우리는 $N=12$, $p=3$, $D=6$ 조건에서 네 가지 비용 해밀토니안(cost-Hamiltonian) 계열에 걸쳐 고정된 저심도(low-depth) 양자 근사 최적화 알고리즘(Quantum Approximate Optimization Algorithm, QAOA) 앤자츠(ansatz)에 대한 고전적 최적화를 벤치마크한다. 10개의 옵티마이저를 10,000회 및 30,000회의 함수 평가(function evaluations, FEs)라는 공통 상한 하에서 25회의 독립 실행에 걸쳐 비교하며, 먼저 정확한 상태벡터(statevector) 목적함수로, 이후 두 가지 수준의 가산 관측 잡음(observation noise)을 적용하여 비교한다. 정확한 목적함수에서는 다중 시작(multistart) BFGS와 다중 시작 CMA-ES가 우세하다. 잡음이 있는 피드백 하에서는 적응형 개체군(population) 기반 방법들이 더 경쟁력을 갖게 되지만, 그 순위는 성능을 방문한 최적의 정확한 지점으로 측정하는지 아니면 잡음이 있는 관측값으로부터 선택된 지점으로 측정하는지에 따라 달라진다. 각 계열별로 사전 선별된 세 가지 인스턴스 전체에 대한 표적 확장 실험은 이러한 국면 전환(regime change)을 확인해주는 동시에, 명명된 적응형 차분 진화(adaptive-DE) 우승자들이 인스턴스에 따라 달라짐을 보여준다: 동일 인스턴스 요약에서 jSO-lite는 저잡음 오라클 탐색을, iL-SHADE는 고잡음 오라클 탐색을, L-SRTDE는 고잡음 선택 해(solution)를 각각 주도한다. 부트스트랩(bootstrap) 분석은 무시할 수 없는 수준의 고잡음 탐색-선택 격차(search-selection gap)를 정량화하며, 소급적 고정 예산 검증 프록시(retrospective fixed-budget verification proxy)는 최종 재평가를 위해 소량의 측정 예산을 남겨두는 것이 30,000 FEs에서 열 가지 방법 모두에 걸쳐 선택된 해의 품질을 향상시킴을 보여준다. 추가적인 구조 인식(structure-aware) 연구는 나아가 이러한 조건에서 QAOA의 교차 심도 제한(cross-depth restriction)과 연속적 분지 정제(continuous basin refinement)가 단독 몬테카를로 트리 탐색(Monte Carlo tree-search) 선택보다 더 유용함을 보여준다. 전반적으로 옵티마이저 선택은 지형 구조(landscape structure), 관측 잡음, 그리고 최종 지점 식별(final-point identification)에 공동으로 의존한다.
차원의 저주는 현대 최적화 문제에서 여전히 지속적인 과제로 남아 있다. 탐색 공간을 더 높은 차원으로 확장하면 최적해를 찾는 난이도가 기하급수적으로 증가하여 기존 알고리즘을 비효율적으로 만든다. 본 연구는 고차원 최적화를 가속하기 위한 효율적인 샘플링 전략을 제시하며, 이는 균일 준몬테카를로(quasi-Monte Carlo, QMC) 방법의 대안이다. Hyperellipsoid Density Sampling(HDS)이라고 불리는 이 방법은 탐색 공간 전역에 여러 초타원체(hyperellipsoid)를 정의하여 시퀀스를 생성한다. HDS는 고차원 기하 계산을 우회하기 위해 세 가지 유형의 비지도 학습(unsupervised learning) 알고리즘을 활용하여, 매개변수 공간의 통계적으로 유망한 영역을 활용(exploit)하는 비균일 샘플 시퀀스를 생성한다. 분포를 관심 영역으로 기울일 수 있는 능력 덕분에 HDS는 전역 최적화를 넘어, 특정 영역에 집중된 샘플이 유리한 응용에도 다양하게 활용될 수 있다. HDS는 CEC2017 벤치마크 테스트 함수 29개로 구성된 어려운 세트에서 미분 진화(differential evolution, DE)를 사용하여, 높은 균일성을 갖는 QMC 샘플링 방법인 Sobol과 비교 평가되었다. 결과는 최종 해의 기하평균 오차(geometric mean error)에서 통계적으로 유의한 개선(p<0.05)을 보였으며, 평균 성능 향상은 10차원에서 37%부터 100차원에서 11%까지였다. 본 논문은 고차원 최적화에서 균일 QMC 샘플링에 대한 견고한 대안으로서 HDS의 효과를 입증한다.
RDEx 프레임워크 기반의 미분 진화(differential evolution)에 후기 단계 경량 좌표 패턴 국소 탐색(local search)을 추가한 DE-2LS를 제안하며, 이는 전역 탐색 및 실행 가능성 탐색을 유지하면서 최종 단계의 활용(exploitation) 능력을 강화한다. 실험 결과, DE-2LS는 RDEx 대비 U-score 5.58% 향상을 달성하고, RDEx, CL-SRDE, UDE-III와의 4개 알고리즘 비교에서 가장 높은 전체 U-score 80968과 최고 순위를 기록하였다.
RDEx를 기반으로 후기 탐색 단계에서의 평활화된 활용 편향 branch-rate 갱신과 guarded coordinate-pattern 로컬 서치를 추가한 차분 진화(Differential Evolution) 프레임워크 DE-2LS를 제안한다. 실험 결과, DE-2LS는 원본 RDEx 대비 U-score를 11.45% 향상시켰으며, IEEE CEC 우승 알고리즘들과의 비교에서도 34.43% 높은 최고 종합 U-score를 달성했다.