유전알고리즘최적화 (Genetic Algorithm Optimization)
쉽게 풀면
여러 세대에 걸쳐 환경에 잘 적응한 개체가 살아남고 자손을 남기면서 종 전체가 점점 더 나아지는 자연의 진화 과정을 떠올려 보면 됩니다. 유전알고리즘은 여러 후보 해를 마치 하나의 개체군처럼 다루며, 성능이 좋은 해를 우선적으로 골라 서로 섞고 약간씩 변형시키는 과정을 반복합니다. 이 과정을 여러 세대 반복하면 초기에는 엉성했던 해들이 점점 더 좋은 해로 수렴해 갑니다. 정확한 공식을 몰라도 해를 평가만 할 수 있으면 적용할 수 있다는 점이 특징입니다.
왜 중요한가
산업공학에서 다루는 스케줄링, 설비 배치, 경로 설계 등의 문제는 경우의 수가 매우 많아 모든 조합을 다 검토하기 어려운 경우가 많습니다. 유전알고리즘은 이런 복잡한 문제에서도 비교적 짧은 시간 안에 실용적으로 괜찮은 해를 찾아낼 수 있어, 정확한 최적해를 구하기 어려운 대규모 조합 최적화 문제에 널리 활용됩니다.
논문에서는 이렇게 쓰입니다
가능한 작업 순서 하나하나를 하나의 해 후보로 표현하고, 진화 과정을 모사해 더 짧은 작업시간을 갖는 순서를 찾아냈다는 뜻입니다.
진화 기반 탐색 방법을 다목적 문제에 확장 적용해 여러 목표의 균형점들을 함께 찾았다는 의미입니다.
조금 더 깊게 보면
유전알고리즘은 해를 염색체 형태로 표현하고, 적합도가 높은 개체를 우선 선택하는 선택 연산, 두 해를 섞는 교차 연산, 무작위로 일부를 변형하는 돌연변이 연산을 반복 적용합니다. 이런 확률적 탐색 방식은 지역해에 갇히지 않고 넓은 탐색공간을 살펴볼 수 있게 해주며, 대표적인 메타휴리스틱 기법 중 하나로 분류됩니다.
주의할 점
구한 해가 이론적으로 전역 최적해임을 보장하지는 않으며, 교차·돌연변이 방식이나 파라미터 설정에 따라 성능 차이가 크게 날 수 있습니다.