앞선 페이지에서는진화 알고리즘을 문제 해결 도구로 다루었습니다. 즉, 개체군이 해 공간을 탐색하고 적합도가 후보 해의 우수성을 평가합니다. MetaDE는 이 관계를 한 단계 더 끌어올려진화 알고리즘 자체를 진화 대상으로 삼고, 외부 진화 계층으로 '내부 차분 진화가 어떻게 동작해야 하는가'를 탐색합니다. 이로써 최적화 목표는 '문제 해 구하기'에서 '해법 개선하기'로 확장됩니다.
2계층 구조: 구성 진화와 작업 해결
- 내부 계층(해 공간): 주어진 변이 전략과 핵심 파라미터(예: 스케일링 인자, 교차율, 개체군 크기)로 차분 진화를 실행하여 벤치마크 함수나 공학 최적화 작업을 해결하고, 작업 성능을 적합도로 산출합니다.
- 외부 계층(알고리즘 구성 공간): 각 개체는 하나의 알고리즘 구성을 인코딩하며, 그 적합도는 스스로 계산하는 것이 아니라 내부가 해당 구성으로 작업을 해결한 뒤 회신한 성능에 의해 결정됩니다. 외부는 이를 바탕으로 선택, 재조합, 변이를 수행하여 현재 작업에 더 잘 맞는 알고리즘 동작을 산출합니다.
- 폐루프: 구성 생성 → 작업 해결 → 성능 피드백 → 구성 갱신, 이 4단계가 순환하면서 알고리즘이 사람이 미리 파라미터를 고정하는 것에 의존하지 않고 작업에 따라 스스로 적응하며 개선됩니다.
핵심 구분: 구성 공간 ≠ 해 공간
내부는 '문제의 답'을 탐색하고, 외부는 '답을 더 잘 찾는 알고리즘'을 탐색합니다. 둘은 서로 결합되어 있어 외부의 우수성은 내부가 실제로 한 번 실행해야만 측정할 수 있지만, 탐색 대상과 인코딩 방식, 평가 기준은 모두 다릅니다. 이 점을 명확히 파악하면 메타 최적화의 보편적 골격을 잡게 됩니다:탐색 자체가 탐색의 대상이 되게 하라.
메타 최적화 관점
전통적 방식은 경험에 의존해 차분 진화 파라미터를 사람이 고정했습니다. MetaDE는 이 단계마저 탐색에 맡깁니다. 그에 따른 대가는 외부가 구성을 평가할 때마다 내부 해결을 완전히 한 번씩 실행해야 하므로 계산 예산이 배로 증가한다는 점입니다. 따라서 구성 공간의 세분화 수준과 평가 예산을 신중하게 저울질해야 합니다.
MetaDE 내·외부 이중 진화 아키텍처 동작 원리도그림 속 MetaDE 내·외부 이중 진화 아키텍처 동작 원리도를 살펴보며, 이것이 'MetaDE가 차분 진화를 내·외부 2계층 구조로 조직한다'는 점과 어떤 관계가 있는지 생각해 보세요.
MetaDE 내·외부 이중 진화 아키텍처 동작 원리도
그림 속 MetaDE 내·외부 이중 진화 아키텍처 동작 원리도를 살펴보며, 이것이 'MetaDE가 차분 진화를 내·외부 2계층 구조로 조직한다'는 점과 어떤 관계가 있는지 생각해 보세요.
