방향 그래프 최대 잎 스패닝 트리 문제를 위한 빠른 정확 알고리즘

초록

본 논문은 방향 그래프에서 모든 정점을 포함하는 아웃-브랜칭(out‑branching) 중 잎 노드 수를 최대화하는 Directed Maximum Leaf Spanning Tree(DMLST) 문제에 대해, Branch‑and‑Reduce 기법과 Measure‑and‑Conquer 분석을 결합한 새로운 정확 알고리즘을 제시한다. 제안된 알고리즘은 다항식 공간을 사용하면서도 실행 시간을 O⁎(1.9043ⁿ)으로, 기존 최고 기록보다 크게 개선한다. 또한, 지수적 메모리를 허용할 경우 O⁎(1.8139ⁿ)까지 가속화할 수 있음을 보인다.

상세 분석

논문은 먼저 DMLST 문제의 복잡성을 재조명한다. 방향 그래프 G=(V,A)에서 아웃‑브랜칭은 루트 r에서 모든 정점으로 향하는 단일 방향 경로들의 집합이며, 잎은 자식이 없는 정점을 의미한다. 기존 연구는 무방향 그래프에 대한 최대 잎 스패닝 트리 문제에 비해 방향성 제약 때문에 알고리즘 설계가 훨씬 까다롭다고 지적한다. 저자들은 이러한 어려움을 극복하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 문제를 작은 서브인스턴스로 분할하는 Branch‑and‑Reduce 프레임워크를 구축한다. 여기서는 정점의 차수와 현재까지 결정된 잎/내부 상태에 따라 여러 가지 규칙(예: 강제 선택, 강제 제외, 구조적 축소)을 적용해 탐색 트리를 급격히 얕게 만든다. 둘째, 각 규칙이 적용될 때마다 측정 함수(Measure)를 정의하고, 이를 기반으로 Measure‑and‑Conquer 기법을 사용해 재귀 호출의 깊이와 분기 계수를 정량화한다. 측정 함수는 단순히 남은 정점 수가 아니라, 아직 결정되지 않은 정점들의 “잠재적 잎 가능성”을 가중치로 반영한다. 예를 들어, 진입 차수가 1인 정점은 곧 잎이 될 가능성이 높으므로 높은 가중치를 부여하고, 진입 차수가 2 이상인 정점은 내부가 될 가능성이 크므로 낮은 가중치를 부여한다. 이러한 정교한 가중치 설계는 분기 계수를 1.9043 이하로 낮추는 핵심 요인이다.

알고리즘의 주요 단계는 다음과 같다. (1) 초기 전처리 단계에서 불필요한 아크를 제거하고, 강제 루트 후보를 식별한다. (2) 선택된 정점에 대해 “잎으로 고정” 혹은 “내부로 고정” 두 가지 경우를 각각 재귀적으로 탐색한다. (3) 각 경우에 대해 적용 가능한 축소 규칙을 최대한 적용한다. 예를 들어, 잎으로 고정된 정점의 모든 아웃‑아크는 삭제되고, 그 정점에 연결된 진입 아크는 다른 정점의 차수를 감소시킨다. (4) 재귀 호출이 종료되는 조건은 모든 정점이 잎/내부로 확정되었거나, 현재 부분해가 전체 최적 해보다 못할 경우 가지치기를 수행한다.

분석 부분에서는 각 규칙이 적용될 때 측정값이 얼마나 감소하는지를 상세히 계산한다. 저자들은 12개의 주요 규칙에 대해 최악의 경우 분기 계수를 도출하고, 이를 선형 프로그래밍을 이용해 전체 재귀식의 상한을 구한다. 결과적으로 전체 알고리즘의 시간 복잡도는 O⁎(1.9043ⁿ)으로 증명된다. 또한, 메모리를 지수적으로 사용할 경우, 부분해를 메모이제이션해 동일한 서브인스턴스를 중복 계산하지 않음으로써 상수를 더 낮춰 O⁎(1.8139ⁿ)까지 개선한다.

이 논문은 기존에 알려진 O⁎(2ⁿ) 수준의 정확 알고리즘을 크게 앞당겼으며, Measure‑and‑Conquer 기법을 방향성 그래프 문제에 성공적으로 적용한 사례로서 학술적 의의가 크다. 또한, 제시된 규칙 집합과 측정 함수 설계는 다른 방향성 최적화 문제에도 확장 가능성을 제시한다.