알고리즘 선택 (Algorithm Selection) 모델의 실세계 일반화 능력 평가

알고리즘 선택 (Algorithm Selection, AS)은 측정 가능한 문제 특성과 과거 성능 데이터를 활용하여 주어진 문제 인스턴스에 가장 적합한 최적화 알고리즘을 자동으로 식별하는 것을 목표로 합니다. 본 연구에서는 합성 (synthetic) 및 실세계 (real-world) 최적화 환경 모두에 걸친 AS 모델의 일반화 능력을 조사합니다. 우리는 널리 사용되는 두 가지 학술적 벤치마크 세트 (BBOB 및 CEC)와 두 가지 실세계 문제 세트 (로보틱스 궤적 최적화 작업 및 무인 항공기 경로 계획 문제)를 고려합니다. 체계적인 교차 벤치마크 평가 (cross-benchmark evaluation)를 통해, 우리는 AS 모델이 도메인 간에 어떻게 전이되는지 분석하고, 일반화가 성공하거나 실패하는 지점을 식별하며, 실제적인 도메인 특화 맥락에서 AS를 적용할 때 발생하는 과제들을 강조합니다. 우리의 연구 결과는 현재 AS 접근 방식의 견고성 (robustness)에 대한 통찰을 제공하며, 실세계 최적화를 위한 보다 신뢰할 수 있고 폭넓게 적용 가능한 AS 시스템 개발에 정보를 제공합니다.