대규모 희소 다목적 최적화 문제(LSSMOPs)는 수많은 결정 변수를 포함하며, 파레토 최적해는 소수의 비영(nonzero) 변수만을 가진다. 그러나 결정 변수의 수가 증가함에 따라 비영 변수를 정확히 식별하는 것이 점점 어려워지고, 최적화 성능이 저하된다. 이러한 문제를 해결하기 위해 본 논문은 LSSMOPs를 위한 진화 알고리즘을 제안한다. 구체적으로, 변수의 중요도를 정확하게 반영하는 점수를 생성할 수 있는 새로운 초기화(initialization) 방법과 비영 변수를 찾아낼 수 있는 초기 마스크 벡터 템플릿을 제안하며, 이를 통해 고품질의 초기 집단을 생성한다. 또한, 각 변수에 대한 변이 확률을 계산하는 새로운 전략과 파레토 유도 정규 분포(Pareto-guided normal distribution)에 기반한 실수 변수의 새로운 최적화 방법을 도입하여, 집단이 지역 최적해에 갇히는 것을 방지하고 전역 최적해로 빠르게 수렴할 수 있도록 한다. 8개의 벤치마크 문제와 3개의 실세계 응용에 대한 실험 결과는 제안된 알고리즘이 최신 알고리즘들과 비교하여 우수한 성능을 달성함을 보여준다.
분포 추정 알고리즘(EDAs)은 블랙박스 최적화를 위한 강력한 진화적 방법의 부류로, 특히 목적 함수의 구조에 대해 알려진 바가 거의 없을 때 유용합니다. 고전적 진화 알고리즘은 미지의 문제 구조에 대해 고안하기 어렵고 바이어스(bias)의 원인이 되는 수동으로 설계된 돌연변이 및 교차 연산자에 의존하는 반면, EDAs는 연산자 설계를 완전히 우회합니다. 즉, 최적 개체들에게 확률 분포를 적합시키고 이로부터 다음 세대를 샘플링합니다. EDAs는 연속 매개변수 공간에서 잘 정립되어 있지만, 좋은 해의 대부분의 계수가 정확히 0인 희소 공간으로는 이전에 일반화된 적이 없습니다. 따라서 기존 희소 블랙박스 최적화 도구는 EDAs가 피하도록 설계된 바로 그 요소, 즉 수작업으로 제작된 희소성 연산자, 서포트 집합과 활성 값 사이를 번갈아 가며 전환하는 이중 수준(bi-level) 스킴, 제로화 임계값 및 기타 내재된 가정을 다시 도입합니다. 우리는 다변량 영팽창 가우시안(ZIG) 분포를 EDA 샘플링 법칙으로 제안하여 이 격차를 해소합니다. 지표와 값 차원이 분리된 잠재 가우시안 모델(model)은 희소성 패턴, 활성 매개변수 간의 상관관계, 그리고 이 둘 사이의 상호작용을 나타내므로, 희소성 패턴과 활성 값이 계층 구조 없이 공동으로 최적화됩니다. 우리는 이 모델의 잠재 매개변수(parameter)가 관련 구조가 기원한 결측 데이터 설정과 달리 관측된 샘플로부터 식별 가능함을 보이고, 이를 위한 실용적인 아모티즈드(amortized) 역전 기반 추정기를 소개합니다. 해당 추정기는 잠재 상관 구조를 정확하게 복원하며, Lunar Lander 벤치마크에서 결과적인 ZIG-EDA는 밀집 가우시안 EDA, 수작업 희소 진화 알고리즘, 임시적(ad-hoc) 희소 EDA보다 더 빠르게 수렴하고 더 높은 최종 수익에 도달하는 동시에, 소수의 매개변수만 활성화된 컨트롤러를 찾아냅니다.