A high-efficiency adaptive Genghis Khan shark optimizer using novel strategies for static and dynamic complex engineering optimization

기술 요약: 정적 및 동적 복합 공학 최적화를 위한 혁신적 전략을 이용한 고효율 적응형 징기스칸 상어 최적화 알고리즘(IGKSO)

문제 정의
공학 실무의 최적화 문제는 종종 비선형성, 고차원성, 실시간 역동성 및 다중 모드(multi-modal) 특성을 수반한다. 전통적인 경사 하강법 기반 방식은 목적 함수가 불연속적이거나, 비볼록(non-convex)하거나, "블랙박스" 형태인 경우 수렴 불안정성과 지역 최적점(local optima) 함몰 문제로 인해 이러한 복잡성을 해결하는 데 어려움을 겪는 경우가 많다. 메타휴리스틱 알고리즘(MAs)은 미분 불필요한 대안을 제공하지만, 탐사(exploration, 전역 탐색)와 착취(exploitation, 지역 정밀 탐색) 사이의 동적 균형을 맞추는 데 있어 과제에 직면해 있다. 구체적으로, 기존의 징기스칸 상어 최적화(GKSO)는 효과적이기는 하나, 자가 보호 메커니즘이 특정 단계에 고정되어 있어 동적인 위협에 적응하지 못한다는 점, 스케일링 파라미터 $m$이 고정되어 다양한 문제 지형에 대한 범용성이 부족하다는 점, 그리고 정체 상태를 탈출하기 위해 인구 집단의 행동을 동적으로 변경하는 메커니즘이 부족하다는 한계를 보인다.

방법론: 개선된 징기스칸 상어 최적화 알고리즘 (IGKSO)
본 연구는 정적 공학 최적화 문제(SEOPs)와 동적 공학 최적화 문제(DEOPs)를 해결하기 위해 설계된 GKSO의 향상된 변형인 IGKSO를 제안한다. 본 방법론은 상어의 생존 및 사냥 행동을 정교화하기 위해 네 가지 새로운 전략을 도입한다:

1. 두 가지 상호 의존적 생존 결합: 저자들은 최적화 과정을 새로운 4단계 프레임워크로 재구성하였다. 고정된 순서 대신, 알고리즘은 "전역 위험 계수(Global Danger Coefficient)"와 "다중 지역 경계 요인(Multiple Local Vigilance Factors)"을 사용하여 특정 순간의 상어 행동을 결정한다. 만약 지역 경계 요인이 전역 위험 계수를 초과하면 상어는 표준 사냥 업데이트를 수행한다. 반대로 위험이 높으면 단계와 관계없이 즉시 자가 보호 메커니즘이 트리거된다. 이러한 동적 통합은 포식자로부터 도망치는 상어의 능력을 시뮬레이션함으로써 알고리즘이 지역 최적점에서 더 효과적으로 탈출할 수 있도록 한다.
2. 명암 상호작용 전략 (Light-Dark Interactive Strategy): 새로운 네 번째 단계에 도입된 이 전략은 빛의 강도에 따라 피부색을 변화시켜 포식자를 저지하는 GKS의 능력을 시뮬레이션한다. 수학적으로 이는 정규화된 RGB 색상 값과 다른 개체들과의 무작위 상호작용을 기반으로 위치를 조정하는 "밝아짐(brightening)" 및 "어두워짐(darkening)" 업데이트(식 4.1 및 4.2)를 포함한다. 이 메커니즘은 자가 보호 로직과 결합되어 탐사와 착취의 균형을 더욱 정교하게 맞춘다.
3. 적응형 파라미터 $M$: 기존 GKSO의 고정된 스케일링 파라미터 $m$의 경직성을 극복하기 위해 적응형 파라미터 $M$을 설계하였다. $M$은 전역 위험 계수와 지역 경계 요인 곡선의 교차점을 기반으로 동적으로 계산된다. 이를 통해 후각 강도(OI)와 수렴 방향이 특정 최적화 환경에 적응할 수 있게 하여, 최적의 위치를 향해 이동하는 개체들의 탐색 능력을 향상시킨다.
4. 어군 형성 장치(FADs) 전략: 인구 집단의 정체를 방지하고 집단 조직력을 개선하기 위해, 네 가지 주요 단계 이후에 FADs 전략을 적용한다. 이는 물고기가 모이는 행동을 시뮬레이션하여 새로운 후보 해를 생성하는 독립적인 업데이트 메커니즘 역할을 한다. 이는 인구 집단에 다양성을 도입하고 개체들을 더 높은 품질의 해 영역으로 유도한다.

주요 기여

• 알고리즘 강화: 고정된 단계가 아닌 위험 계수에 의해 제어되는 동적 4단계 생존 모델에 자가 보호 메커니즘을 통합한 IGKSO를 제안하였다.
• 전략적 혁신: 명암 상호작용 전략과 적응형 파라미터 $M$을 도입하였으며, 이는 복잡한 지형에서 탐사와 착취의 균형을 맞추는 알고리즘의 능력을 집단적으로 향상시킨다.
• 포괄적 검증: 본 연구는 세 가지 뚜렷한 테스트 환경에서 11개의 다른 MAs(MSA, SBOA, MTDE와 같은 최신 변형 포함)를 대상으로 IGKSO를 검증하였다:
  • 벤치마크 함수: CEC2017 제품군에서 추출한 29개 함수 (50차원).
  • 정적 공학 문제 (SEPs): 주파수 변조 음파 추정, 공정 흐름 시트 설계, 플라이휠 설계, 변압기 설계, 2개 반응기 최적화, 피스톤 로드 설계, 가스 송전 압축기 설계, 풍력 단지 배치, 윙 플리핑(wing flipping) 설계 등 9개 문제.
  • 동적 공학 문제 (DEPs): 빔의 강제 진동 및 2자유도 매니퓰레이터의 오차 최소화와 관련된 2개 문제.

실험 결과

• CEC2017 벤치마크: IGKSO는 29개 테스트 함수 중 41.38%(12개 함수)에서 최적의 결과를 달성하였으며, 평균 순위 2.414로 전체 1위를 차지하였다. 이는 기존 GKSO 및 기타 최첨단 알고리즘에 비해 우수한 수렴 속도와 안정성을 입증하였다.
• 정적 공학 문제: IGKSO는 9개 모든 SEOP에서 최적의 비용 및 통계적 결과(최적값, 평균, 표준편차)를 얻었다. 특히 피스톤 로드 설계 및 윙 플리핑 설계의 경우, 상위 성능 알고리즘 중 가장 낮은 표준편차를 기록하여 높은 견고성을 나타냈다.
• 동적 공학 문제: 빔 진동 및 매니퓰레이터 오차 최소화 문제에서 IGKSO는 최소 비용 함수를 달성하였으며 가장 작은 표준편차를 보여, 시변 제약 조건 및 동적 시스템 상태를 처리하는 데 있어의 유효성을 확인하였다.

의의 및 주장
본 논문은 IGKSO가 복잡한 제약 조건을 가진 공학 최적화 문제를 해결하기 위한 "확립된 효율적인 방법"이라고 주장한다. 저자들은 제안된 전략이 기존 GKSO의 한계, 특히 탐사와 착취의 동적 조율 문제를 성공적으로 해결했다고 단언한다. 상호 의존적인 위험 요인과 적응형 파라미터를 통해 상어의 생존 규칙을 더욱 현실적으로 모델링함으로써, 알고리즘은 지역 최적점을 벗어나 복잡한 탐색 공간을 항해하는 탁월한 능력을 보여준다. 본 연구는 IGKSO가 메타휴리스틱 최적화 분야에서 중요한 발전을 이루었으며, 정적 및 동적 공학 응용 분야 모두에 강력한 도구를 제공한다고 결론짓는다. 향후 연구로는 IGKSO를 특징 선택(feature selection), 경로 계획(path planning) 및 곡선 형상 최적화로 확장하는 것을 제안한다.