다목적최적화 (Multi-Objective Optimization)
쉽게 풀면
새 냉장고를 고를 때 가격은 낮으면서 성능은 높기를 바라지만, 보통 저렴한 제품은 성능이 아쉽고 성능 좋은 제품은 비쌉니다. 다목적최적화는 이렇게 서로 트레이드오프 관계에 있는 여러 목표를 동시에 만족시키는 최선의 선택지들을 찾는 방법입니다. 단 하나의 정답을 내놓기보다, 어느 하나를 희생하지 않고는 다른 것을 더 좋게 만들 수 없는 후보들의 집합을 제시합니다. 최종적으로 어느 조합을 선택할지는 의사결정자의 우선순위에 달려 있습니다.
왜 중요한가
산업공학의 많은 실제 문제는 비용, 시간, 품질, 환경영향처럼 서로 상충하는 목표를 동시에 다뤄야 합니다. 하나의 목표만 최적화하면 다른 목표가 지나치게 희생될 수 있어, 여러 목표를 함께 고려하는 다목적최적화가 현실적인 의사결정 도구로 널리 쓰입니다. 특히 생산 스케줄링, 설비 배치, 공급망 설계 등에서 자주 활용됩니다. 현실의 의사결정 문제는 비용 최소화와 품질 최대화처럼 서로 상충하는 목표를 동시에 고려해야 하는 경우가 대부분이어서, 단일 최적해 대신 트레이드오프 관계를 보여주는 다목적 최적화가 실무적 의사결정에 더 유용합니다.
논문에서는 이렇게 쓰입니다
비용과 납기라는 두 가지 상충하는 목표를 동시에 만족시키는 균형점들을 찾았다는 뜻입니다.
유전알고리즘 기반 기법을 이용해 여러 목표 사이에서 우열을 가릴 수 없는 최적해들의 경계선을 구했다는 의미입니다.
조금 더 깊게 보면
다목적최적화 문제의 해는 흔히 파레토최적해들의 집합으로 표현되며, 이를 시각화한 것을 파레토 프론트라고 부릅니다. 여러 목표를 하나의 값으로 합치는 가중합법, 목표 하나만 남기고 나머지를 제약으로 바꾸는 제약법, 유전알고리즘과 같은 메타휴리스틱 기법 등이 해를 구하는 데 활용됩니다. 다목적최적화는 단일 최적해 대신, 어떤 목적을 더 개선하려면 다른 목적이 악화될 수밖에 없는 상충 관계에 있는 해들의 집합인 파레토 최적해(파레토 프론티어)를 구하는 것을 목표로 하는 경우가 많습니다. 다목적 최적화는 여러 목적함수를 동시에 개선할 수 없는 지점들의 집합인 파레토 프론티어를 도출하는 방식으로 접근하며, 가중합법·제약법 등으로 단일 목적 문제로 변환하거나 진화 알고리즘으로 프론티어 전체를 근사하는 방법이 함께 쓰입니다.
주의할 점
목표가 많아질수록 파레토 프론트를 정확히 구하는 계산 부담이 커지며, 최종 해 선택에는 여전히 의사결정자의 주관적 판단이 필요합니다.
다목적최적화 문제를 단일 목적함수로 가중합해 단순화하는 방법은 계산이 간편하지만, 가중치 설정에 따라 특정 형태의 파레토 최적해만 찾아지는 한계가 있다는 점에 유의해야 합니다.