진화 최적화에서 탐색 연산자 성능에 대한 지식을 효과적으로 활용하는 것은 알고리즘의 성능을 향상시키는 데 중요하다. 전통적인 연산자 선택 전략은 종종 고정된 휴리스틱이나 시행착오에 의존하는데, 이는 진화 실행의 비정상(nonstationary) 탐색 동학—즉, 단계(stage), 인스턴스(instance), 그리고 개체군(population)에 의존해 변화하는 연산자 유효성의 전환—에 적응하기 어렵고, 일반적으로 최적이 아닌 성능을 산출한다. 이러한 문제를 해결하기 위해 본 연구에서는 메타러닝 기반의 새로운 적응형 연산자 선택(AOS) 프레임워크를 제안한다. 이 프레임워크는 Long Short-Term Memory (LSTM) 신경망을 활용하여 과거 데이터로부터 연산자 성능의 시간적 패턴을 학습하고, 연산자 선택을 실행 중 동적으로 조정한다. 또한 개체군 다양성을 보존하고 효과적인 탐색을 촉진하기 위해 도메인 특화 편향을 통합하며, 진화 과정이 전개됨에 따라 동적 온라인 학습을 통해 선택 정책을 지속적으로 업데이트한다. Traveling Salesman Problem (TSP) 벤치마크에 대한 실험 결과, 제안된 LSTM 기반 AOS 방법은 연산자 선택의 기존 방법들을 유의하게 능가함이 확인되었다. 특히, 일련의 TSP 인스턴스에서 중위 최적성 갭(median optimality gap) 9.87%를 달성했는데, 이는 최선의 고정 연산자 구성 대비 약 20%의 개선에 해당하며, 더 우수한 해 품질을 시사한다. 더 나아가, 본 접근법은 다른 최신 AOS 기법들을 일관되게 능가하여, LSTM 기반 프레임워크의 효능과 복잡한 최적화 과제에서 진화 알고리즘의 성능을 향상시킬 수 있는 상당한 잠재력을 강조한다. • 최적화에서 적응형 연산자 선정을 위한 새로운 메타러닝 프레임워크. • 과거 성능 및 동적 거동 데이터를 사용하여 연산자를 조정함. • LSTM 네트워크가 진화 알고리즘의 선택 과정을 향상시킴. • Traveling Salesman Problem의 사례 연구에서 회복력과 견고성을 보임. • 결과는 다양한 동적 최적화 과제에서의 잠재적 적용 가능성을 보여줌.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.