인공 레밍 알고리즘: 최적화 문제 해결을 위한 새 메타휴리스틱

지능형 정보 시대의 도래와 함께 다양한 분야에서 복잡한 최적화 문제가 증가하고 있습니다. 기존 메타휴리스틱 알고리즘은 많은 시나리오에서 효과적이었지만, 고차원 및 비볼록 탐색 공간에서 조기 수렴, 불충분한 탐색, 그리고 견고성 부족과 같은 문제에 직면합니다. 이는 탐색과 활용의 균형을 더 잘 맞추면서 계산 효율성을 유지할 수 있는 새로운 최적화 기술의 필요성을 강조합니다. 이러한 필요성에 대응하여, 본 연구는 레밍의 네 가지 자연적 행동(장거리 이동, 굴 파기, 먹이 찾기, 포식자 회피)을 수학적으로 모델링한 생체 모방 메타휴리스틱인 인공 레밍 알고리즘(ALA)을 제안합니다. 특히, 장거리 이동과 굴 파기는 탐색 영역의 광범위한 탐색을 담당하며, 먹이 찾기와 포식자 회피는 최적화 과정에서 활용을 제공합니다. 또한, ALA는 탐색과 활용의 균형을 동적으로 조절하여 지역 최적해 회피 및 전역 최적해 수렴 능력을 강화하는 에너지 감소 메커니즘을 통합합니다. 제안된 방법의 효과를 철저히 검증하기 위해 ALA는 IEEE CEC2017 및 CEC2022 벤치마크 테스트 스위트에서 17가지 최신 메타휴리스틱 알고리즘과 비교되었습니다. 실험 결과, ALA는 대부분의 테스트 케이스에서 우수한 해의 정확도, 수렴 속도 및 안정성을 달성하며 신뢰할 수 있는 종합 최적화 성능을 보였습니다. 특히, 10, 30, 50, 100차원의 29개 CEC2017 함수에서 ALA는 모든 경쟁 방법 중 가장 낮은 프리드만 평균 순위 값을 기록했습니다. 이는 ALA가 실제 공학 최적화 문제 해결에 효과적으로 적용될 수 있음을 시사합니다.