Blind Smart Navigator Optimizer (BSNO): A Bio-Inspired Hybrid Metaheuristic Algorithm for Expensive Black-Box Optimization

공학 및 과학적 발견의 세계에서 연구자들은 종종 좌절스러운 역설에 직면합니다. 가장 중요한 문제가 해결하기에도 가장 비용이 많이 든다는 점입니다. 새로운 비행기 날개를 설계하거나 복잡한 의료 기기를 설계한다고 상상해 보십시오. 설계가 제대로 작동하는지 알기 위해서 단순히 공식에 숫자를 대입하는 것만으로는 부족합니다. 몇 시간 또는 며칠이 걸릴 수도 있는 거대한 컴퓨터 시뮬레이션을 실행해야 합니다. 이러한 문제들은 내부 작동 방식이 숨겨져 있고, 답을 얻는 유일한 방법은 컴퓨터에 테스트를 요청하는 것뿐이기에 "블랙박스" 도전 과제로 알려져 있습니다. 단 한 번의 테스트에 그토록 많은 시간이 소요될 때, 무턱대고 추측하거나 수백만 가지의 무작위 변형을 시도할 여유는 없습니다. 당신에게는 매우 효율적인 가이드, 즉 단 한 시간의 귀중한 컴퓨팅 시간도 낭비하지 않고 다음에 어디를 살펴봐야 할지 정확히 아는 존재가 필요합니다.

수십 년 동안 과학자들은 새들이 떼를 지어 이동하거나 진화가 가장 적합한 형질을 선택하는 방식과 같이 자연을 모방하는 알고리즘을 만들어 이 문제를 해결하려 노력해 왔습니다. 이러한 방법들은 많은 작업에서 잘 작동하지만, 모든 테스트의 비용이 매우 높은 경우에는 어려움을 겪는 경우가 많습니다. 그들은 최선의 가능한 해결책이라고 생각하며 국소적 최적점(local good spot)에 갇히거나, 허용된 테스트 횟수를 소진하며 목적 없이 방황할 수 있습니다. 과제는 단순한 무작위 탐색이 아니라, 매 단계로부터 배우고, 과거의 실수를 기억하며, 언제 위험을 감수해야 할지를 아는 스마트하고 적응 가능한 프로세스를 구축하는 것이었습니다.

마지드 다레미라키(Majid Darehmiraki)가 베흐바한 카탐 알라니아 공과대학교(Behbahan Khatam Alanbia University of Technology)에서 개발한 새로운 접근 방식은 다른 종류의 영감을 제공합니다. 생물이나 박테리아를 관찰하는 대신, 연구자는 시각 장애인이 낯설고 울퉁불퉁한 환경을 어떻게 항해하는지를 살펴보았습니다. 그 결과로 탄생한 시스템인 '블라인드 스마트 네비게이터 옵티마이저(Blind Smart Navigator Optimizer)'는 시각 장애인의 신중하고 단계적인 의사 결정 과정을 모방하여 비용이 많이 들고 어려운 문제를 해결하도록 설계된 컴퓨터 프로그램입니다. 이 연구는 인간의 항해 전략을 수학적 규칙으로 변환함으로써, 이 알고리즘이 기존의 방법들보다 더 적은 테스트 횟수로 더 빠르게 더 나은 해결책을 찾을 수 있음을 시사합니다.

이 새로운 알고리즘의 핵심 아이디어는 미지의 영역을 항해하는 데 특정한 일련의 행동이 필요하다는 것입니다: 주변 환경을 감지하고, 움직임을 결정하며, 지나온 곳을 기억하고, 때때로 도움을 요청하는 것입니다. 컴퓨터 버전에서 '보행자'는 가능한 해결책들의 풍경 속을 움직이는 가상 에이전트입니다. 에이전트는 전체 지도를 볼 수 없으므로 '흰 지팡이' 전략을 사용합니다. 현실 세계에서 시각 장애인은 지팡이를 두드려 앞의 지면을 느낍니다. 알고리즘에서 이것은 이전에 평가된 작은 점들의 집합을 사용하여 국소 대리 모델(local surrogate model)을 구축함으로써 수행됩니다. 이를 통해 컴퓨터는 매 단계마다 비용이 많이 드는 몇 시간짜리 시뮬레이션을 실행하지 않고도 현재 위치 바로 옆의 지형 경사를 추정할 수 있습니다. 알고리즘은 아르미요 조건(Armijo condition)이 목적 함수의 충분한 감소를 확인할 때만 전체의 비용이 큰 테스트를 실행합니다.

에이전트가 방향을 알게 되면, 얼마나 멀리 발을 내디딜지 결정해야 합니다. 시각 장애인은 모든 곳에서 똑같은 보폭으로 걷지 않습니다. 매끄럽고 안전한 지면에서는 길고 자신감 있게 발을 내딛지만, 장애물이나 거친 부분을 느끼면 보폭을 줄입니다. 새로운 알고리즘은 자동적으로 보폭을 조절함으로써 이를 모방합니다. 경로가 일관되고 유망해 보이면 빠르게 움직입니다. 지형이 불안정하거나 불확실하게 느껴지면 속도를 늦추고 더 작고 안전한 발걸음을 옮깁니다. 이는 시스템이 좋은 해결책을 지나치거나 어려운 지점에 갇히는 것을 방지합니다. 또한, 에이전트는 이미 시도했다가 실패했던 장소들에 대한 정신적 지도를 유지합니다. 만약 자신이 루프에 빠져 같은 막다른 길을 반복해서 시도하고 있다는 것을 알게 되면, 이를 기억하고 완전히 새로운 영역으로 뛰어들도록 강제하여 생산적이지 않은 지역을 다시 방문하며 시간을 낭비하지 않도록 합니다.

시스템은 또한 사회적 학습의 형태를 포함합니다. 시각 장애인이 더 넓은 관점을 얻기 위해 행인에게 길을 묻는 것처럼, 알고리즘은 가상 에이전트들이 정보를 공유할 수 있도록 합니다. 만약 한 에이전트가 특히 유망한 지점을 발견하면, 다른 에이전트들은 그 위치를 향해 이동하도록 경로를 조정합니다. 이러한 집단적 안내는 모두가 동일한 국소적 골짜기에 갇히지 않고도 그룹 전체가 최선의 해결책을 향해 효율적으로 이동하도록 돕습니다. 깊은 구덩이에 빠지는 위험을 처리하기 위해, 알고리즘은 현재보다 더 나빠 보이는 단계를 가끔씩 수용하는 메커니즘을 포함합니다. 이는 여행자가 나중에 더 좋은 전망을 볼 수도 있다는 생각에 험하고 오르막인 길을 가기로 결정하는 것과 비슷합니다. 초기에 이러한 위험한 움직임을 허용함으로써, 시스템은 선택지를 열어두고 너무 빨리 평범한 답에 안주하는 것을 피합니다.

연구진은 이 새로운 방법을 유전 알고리즘 및 입자 군집 최로 최적화(particle swarm optimization)를 포함한 여러 확립된 최적화 기법들과 함께, 해결하기 어려운 것으로 알려진 표준 수학적 과제들을 사용하여 테스트했습니다. 이 테스트에는 다양한 수준의 복잡성과 차원을 가진 문제들이 포함되었습니다. 결과는 블라인드 스마트 네비게이터 옵티마이저가 문제가 복잡해질수록 다른 방법들보다 일관되게 더 나은 해결책을 찾아냈음을 보여주었습니다. 이 알고리즘은 고품질의 답에 더 빠르게 도달했으며 성능의 변동성도 적었는데, 이는 다양한 유형의 문제에 대해 더 신뢰할 수 있음을 의미합니다. 통계적 분석은 이러한 개선이 우연이 아니라, 새로운 접근 방식의 진정한 결과임을 확인시켜 주었습니다.

이 작업이 특히 주목할 만한 이유는 단순히 성능이 좋아서가 아니라, 어떻게 그 성능을 달성하느냐에 있습니다. 단순히 서로 다른 기술들을 결합해 놓은 무작위 혼합물인 많은 현대 알고리즘과 달리, 이 시스템은 하나의 일관된 이야기 위에 구축되었습니다. 코드의 모든 부분은 시각 장애인이 세상을 항해할 때 사용하는 특정 행동과 직접적으로 연결된 명확한 존재 이유를 가지고 있습니다. 이는 알고리즘을 더 이해하기 쉽고 설명하기 쉽게 만듭니다. 이것은 블랙박스 안의 또 다른 블랙박스가 아닙니다. 그것은 어두운 방을 걷는 인간의 논리만큼이나 탐색의 논리가 명확한 투명한 프로세스입니다.

연구는 이 인간 중심의 프레임워크가 모든 컴퓨터 테스트에 많은 시간과 비용이 드는 종류의 문제에 특히 강력하다고 결론짓습니다. 불필요한 테스트를 피하기 위한 스마트한 추측을 사용하고, 과거의 실패를 기억하며, 신중함과 탐색 사이의 균und를 맞춤으로써, 이 알고리즘은 이전보다 더 효율적으로 어렵고 복밀한 공학 및 과학 문제를 해결해 나갑니다. 현재 버전은 행동을 위한 고정된 설정을 사용하고 있지만, 연구진은 미래의 작업이 알고-리즘이 해결하고 있는 특정 문제에 대해 더 많이 학습함에 따라 스스로의 전략을 조정할 수 있도록 하여 시스템을 더욱 똑똑하게 만들 수 있다고 제안합니다. 현재로서 블라인드 스마트 네비게이터 옵티마이저는 인간의 행동, 심지어 가장 도전적인 감각적 제한 상황 하에서의 행동을 관찰하는 것이 세계에서 가장 어려운 계산적 퍼즐을 풀기 위한 강력한 청사진을 제공할 수 있다는 증거로 서 있습니다.