진화 알고리즘(EA)은 자연 선택을 시뮬레이션하지만, (1) 전반적인 학습을 제한하는 전역 상관 관계를 기반으로 개체를 업데이트하는 경우가 드물고, (2) 과도한 활용으로 인한 조기 수렴 및 과도한 탐색으로 인한 검색 속도 저하 등 탐색과 활용의 균형을 맞추는 데 어려움을 겪는다는 두 가지 주요 제한 사항이 있다. 또한, EA는 수동 매개변수 설정에 의존하는 경우가 많아 탐색-활용 균형을 방해할 수 있다. 이러한 문제를 해결하기 위해, 개체를 노드로, 개체 간의 관계를 엣지로 표현하여 전역 정보 사용을 가능하게 하는 그래프 신경 진화(GNE)를 제안한다. GNE는 스펙트럼 그래프 신경망(GNN)을 사용하여 진화 신호를 주파수 성분으로 분해하고, 필터링 함수를 적용하여 이러한 성분을 융합한다. 고주파 성분은 다양한 전역 정보를 캡처하고, 저주파 성분은 더 일관된 정보를 캡처한다. 이 명시적인 주파수 필터링 전략은 주파수 성분을 통해 전역 규모의 기능을 직접 제어하여 수동 매개변수 설정의 한계를 극복하고 탐색-활용 제어를 더 해석 가능하고 관리하기 쉽게 만든다. Sphere, Rastrigin, Rosenbrock 등 9가지 벤치마크 함수에 대한 테스트 결과 GNE는 노이즈가 있는 환경 및 최적 솔루션 편차 시나리오를 포함한 다양한 조건에서 기존 알고리즘(GA, DE, CMA-ES) 및 고급 알고리즘(SDAES, RL-SHADE)보다 우수한 성능을 보였다. GNE는 Sphere에서 평균 3.07e-20으로, 1.51e-07인 다른 알고리즘보다 몇 단계 더 나은 솔루션을 달성했다.
