온라인 가중치 이분 매칭을 위한 무작위 알고리즘

초록

우리는 임의의 거리공간에서 온라인 최소 가중치 이분 매칭 문제를 연구한다. 여기서 $n$개의(필요히 서로 구분되지 않는) 점이 주어지고, 이 점들은 순차적으로 드러나는 $n$개의 점과 매칭되어야 한다. 매칭의 비용은 매칭된 점들 사이 거리의 합이며, 목표는 그 최소값을 찾거나 근사하는 것이다. 결정론적 알고리즘의 경쟁비율은 $\Theta(n)$임이 알려져 있다. 무작위 알고리즘이 무지식(adversary)에게 대항해 기대 경쟁비율 $\Theta(\log n)$을 달성할 수 있다는 추측이 있었지만, 우리는 기대 경쟁비율에 대해 $o(\log^{3} n)$의 상한을 증명함으로써 약간 약화된 결과를 얻는다. 이 결과는 실선 위에서 정의되는 유명한 소방서 문제에도 동일하게 적용된다.

상세 요약

이 논문이 다루는 온라인 최소 가중치 이분 매칭 문제는 두 집합의 점들을 실시간으로 매칭해야 하는 전형적인 온라인 최적화 문제이다. 전통적으로 결정론적 알고리즘은 최악의 경우 입력이 적절히 설계된 적대적 시나리오에 의해 $\Theta(n)$이라는 매우 큰 경쟁비율을 보인다. 이는 매칭 비용이 최적 해에 비해 선형적으로 늘어날 수 있음을 의미한다. 이러한 한계를 극복하기 위해 무작위화가 도입되었으며, 특히 ‘무지식(adversary)’ 모델—즉, 적이 알고리즘의 무작위 시드에 접근하지 못하고 사전에 입력을 고정하는 경우—에서 기대 경쟁비율을 크게 낮출 수 있을 것이라는 기대가 있었다. 기존 문헌에서는 $\Theta(\log n)$ 수준의 경쟁비율이 가능하다는 강력한 추측이 제시되었지만, 이를 증명하는 구체적인 알고리즘은 아직 제시되지 않았다.

본 연구는 이러한 공백을 메우기 위해 새로운 무작위 알고리즘을 설계하고, 그 기대 경쟁비율을 $o(\log^{3} n)$ 이하로 제한한다. 여기서 ‘$o(\log^{3} n)$’는 로그 세제곱보다 점점 더 작은 함수임을 의미한다; 즉, $n$이 충분히 커질수록 경쟁비율은 $\log^{3} n$에 비해 현저히 낮아진다. 알고리즘의 핵심 아이디어는 거리공간을 계층적 클러스터링(예: 라우터 트리 혹은 임베딩 기반 분할)으로 분해하고, 각 레벨에서 무작위 선택을 통해 매칭 결정을 내리는 것이다. 이렇게 하면 적대적 입력이 특정 레벨에 집중되더라도 전체 비용이 고르게 분산되어, 최악의 경우에도 비용 폭증을 억제한다.

특히 흥미로운 점은 이 결과가 ‘소방서 문제’에도 직접 적용된다는 것이다. 소방서 문제는 실선(ℝ) 위에 위치한 요청들을 실시간으로 가장 가까운 소방서에 할당하는 문제로, 기존에는 매우 높은 경쟁비율이 불가피하다고 여겨졌다. 본 논문의 상한을 적용하면, 실선이라는 특수한 메트릭에서도 기대 경쟁비율이 $o(\log^{3} n)$ 수준으로 크게 개선된다. 이는 실무에서 긴급 서비스 배치, 물류 네트워크 설계 등 다양한 분야에 파급 효과를 가질 수 있다.

마지막으로, 이 연구는 아직 $\Theta(\log n)$라는 궁극적인 목표와는 거리가 있음을 인정한다. 그러나 $o(\log^{3} n)$라는 첫 번째 비다항식 상한을 제시함으로써, 무작위화가 온라인 매칭 문제에서 결정론적 한계를 뛰어넘을 수 있음을 실증한다. 앞으로의 연구는 상한을 더 낮추는 정밀한 분석, 혹은 특정 메트릭(예: 유클리드 평면, 트리 메트릭)에서 최적에 가까운 알고리즘을 찾는 방향으로 진행될 것으로 기대된다.