본 논문은 대규모 산업 및 신뢰성-중복 할당 문제를 해결하기 위해 설계된, 고급 매개변수 재구성 기반 메타 휴리스틱 알고리즘인 AI-AEFA를 제시합니다. AI-AEFA는 새로운 로그-시그모이드 기반 매개변수 적응 및 혼돈 매핑 메커니즘을 통해 탐색 공간 탐색 및 수렴 효율성을 향상시킵니다. 28개의 IEEE CEC 2017 제약 벤치마크 문제, 15개의 대규모 산업 최적화 문제 및 7개의 신뢰성-중복 할당 문제에 대한 검증을 통해, AI-AEFA는 실행 가능성, 계산 효율성 및 수렴 속도 측면에서 최첨단 최적화 기법을 능가하는 것으로 나타났습니다. 또한, SHAP (Shapley Additive Explanations)을 통합하여 AI-AEFA의 해석성을 높여 쿨롱 상수, 전하, 가속도 및 정전기력과 같은 주요 매개변수의 영향에 대한 통찰력을 제공합니다. 이러한 설명 기능을 통해 최적화 프로세스 중 AI-AEFA 프레임워크 내의 의사 결정에 대한 더 깊은 이해가 가능합니다. 연구 결과는 AI-AEFA가 강력하고 확장 가능하며 해석 가능한 최적화 도구임을 확인하며, 실제 응용 분야에서 중요한 의미를 가집니다.
