분산 블랙박스 컨센서스 최적화를 위한 행동 및 협력 학습

여러 로봇이나 에이전트가 중앙 통제 없이 각자의 정보만으로 전체 목표를 달성해야 하는 상황에서, 기존의 고정된 규칙 대신 LLM이 상황에 맞는 전략을 실시간으로 제안합니다. 이는 복잡하고 정답을 알 수 없는 환경에서도 시스템 전체가 효율적으로 정답에 수렴하도록 돕는 새로운 협업 패러다임을 제시합니다.

분산 최적화에서 각 에이전트는 전체 지도를 모른 채 자신의 주변 정보(Local Objective)만으로 전역 최적점(Global Objective)을 찾아야 한다. 기존 방식은 입자 군집 최적화(PSO) 같은 고정된 수식을 사용하지만, 이는 환경이 복잡해지면 지역 최적점(Local Optima)에 빠지거나 에이전트 간 의견 일치(Consensus)가 늦어지는 한계가 있다.

이 논문은 에이전트의 과거 최적화 경로(Trajectory)를 LLM에게 요약하여 전달하고, LLM이 이를 분석해 현재 탐색 속도를 높일지 혹은 이웃의 정보를 더 신뢰할지를 결정하는 상위 가이드를 제공하게 한다. 이는 딥러닝의 가중치 업데이트 과정에서 학습률(Learning Rate)을 상황에 맞게 조절하는 것과 유사하지만, 에이전트 간의 연결 강도까지 동적으로 바꾼다는 점이 핵심이다.

결과적으로 에이전트들은 초기에 넓게 탐색하다가, 유망한 지점이 발견되면 LLM의 지시에 따라 협력 가중치를 조정하여 빠르게 하나의 결론으로 모이게 된다. 이는 고정된 알고리즘이 해결하지 못하는 비볼록(Non-convex) 환경에서의 효율적인 분산 의사결정을 가능하게 한다.

LAC-MAS는 실행 계층과 가이드 계층의 이중 구조로 설계되었다. 실행 계층에서는 각 에이전트 i가 P개의 입자 집합 {x_i,p}을 유지하며, 입자들의 중심점(Centroid) μ_i와 분산도(Divergence) D_i를 계산한다. [입자들의 위치 차이 제곱합을 입자 수로 나누어] → [분산도 D_i를 산출하고] → [이 값이 크면 탐색 모드, 작으면 수렴 모드로 판단하여] → [내부 행동 계수 w_i를 선택한다].

가이드 계층의 LLM은 에이전트의 로컬 궤적과 이웃들의 상태 요약 s_ik를 입력받아 내부 행동 계수 세트와 이웃 협력 가중치 a_ik를 생성한다. [이웃의 목적 함수 값, 분산도, 상태 변화량을 입력으로] → [LLM이 상대적 중요도를 추론하여] → [정규화된 가중치 벡터를 출력하고] → [에이전트 간 정보 융합 시 이웃 정보의 반영 비중을 결정한다].

Phased Cognitive Guidance(PCG)는 최적화 전체 기간 T를 기준으로 LLM 호출 시점을 제어한다. [현재 반복 횟수 t와 미리 설정된 임계치 ρ를 비교하여] → [이진 게이팅 함수 g(t)를 계산하고] → [필요한 시점에만 LLM 추론을 수행하여] → [불필요한 연산 비용을 줄이고 시스템 안정성을 확보한다].

F1~F10으로 구성된 표준 분산 블랙박스 벤치마크 실험 결과, LAC-MAS는 기존 SOTA 모델인 MASOIE 대비 대부분의 함수에서 더 낮은 평균 및 중앙값 Fitness를 달성했다. 특히 다봉형(Multimodal) 및 비정형 함수에서 탐색과 수렴의 균형을 효과적으로 맞추어 해의 품질을 크게 개선했다.

무선 센서 네트워크(WSN) 기반의 다중 타겟 위치 추정 실무 과제에서도 타겟 수가 증가함에 따라 기존 방식들의 오차가 급격히 커지는 반면, LAC-MAS는 일관되게 낮은 추정 오차(Estimation Error)를 유지했다. 타겟 50개 기준 MASOIE가 약 100 이상의 오차를 보일 때 LAC-MAS는 60.49 수준을 기록하며 우수한 일반화 성능을 입증했다.

본 연구는 분산 최적화 시스템의 '자기 설계(Self-design)' 능력을 확보하기 위해 LLM을 고수준 제어기로 도입했다. 아키텍처는 하위의 Swarm Dynamics와 상위의 LLM Guidance가 분리된 구조이며, LLM은 직접적인 변수 업데이트 대신 행동 양식을 결정하는 하이퍼파라미터와 그래프 가중치만을 조정한다.

이론적으로는 LLM이 생성한 가중치 행렬 A(t)가 행-확률적(Row-stochastic) 성질을 유지하도록 투영(Projection) 단계를 거치며, PCG를 통해 유한한 횟수의 업데이트만 수행함으로써 시스템의 컨센서스 구조가 보존됨을 수학적으로 증명했다. 이는 LLM의 확률적 출력이 시스템 전체의 안정성을 해치지 않도록 보장하는 장치이다.

구현 측면에서는 DeepSeek-R1:14B 모델을 Ollama 환경에서 로컬로 배포하여 에이전트들이 외부 API 의존성 없이 독립적으로 추론을 수행할 수 있도록 했다. 이는 완전 분산형 시스템의 요구사항을 충족하며 데이터 프라이버시와 통신 독립성을 유지한다.

본 논문은 고정된 통신 토폴로지 환경을 가정하고 있으며, 통신 링크 자체가 동적으로 변하거나 끊기는 동적 네트워크 환경에서의 성능은 명시적으로 다루지 않았다. 또한 LLM 가이드의 빈도를 조절하는 PCG의 하이퍼파라미터 설정이 사전 실험에 의존한다는 점이 한계로 언급되었다.