연합 구조 형성 문제를 위한 GRASP

초록

연합 구조 형성 문제는 에이전트들을 서로 겹치지 않는 집합으로 나누는 최적 파티션을 찾는 NP‑완전 문제이다. 본 논문은 탐욕적 적응 탐색 절차인 GRASP를 적용해 해 공간을 효율적으로 탐색하고, 실험을 통해 기존 알고리즘 대비 높은 품질의 해와 빠른 수렴을 입증한다.

상세 분석

본 연구는 연합 구조 형성(Coalition Structure Formation, CSF) 문제를 해결하기 위한 메타휴리스틱으로 GRASP(Greedy Randomized Adaptive Search Procedure)를 설계하였다. CSF는 n개의 에이전트를 k개의 비공통 연합으로 나누는 모든 파티션을 고려해야 하므로, 가능한 해의 수는 Bell 수 B_n에 의해 급격히 증가한다. 따라서 완전 탐색은 실용적이지 않으며, 근사 해법이 필수적이다. 기존 연구에서는 동적 프로그래밍 기반의 DP, 분할정복 기반의 IDP, 그리고 진화 알고리즘 기반의 GA 등을 제안했지만, 각 방법은 메모리 요구량이 크거나 수렴 속도가 느리다는 한계를 가지고 있었다.

GRASP는 두 단계로 구성된다. 첫 번째 단계인 구축(Construction) 단계에서는 후보 연합을 비용(또는 가치) 기준으로 정렬하고, 제한된 후보 집합(RCL, Restricted Candidate List)에서 무작위로 선택함으로써 탐색 다양성을 확보한다. 여기서 비용 함수는 연합 내부의 시너지 효과와 전체 가치 함수를 결합한 형태로 정의되며, 적응적 가중치를 통해 현재 구축된 부분 해에 따라 후보 순위가 동적으로 변한다. 두 번째 단계인 지역 탐색(Local Search) 단계에서는 현재 해를 인접 연산(예: 합병, 분할, 교환)으로 변형하여 개선 가능한지 검사한다. 이때 사용된 인접 구조는 연합 간의 이동, 두 연합의 합병, 하나의 연합을 두 개로 분할하는 연산을 포함한다. 지역 탐색은 완전 탐색이 아니라 제한된 깊이와 반복 횟수 내에서 수행되어 계산 비용을 제어한다.

실험에서는 n=10~20 범위의 에이전트 집합에 대해 30번 이상의 독립 실행을 수행했으며, 비교 대상 알고리즘으로는 DP, IDP, 그리고 최신 GA 변형을 사용하였다. 결과는 평균 최적값 도달 비율, 실행 시간, 그리고 해의 품질(상대 오차) 측면에서 GRASP가 일관되게 우수함을 보여준다. 특히, n=20일 때 GRASP는 평균 0.5% 이하의 상대 오차를 기록하면서도 DP가 소요하는 메모리와 시간의 10배 이상을 절감하였다. 또한, RCL 크기와 지역 탐색 반복 횟수와 같은 파라미터에 대한 민감도 분석을 통해 알고리즘의 로버스트성을 검증하였다.

이 논문의 주요 기여는 다음과 같다. 첫째, CSF 문제에 특화된 구축 단계 설계와 적응형 후보 선택 메커니즘을 제시함으로써 탐색 다양성과 수렴 속도를 동시에 향상시켰다. 둘째, 연합 구조에 맞는 인접 연산 집합을 정의하여 지역 탐색의 효율성을 극대화하였다. 셋째, 실험을 통해 기존 최적화 기법 대비 메모리·시간 효율성 및 해 품질에서 실질적인 이점을 입증하였다. 마지막으로, 파라미터 튜닝 없이도 다양한 문제 규모에 적용 가능한 일반화된 프레임워크를 제공한다는 점에서 향후 다중 에이전트 협업 시스템, 분산 자원 할당, 그리고 복합 의사결정 문제에 대한 확장 가능성을 시사한다.