현실 세계의 복잡한 문제에는 유일한 최적해가 거의 존재하지 않습니다. 여러 목표가 서로 얽혀 있어, 한 지표의 개선은 대개 다른 지표의 악화를 대가로 치릅니다. 따라서 시스템은 단일한 ‘최적 답’으로 수렴해서는 안 되며, 서로 차별화된 비지배(non-dominated) 후보 해 집합을 유지하여 트레이드오프 관계를 명시적으로 드러내고 의사결정의 최종 판단을 사람에게 남겨 두어야 합니다.
목표 충돌은 구조적인 것이지, 파라미터 튜닝 문제가 아니다
양항비, 구조 강도, 비용, 제조 가능성 등의 목표 사이에는 동시 최적이 존재하지 않습니다. 트레이드오프 곡선(Pareto 전선)은 근접할 수 있을 뿐, 제거할 수 없습니다. 그림에서 회색 산점은 가능한 해를, 컬러 점은 상호 비지배 후보를 나타내며, 이들이 함께 전선을 구성합니다.
다중 목표에서는 전순서가 없다
임의의 두 해 사이에는 서로 비지배 관계일 수 있으며, ‘최선’은 선호 방향이 수반되어야만 정의될 수 있습니다. 예를 들어 강도 편향, 효율 편향, 균형, 초저항은 모두 서로 다른 선호 아래에서의 합리적인 선택이며, 마음대로 나열할 수 있는 단일 순위표가 아닙니다.
희소한 피드백이 일상이다
실제 공학에서는 평가가 고비용 시뮬레이션이나 실측에 의존하기 때문에 피드백이 적고 노이즈가 크며, 그레이디언트를 사용할 수 없어 단일점 등반(hill-climbing) 탐색은 효과적으로 진행되기 어렵습니다. 진화 알고리즘은 개체군을 유지함으로써 소수의 평가만으로도 여러 방향을 동시에 탐색하고, 모든 예산을 한 방향에 걸지 않도록 합니다.
다양성은 부산물이 아닌 자산이다
전선의 여러 영역에 분산된 후보 집합은 전문가에게 선택권과 도메인 지식을 남겨 두는 것과 같으며, 전문가를 대신해 미리 결정을 내리는 것이 아닙니다. 현재의 최적만 추구하면 개체군은 조숙 수렴하고 모드가 붕괴하며, 결국 탐색되지 않은 트레이드오프 구간 전체를 잃게 됩니다. 그림 오른쪽의 두 작은 그래프가 이러한 차이를 직관적으로 보여 줍니다. 단일점 수렴은 한 덩어리로 붕괴하고, 다양한 분포는 전선으로 펼쳐집니다.
역할 분담이 명확하다
알고리즘은 ‘차별화된 사용 가능한 옵션 집합을 생성’하는 일을 담당하고, 도메인 전문가는 ‘선호와 제약에 따라 평가와 선택을 완성’하는 일을 담당합니다. 후보 해 집합은 사람을 대신해 결정하는 것이 아니라, 비교 가능한 옵션을 탁자 위에 올려놓는 것입니다.
공학 사례: 초임계 익형 설계
공기역학적 효율, 항력 발산 특성, 구조 강도, 제조 비용이 서로 얽혀 있습니다. EvoX의 가치는 유일한 ‘최적 익형’을 제시하는 데 있는 것이 아니라, 서로 다른 트레이드오프 구간을 커버하는 후보 익형군을 출력하여 엔지니어가 구체적인 비행 조건과 공정 제약에 따라 선택할 수 있게 하는 데 있습니다.
다중 목표 트레이드오프 산점도와 후보 해 분포도회색 산점은 가능한 해를 나타내고, 컬러로 표시된 상호 비지배 후보 점들이 함께 Pareto 전선에 근접합니다. 오른쪽 두 작은 그래프는 단일점 수렴이 한 덩어리로 붕괴하는 모습과 다양한 분포가 전선으로 펼쳐지는 모습을 대비시킵니다. 이는 다중 목표에서는 전순서가 없고 선호 방향이 수반된 선택만이 존재함을 보여 주며, 알고리즘은 유일한 ‘최적해’가 아니라 서로 다른 트레이드오프 구간을 커버하는 후보군을 출력해야 함을 시사합니다.
