기술 요약: 누적 이력 복제자 선택 최적화 (균사체 네트워크 최적화)

1. 문제 정의

입자 군집 최적화(PSO), 차분 진화(DE)와 같은 인구 기반 최적화 알고리즘은 일반적으로 "기억 상실형(memoryless)" 선택 메커니즘을 채택한다. 이러한 시스템에서 후보 해(candidate solution)의 다음 세대 생존 여부는 오직 시간 $t$에서의 즉각적인 적합도(instantaneous fitness)에 의해서만 결정된다. 이러한 설계는 과거의 성능 데이터를 모두 폐기하며, 50번의 반복 동안 지속적으로 인구 상위 10%를 유지해 온 에이전트와 현재 적합도가 아주 미세하게 더 높은 신규 생성 에이전트를 동일하게 취급한다.

본 논문은 이러한 시간적 맹목성(temporal blindness)이 중요한 신호를 놓치게 만든다고 주장한다: 바로 '시간에 따른 품질의 지속성(persistence of quality)'이다. 즉각적인 적합도는 매끄럽고 분리 가능한(separable) 지형에서는 충분하지만, 과거의 성과가 장기적인 생존 가능성을 나타내는 구조적이고 비분리적인(non-separable) 지형에 내재된 기하학적 정보를 포착하는 데는 실패한다. 저자들은 생물학적 선택 시스템이 이러한 지속성을 활용한다고 가정하지만, 현재의 메타휴리스틱은 이를 수행할 공식적인 근거를 갖춘 메커니즘이 결여되어 있다고 주장한다.

2. 방법론: 균사체 네트워크 최적화 (Mycelial Network Optimization, MNO)

본 논문은 누적 이력 복제자 선택(Accumulated-History Replicator Selection, AHRS) 프레임워크를 소개하며, 이를 균사체 네트워크 최적화(MNO) 알고리즘으로 구현한다. 시간이 흐름에 따라 세포질 자원을 축적하고 이를 합생(anastomosis)을 통해 공유하는 균류의 균사체에서 영감을 얻은 MNO는, 즉각적인 적합도를 대신하여 축적된 자원 변수를 주요 생존 기준으로 사용한다.

핵심 구성 요소

1. 세포질 흐름 (누적 이력 선택):
   각 에이전트 $i$는 정규화된 품질 이력 $Q_i(t)$의 지수 가중 이동 평균으로 업데이트되는 자원 변수 $R_i(t)$를 유지한다:
   $$R_i(t+1) = (1-\gamma)R_i(t) + \gamma Q_i(t)$$
   여기서 $\gamma$는 흐름 속도(streaming rate)이다. 에이전트는 축적된 자원이 예산 의존적 임계값 미만으로 떨어지면 제거된다. 이는 생존이 단순히 현재 상태가 아니라 품질의 전체 궤적에 의존하도록 보장한다.

2. 적합도-근접 합생 (Fitness-Proximity Anastomosis):
   매 3회 반복마다, 유사한 적합도 값(니치 임계값 $\delta_a$ 이내)을 가진 에이전트들 사이에 자원 전이가 발생한다. "승자"는 "패자"의 자원 중 일부를 받으며, 이후 승자를 향한 탐욕적 화학주성 재배치(greedy chemotactic repositioning) 단계가 수행된다. 이는 유사한 니치를 점유하는 에이전트들 사이의 자원 흐로를 촉진한다.

3. 자연 경사 단계 (Natural-Gradient Step):
   이동은 자원 가중 자연 경사 단계에 의해 유도된다. 탐색 타원은 자원 가중치 분포 $p_i = R_i / \sum R_j$를 기반으로 고분산 차원(생산적인 골짜기 또는 능선)을 따라 길게 늘어진다.

4. 포자 형성 (Sporulation):
   인구가 절반 미만으로 떨어지면, 다양성을 유지하기 위해 새로운 에이전트가 도입된다 (60% 무작위, 40% 대립 기반).

3. 이론적 근거

본 논문은 MNO를 단순한 은유적 생물 모방 알고리즘과 구별하며 엄격한 수학적 토대를 제공한다:

• 이력 의존성: 정리 1은 자원 변수 $R_i(t)$가 에이전트의 완전한 과거 품질 궤적에 대한 충분 통계량임을 증명한다. 결과적으로 선택 기준은 기억 상실형이 아니다. 즉, 동일한 즉각적 적합도를 가졌더라도 이력이 다른 두 에이전트는 서로 다른 생존 확률을 갖는다.
• 복제자 방정식과의 연결: 정리 2는 스트리밍 업데이트의 연속 시간 한계가 진화 게임 이론의 **복제자 방정식(Replicator Equation)**과 정확히 일치함을 보여준다:
  $$\frac{dp_i}{dt} = \gamma p_i (Q_i - \bar{Q})$$
  이산적 업데이트는 국소 절단 오차(local truncation error)가 $O(\gamma^2)$로 제한되는 이 방정식의 오일러 이산화(Euler discretization)임이 입증되었다.
• 수렴 보장: 복제자 방정식에 피셔의 기본 정리(Fisher's Fundamental Theorem)를 적용함으로써, 본 논문은 자원 가중 평균 품질 $\bar{Q}(t)$가 실행 전반에 걸쳐 기대치 측면에서 비감소함을 증명한다.

4. 실험 결과

MNO는 7개의 베이스라인(PSO, DE, SHADE, L-SHADE, JADE, ABC, CMA-ES)을 대상으로 다음을 평가받았다:

• 20개의 고전적 벤치마크 함수.
• 15개의 CEC 2017 함수 (D=30, D=50).
• 6개의 제약 조건이 있는 공학 설계 문제.

주요 결과

• 구조적 vs 분리 가능한 지형: MNO는 비분리적, 구조적 함수(예: Rosenbrock, Schwefel 1.2, Trigonometric)에서 PSO 및 DE보다 현저히 우수한 성능을 보였다. 예를 들어, Rosenbrock (30D)에서 MNO는 PSO보다 약 1,400배 더 나은 결과를 달성했다.
• 매끄러운 함수에서의 성능: 매끄럽고 분리 가능한 함수(예: Sphere, Ackley)에서 MNO는 파라미터 적응형 DE 변형(SHADE, JADE, L-SHADE)에 비해 낮은 성능을 보였다. 저자들은 이를 "No Free Lunch" 정리의 결과로 설명하며, 시간적 구조를 활용하는 메커니즘은 그러한 구조가 없는 지형에서는 이점을 제공하지 못한다고 언급했다.
• 절제 연구 (Ablation Study): 실험을 통해 스트리밍 연산자와 합생 연산자가 각각 독립적으로 성능에 기여함을 확인했다. 두 연산자를 결합한 알고리즘은 15/20 클래식 함수에서 단독 연산자들의 성능을 상회하였다.
• 공학적 응용: MNO는 스프링 설계(0.4% 격차) 및 경제 부하 배분(0.01% 격차) 문제에서 최신 기술(SOTA)과 대등한 결과를 얻었다. 용접 빔(welded-beam) 문제에서의 더 큰 격차(23.6%)는 제약 조건 처리에 사용된 외부 페널티 방법의 한계 때문이지, 선택 메커니즘 자체의 문제는 아닌 것으로 분석되었다.

5. 의의 및 주장

본 논문은 자신의 독창성과 의의에 대해 다음과 같이 구체적이고 겸허한 주장을 펼친다:

• 독창성: 기여점은 지수 평활법(적합도 상속에 존재함)이나 복제자 방정식 자체의 사용이 아니다. 독창성은 개별적으로 축적된 지수 품질 이력을 직접적인 생존 기준으로 사용하는 특정 조합과, 이를 복제자 방정식을 통해 진화 게임 이론과 공식적으로 연결한 데 있다.
• 이론적 기여: M-NO는 개별 수준의 선택 메커니즘을 공식적으로 검증된 오차 범위($O(\gamma^2)$)를 가진 복제자 방정식의 이산화로 명시적으로 정식화한 최초의 메타휴리스틱이다.
• 실무적 시사점: 결과는 "누적 이력"이 이전에 활용되지 않았던 선택 신호이며, 특히 구조화된 비분리 탐색 지형에서 매우 효과적임을 보여준다. 본 논문은 다른 인구 기반 알고리즘들도 특히 지형의 기하학적 구조가 복잡한 경우, 생존 결정에 시간적 메모리를 통합함으로써 이득을 얻을 수 있음을 시사한다.

저자들은 M-NO가 모든 기존 방법보다 우월한 범용 솔버라는 것이 아니라, 시간적 품질의 지속성이 유효한 신호가 되는 특정 클래스의 최적화 문제를 위한 이론적 근거를 갖춘 대안임을 명시적으로 밝히고 있다.