밀도 합 선택 및 찾기 문제의 효율적 알고리즘

초록

본 논문은 선형 목표 함수를 갖는 밀도 합(Minkowski Sum) 선택 문제와 찾기 문제에 대해, 차원 수 λ에 따라 최적의 시간 복잡도를 달성하는 새로운 알고리즘을 제시한다. λ=1인 경우 O(n log n) 시간의 최적 알고리즘을, 고정된 λ>1에 대해서는 결정적 O(n log² n) 알고리즘과 기대값 O(n log n) 랜덤화 알고리즘을 제공한다. 또한 목표 함수가 f(x,y)=by/(ax) 형태인 경우에도 λ≥1에 대해 O(n log n) 시간의 최적 알고리즘을 설계한다.

상세 분석

밀도 합 선택 문제는 두 집합 A, B ⊆ ℝ²에 대해 A⊕B = {a+b | a∈A, b∈B} 라는 합집합을 만든 뒤, 주어진 선형 목표 함수 c·(x,y) = αx+βy에 대해 k번째 작은 값을 찾는 작업이다. 기존 연구는 차원 λ가 2 이상일 때 O(n²) 혹은 O(n log n·λ) 수준의 복잡도를 보였으나, 최적 하한인 Ω(n log n)와의 격차가 존재했다. 저자들은 먼저 λ=1, 즉 1차원 경우에 대해 정렬 기반의 스위핑 기법과 이진 탐색을 결합하여 O(n log n) 시간에 정확히 k번째 값을 찾는 알고리즘을 설계한다. 핵심은 A와 B를 각각 정렬한 뒤, 두 포인터를 이용해 가능한 합을 순차적으로 생성하면서 목표값에 대한 이진 탐색을 수행하는 것이다.

λ>1인 경우에는 합집합이 다차원 구조를 가지므로 직접적인 정렬이 불가능하다. 이를 해결하기 위해 저자들은 “분할 정복 + 선형 프로젝션” 전략을 도입한다. 먼저 각 차원을 독립적으로 정렬하고, 차원별로 가능한 구간을 구한 뒤, 다차원 사각형(또는 초평면) 안에 포함되는 합을 카운트하는 서브루틴을 만든다. 이 서브루틴은 2차원에서 선형 목표 함수를 기준으로 반평면 교차점을 계산하고, 이를 이진 탐색에 삽입함으로써 전체 복잡도를 O(n log² n)으로 제한한다.

또한, 기대값 O(n log n) 랜덤화 알고리즘은 무작위 샘플링을 통해 후보 합을 추출하고, 샘플의 중앙값을 기준으로 범위를 절반으로 축소하는 “QuickSelect” 스타일의 기법을 적용한다. 샘플 크기를 O(log n)으로 제한함으로써 전체 반복 횟수를 로그 수준으로 유지하고, 각 반복마다 O(n) 시간의 카운팅을 수행해 기대 복잡도를 O(n log n)으로 만든다.

찾기 문제는 목표값이 정확히 주어졌을 때, (x,y)∈A⊕B 중 f(x,y)=t 를 만족하는 쌍을 찾는 것이다. 선형 목표 함수에 대해서는 위의 선택 알고리즘을 역으로 적용해 O(n log n) 시간에 해를 검증한다. 특히 f(x,y)=by/(ax) 형태는 비선형이지만, 양변을 교차곱하면 ax·y = b·y·t 형태의 선형 방정식으로 변환 가능하므로 동일한 정렬·이진 탐색 구조를 이용해 최적 O(n log n) 알고리즘을 얻는다.

이 논문의 주요 기여는 (1) λ=1에 대한 최적 O(n log n) 선택 알고리즘, (2) 고정 λ>1에 대한 결정적 O(n log² n) 및 기대 O(n log n) 알고리즘, (3) 비선형 형태 f(x,y)=by/(ax) 를 포함한 찾기 문제에 대한 최적 O(n log n) 해결책이다. 제시된 방법들은 기존의 고차원 합집합 문제에서 발생하던 차원 저주를 효과적으로 완화하고, 실무에서 대규모 데이터셋에 대한 최적 선택·찾기 연산을 가능하게 한다.