다목적 이진 포장 문제를 위한 휴리스틱 근사법

초록

**
본 논문은 전통적인 이진 포장 문제에 이질성 최소화를 추가한 두 목표를 동시에 고려하는 다목적 모델을 제시한다. 이를 해결하기 위해 Best‑Fit 알고리즘을 확장한 휴리스틱을 설계하고, 100~1000개의 아이템을 갖는 벤치마크 인스턴스에 대해 실험하였다. 결과는 제안된 알고리즘이 파레토 근사집합을 효과적으로 탐색하며, 특히 아이템을 무게 내림차순으로 정렬할 때 좋은 성능을 보임을 보여준다.

**

상세 분석

**
이 논문은 이진 포장 문제를 단순히 사용되는 빈(bin)의 수를 최소화하는 단일 목표에서 벗어나, 각 빈에 포함된 아이템들의 명목 속성(attribute)의 다양성을 최소화하는 두 번째 목표를 도입함으로써 다목적 최적화 문제로 재정의한다. 첫 번째 목표 z₁은 사용된 빈의 총 개수를 최소화하고, 두 번째 목표 z₂는 사용된 빈들의 평균 이질성(각 빈에 존재하는 서로 다른 속성의 개수 평균)을 최소화한다. 두 목표는 상충관계에 있어, 빈을 많이 사용할수록 이질성을 낮출 수 있지만, 빈 수 자체는 증가한다. 따라서 파레토 최적해 집합을 탐색하는 것이 핵심 과제가 된다.

제안된 휴리스틱은 전통적인 Best‑Fit 전략에 ‘허용 이질성(u_max)’이라는 제어 파라미터를 추가한다. 알고리즘은 초기 u_max = 1(완전 동질성)에서 시작해, 단계적으로 u_max을 증가시키며(증분 s) 더 높은 이질성을 허용한다. 각 u 값에 대해 m번의 무작위 시도를 수행해 다양한 해를 생성하고, 새로운 해가 기존 해를 지배하면 기존을 삭제하고, 지배되지 않으면 파레토 근사집합 P_approx에 추가한다. 이 과정은 u가 가능한 최대 이질성까지 도달할 때까지 반복된다. 무작위 요소는 u_max을 ⌊u⌋ 혹은 ⌈u⌉ 중 하나로 선택하는 확률적 결정에 포함되어, 탐색의 다양성을 확보한다.

실험 설계는 n = 100, 200, 500, 1000인 네 규모의 인스턴스를 사용했으며, 각 아이템은 무게 w_j와 5가지 명목 속성 중 하나를 무작위로 부여받았다. 빈 용량은 1000으로 고정하고, 각 인스턴스는 최소 빈 수가 n/5가 되도록 구성하였다. 알고리즘 파라미터는 s = 0.1, m = 100으로 설정했으며, 아이템 순서를 ‘무게 내림차순’, ‘무게 오름차순’, ‘무작위’ 세 가지 경우에 대해 실험하였다. 비교 대상으로 Random‑Fit(무작위 빈 선택)도 동일한 프레임워크로 구현했다.

결과는 파레토 효율 해가 매우 제한적임을 보여준다. 작은 인스턴스(n=100)에서는 Best‑Fit과 Random‑Fit 모두 감소된 무게 순서에서 (z₁, z₂) = (22, 1.000)과 같은 최적에 근접한 해를 도출했으며, 무게 오름차순에서는 성능이 떨어졌다. n이 증가함에 따라 아이템 정렬이 성능에 미치는 영향이 두드러졌다. n=500, 1000에서는 감소된 무게 순서가 가장 좋은 결과를 제공했으며, Random‑Fit이 특정 경우에 Best‑Fit보다 약간 더 좋은 파레토 해를 찾기도 했다. 그러나 모든 경우에서 z₁은 이론적 최소값보다 1~2개 더 많은 빈을 사용했으며, 이는 휴리스틱의 한계이자 향후 메타휴리스틱 연계 가능성을 시사한다.

알고리즘의 시간 복잡도는 Best‑Fit의 O(n log n) 수준에 무작위 반복(m)과 u 단계 수를 곱한 형태로, 실험에서는 Intel Pentium IV 1.8 GHz 환경에서 수초 내에 종료되었다. 따라서 대규모 실시간 응용에도 적용 가능하다.

이 논문의 주요 기여는 (1) 이질성을 명시적 목표로 포함한 다목적 이진 포장 모델을 수학적으로 정의하고, (2) 기존 단일 목표 휴리스틱에 파레토 탐색 메커니즘을 자연스럽게 결합한 알고리즘을 제안했으며, (3) 다양한 인스턴스와 정렬 전략에 대한 실증적 평가를 통해 알고리즘의 강점과 한계를 명확히 제시했다는 점이다. 향후 연구는 제안된 휴리스틱을 메타휴리스틱(예: 파레토 진화 알고리즘)과 결합하거나, 다차원 속성 및 비정형 빈 형태를 고려하는 확장으로 진행될 수 있다.

**