두 개의 스패튤라로 팬케이크 뒤집기: 전위 뒤집기·전위 전치·전위 전치뒤집기 조합 알고리즘

본 연구는 전통적인 팬케이크 뒤집기 문제(전위 뒤집기만 허용)에서 두 개의 추가 연산, 즉 전위 전치(prefix transposition)와 전위 전치뒤집기(prefix transreversal)를 도입함으로써 문제의 범위를 넓힌다. 연구 대상은 부호 없는 순열이며, 목표는 최소 연산 수로 항등 순열(정렬된 상태)까지 변환하는 것이다. 첫 번째 절에서는 기본 개념과 기존 연구를 정리한다. 전위 뒤집기 β(1,j)는 스택 상단에서 j‑1번째 원소까지 뒤집고, 전위 전치 τ(1,j,k)는 상단 j‑1개의 원소를 잘라 k‑1번째 위치에 삽입한다. 전위 전치뒤집기 βτ(1,j,k)는 전위 전치와 뒤집기를 결합한 형태이다. 이러한 연산들은 모두 “prefix” 형태이므로 두 손(스패튤라)으로 동시에 작업할 수 있다는 직관적 비유가 논문 서두에 제시된다. 두 번째 절에서는 정렬 과정의 핵심인 “breakpoint” 개념을 도입한다. 순열 π의 인접 원소 차이가 1이 아닌 위치 i를 breakpoint라 정의하고, 전체 breakpoint 수를 b(π)라 한다. 이때 π₀=0, π_{n+1}=n+1을 가상의 경계 원소로 두어, 정렬된 경우 b(π)=1(시작점만)이다. breakpoint 그래프 G(π)는 정점이 원소이고, 인접한 원소 사이에 breakpoint가 있으면 검은색(edge), 차이가 1이면 회색(edge)으로 표시한다. 연산별 breakpoint 감소량을 △(π,o)=b(π)−b(π·o)라 두고, 다음을 증명한다: 전위 뒤집기: △≤1, 전위 전치: △≤2, 전위 전치뒤집기: △≤2. 따라서 한 번의 연산으로 제거 가능한 breakpoint 수는 최대 2이며, 이는 d(π)≥⌊b(π)/2⌋라는 하한을 만든다. 세 번째 절에서는 전위 뒤집기와 전위 전치를 이용한 3‑approximation 알고리즘 SortByRT3를 제시한다. 회색 edge의 네 가지 유형(그림 1)과 각각에 대응하는 검은색 “trapped” edge를 탐색한다. 유형 1이면 전위 전치 τ₁(1,i,j+1)를 적용해 breakpoint를 감소시키고, 유형 2이면 전위 뒤집기 β₂(1,j)를 적용한다. π₁≠1인 경우와 π₁=1인 경우를 구분하여 시나리오 1~4를 순차적으로 검사한다. 만약 어느 시나리오도 적용되지 않으면, 일시적으로 breakpoint를 감소시키지 않는 전위 뒤집기 β₄(1,j)를 수행한 뒤 두 번의 연산으로 최소 두 개의 breakpoint를 제거한다. 전체 연산 수는 ≤3·⌊b(π)/2⌋가 되며, 따라서 3‑approximation을 만족한다. 네 번째 절에서는 전위 전치뒤집기를 추가해 근사비를 2로 개선한다. 핵심은 π₁=1인 경우 회색 edge가 유형 4에 해당하면 전위 전치뒤집기 βτ(1,i,j)를 적용해 반드시 하나 이상의 breakpoint를 없앨 수 있다는 Lemma 7이다. 모든 경우에 최소 한 개의 breakpoint를 제거하므로, 전체 연산 수는 ≤2·⌊b(π)/2⌋, 즉 2‑approximation이 된다. 또한, Lemma 8을 통해 d(π)≤b(π)−1이라는 상한도 얻는다. 다섯 번째 절에서는 “forward march” 개념을 도입한다. 정렬된 prefix가 생기면 이를 스택에서 제거하고 남은 suffix에만 연산을 적용한다. 이때 breakpoint 정의를 인접 차이 기준으로 바꾸어, 전위 뒤집기가 최대 2개의 breakpoint, 전위 전치가 최대 3개의 breakpoint를 감소시킬 수 있음을 보인다. 새로운 하한 d(π)≥b(π)/3을 이용해, forward march를 포함한 알고리즘도 3‑approximation을 유지한다. 여섯 번째 절에서는 optimal 알고리즘이 사용하는 전위 뒤집기 수 r에 따라 근사비를 동적으로 계산하는 수식을 제시한다. 즉, optimal이 많은 뒤집기를 사용할수록 실제 근사비는 3보다 크게 감소한다는 정량적 분석을 제공한다. 일곱 번째 절에서는 실험 결과를 보고한다. 무작위 순열(크기 10~1000) 10⁴개에 대해 세 알고리즘을 실행했으며, 평균 연산 수는 최적 해 대비 각각 약 1.6배(3‑approx), 1.3배(2‑approx), 1.4배(forward march) 수준이었다. 특히 forward march는 prefix가 길어질수록 평균 근사비가 1.1에 가까워지는 현상을 보였다. 마지막 절에서는 연구의 의의와 향후 과제를 논한다. 두 개의 스패튤라를 활용한 복합 연산 모델이 네트워크 라우팅(특히 팬케이크 네트워크)와 유전체 재배열(전위 전치·전치뒤집기) 등에 직접 적용 가능함을 강조한다. 또한, 부호 있는 순열이나 다른 종류의 전치(예: 블록 교환)와 결합한 확장 연구가 필요함을 제시한다.