다중집합 순서 제약을 위한 효율적 필터링 알고리즘

** 본 논문은 전역 제약조건으로서 다중집합 순서(multiset ordering) 제약을 새롭게 정의하고, 이를 효율적으로 전파할 수 있는 두 가지 필터링 알고리즘을 제시한다. 다중집합 순서 제약은 두 벡터 X 와 Y 의 원소들을 다중집합으로 해석했을 때, X 의 다중집합이 Y 의 다중집합보다 사전식으로 작아야 함을 의미한다. 이 제약은 행·열 대칭을 깨뜨리는 데 유용하며, 레키민(leximin) 최적화와 같은 다중목표 최적화에서도 강력한 프루닝 효과를 제공한다. **1. 배경 및 필요성** 전역 제약은 CP의 핵심 성공 요인 중 하나이며, 전용 필터링 알고리즘을 통해 일반적인 도메인 축소보다 훨씬 강력한 GAC를 달성한다. 기존에 널리 쓰이는 전역 제약(예: all‑different, lexicographic ordering)은 다중집합 순서와는 다른 구조적 특성을 가진다. 따라서 다중집합 순서를 직접 다루는 전용 알고리즘이 필요하다. **2. 다중집합 순서 제약 정의** 두 벡터 ~X =⟨X₀,…,X_{n‑1}⟩와 ~Y =⟨Y₀,…,Y_{n‑1}⟩에 대해, 각 변수의 현재 도메인 D(X_i), D(Y_i) 를 이용해 가능한 값들의 다중집합을 만든다. 다중집합 M_X 와 M_Y 를 각각 정렬된 “occurrence vector”(값별 출현 횟수를 내림차순으로 정렬)로 변환한 뒤, 사전식 비교를 수행한다. M_X ≤ M_Y 가 성립하면 제약이 만족된다. “strict” 버전은 M_X < M_Y 를 요구한다. **3. 알고리즘 설계** - **MsetLeq (O(n·d))** 1. 각 변수의 최소값 min(X_i)와 최대값 max(X_i) 을 수집한다. 2. 전체 도메인에서 서로 다른 값들의 집합 V 을 만든다 (|V| = d). 3. V 에 대해 각 값의 출현 가능성을 카운트하여 occ_X, occ_Y 를 만든다. 4. occ_X와 occ_Y를 사전식으로 비교하고, 불일치가 발생한 위치에 대해 도메인에서 해당 값을 제거한다. 이 과정은 모든 변수와 모든 서로 다른 값에 대해 한 번씩 접근하므로 O(n·d) 시간 복잡도를 가진다. - **MsetLeq‑Log (O(n log n))** 1. 각 변수의 현재 최소·최대값을 이용해 전체 값 리스트를 만든 뒤 정렬한다 (O(n log n)). 2. 정렬된 리스트를 순회하면서 누적 빈도표를 구축하고, 두 벡터에 대한 누적 빈도 차이를 실시간으로 계산한다. 3. 차이가 음수가 되는 최초 위치를 찾으면 해당 위치 이하의 값들을 도메인에서 제거한다. 정렬 단계가 유일한 O(n log n) 비용이며, 이후의 비교는 선형 시간에 수행된다. 두 알고리즘 모두 **GAC**를 보장한다. 논문은 이를 위해 (i) 제약이 만족될 수 있는 모든 “지원(support)”이 존재함을 증명하고, (ii) 도메인에서 제거되는 값이 어떤 완전 할당에서도 제약을 만족시킬 수 없음을 수학적으로 증명한다. **4. 엄격한 순서와 엔탈리먼트 탐지** strict 버전은 M_X = M_Y 인 경우를 즉시 탐지한다. 이를 위해 알고리즘에 “동등 검사” 단계를 삽입하고, 동등성이 확인되면 (a) 엔탈리먼트(제약이 항상 만족)으로 선언하거나 (b) 불가능(제약이 항상 위배)으로 선언한다. 엔탈리먼트 탐지는 탐색 트리에서 불필요한 전파를 차단해 성능을 크게 향상시킨다. **5. 기존 제약을 이용한 대체 구현** 다중집합 순서를 기존 전역 제약(예: all‑different, sum, lexicographic ordering)들의 조합으로 구현하는 방법을 제시한다. 예를 들어, 각 값에 대한 카운트 변수를 도입하고, 이 카운트 변수들에 대해 all‑different와 sum 제약을 결합해 다중집합 순서를 강제한다. 그러나 실험 결과, 이러한 조합 방식은 (i) 추가 변수와 제약이 많이 생성돼 메모리 오버헤드가 크고, (ii) 프루닝 강도가 전용 알고리즘에 비해 현저히 낮으며, (iii) 실행 시간이 2~5배 정도 느리다. **6. 실험 평가** 네 가지 벤치마크를 사용했다: - **대칭 깨뜨리기 문제** (행·열 대칭이 있는 라틴 사각형) - **레키민 최적화 문제** (다중목표 최적화에서 최소-최대 균형) - **스포츠 일정 배정** (팀 간 경기 일정) - **무작위 대규모 CSP** (수천 변수, 다양한 도메인) 각 실험에서 MsetLeq와 MsetLeq‑Log는 기존 대체 방법 대비 평균 35%~68% 적은 탐색 노드와 2.3배~4.9배 빠른 실행 시간을 기록했다. 특히 n≫d 상황에서는 O(n·d) 알고리즘이, d≈n 상황에서는 O(n log n) 알고리즘이 최적 성능을 보였다. **7. 결론 및 향후 연구** 다중집합 순서 제약은 전역 제약의 새로운 범주를 형성하며, 전용 필터링 알고리즘을 통해 GAC 수준의 강력한 전파가 가능함을 입증했다. 향후 연구로는 (a) 부분 순서(Partial Order) 버전, (b) 다중집합 간 거리(metric) 기반 제약, (c) SAT/SMT와의 통합 전파, (d) 동적 도메인 변화에 대한 인크리멘털 업데이트 기법 등을 제안한다. 이러한 확장은 현재 알고리즘의 한계를 보완하고, 실제 산업 문제에 적용 가능성을 크게 확대할 것으로 기대된다. **