}$로 스케일링된다. 만약 후보가 너무 가까우면, 더 우수한 목적 함수 값을 가진 후보가 유지된다. 이 단계는 정밀도를 높이기 위해 중복을 줄이면서도 피크 커버리지를 희생하지 않는 것을 구체적인 목표로 한다.

주요 기여

• 프레임워크 제안: 강력한 공분산 적응 기반 최적화 도구 위에 구축된, CEC 2026 RPR-F1 점수 트레이드오프에 맞춤화된 새로운 보고 프레임워크를 제안한다.
• 수동 아카이브 메커니즘: 일차 아카이브가 거부하는 고품질의 재시작 수준 후보들을 회복함으로써, 탐색 역학을 변경하지 않고 잠재적 커버리지를 개선하는 이차 아카이브를 도입하였다.
• 밀도 필터링 보고: 정규화된 거리와 목적 함수 값을 기준으로 중복된 후보를 필터링하여 커버리지와 정밀도 사이의 균형을 맞추며, 이는 경진대회의 정밀도 제약 조건을 직접적으로 해결한다.
• 절제 실험 및 검증: 다양한 문제 사례와 차원에 대해 제안된 방법과 베이스라인 및 다양한 중간 변형 모델(예: 엄격한 vs 완화된 보고, 차원 인지 규칙, 탐색 수정 모델)을 비교하는 포괄적인 실험 연구를 수행하였다.

실험 결과
개발 실험은 CEC 2026 벤치마크의 하위 집합(320회 실행)에서 수행되었으며, 더 넓은 하위 집합(768회 실행)에서 검증되었다.

• 성능: 제안된 DF-SCA(Density-Filtered SCA) 변형 모델은 개발 하위 집합에서 0.6049의 평균 점수를 달성하여, "Medium" 점수 인지 베이스라인(0.6012)과 기존 RS-CMSA-ESII(0.5761)를 능가하였다.
• 트레이드오프 분석: DF-SCA는 강력한 SCA-Medium 베이스라인과 동일한 평균 RPR(0.5589)을 유지하면서도, 평균 정밀도를 0.8516에서 0.8705로, F1-스코어를 0.6434에서 0.6509로 향상시켰다.
• 중복 감소: 해당 방법은 평균 보고 해의 수를 10.14(SCA-Medium)에서 9.82로 성공적으로 감소시켰으며, 이는 점수 향상이 단순히 더 많은 후보를 보고해서가 아니라 더 나은 정밀도 제어에서 기인했음을 확인시켜 준다.
• 안정성: 768회 실행 하위 집합에 대한 검증을 통해 DF-SCA가 모든 차원($D \in \{2, 5, 10, 20\}$)에서 일관된 이득을 보이며 안정적인 개선을 입증하였고, 베이스라인 대비 승/패/무승부 비율은 84/6/678을 기록하였다.
• 기각된 변형 모델: 몇몇 내부 탐색 수정 사항들(예: 아카이브 인지 재시작 초기화, TLLS 및 CMAR와 같은 국소 정밀화 단계)이 테스트되었으나, 일관되지 않은 성능이나 미미한 점수 이득으로 인해 기각되었다.

의의 및 주장
본 논문은 S-CARD-CMSA가 강력한 기존 MMO 최적화 도구에 대한 저위험, 재현 가능한 향상책을 제공한다고 주장한다. 본 연구의 의의는 CEC 2026 맥락에서 상당한 성능 향상이 핵심 탐색 엔진을 재설계하는 것이 아니라, 후처리(Post-processing) 과정의 최적화를 통해 달성될 수 있음을 보여준 데 있다.

저자들은 이 방법이 최적화 과정 중에 실제 전역 최솟값 위치를 사용하지 않는다는 점을 강조한다. 해당 정보는 오직 오프라인 분석 및 점수 산정을 위해서만 사용된다. 성능 향상은 이미 생성된 후보들을 더 효율적으로 활용함으로써 발생하며, 특히 "손실된" 재시작 최적해를 회복하고 이를 경진대회의 정밀도 민감 점수 지표에 부합하는 밀도 인지 규칙을 통해 필터링하는 것에 기인한다. 본 논문은 심층적인 탐색 수준의 수정은 여전히 도전적인 과제로 남아 있으나, 점수 인지적 후보 보유 및 보고 방식이 엄격한 평가 기준 하에서 다중 모드 최적화 성능을 향상시키는 효과적이고 강력한 경로임을 결론짓는다.