스키듐 해밍 거리로 가속화된 결정적 로컬 서치

초록

본 논문은 (d,k)-CSP 문제에 대해 기존 결정적 알고리즘의 실행 시간을 개선한다. 색상 집합에 그래프 구조를 부여해 스키듐 해밍 거리를 정의하고, 이를 이용해 탐색 영역을 효율적으로 축소한다. 결과적으로 실행 시간 상수는 (d(k‑1)/k·k^d/(k^d‑1))^n·poly(n)으로, 무작위 알고리즘의 (d(k‑1)/k)^n·poly(n)과 거의 일치한다.

상세 분석

Schoening의 무작위 알고리즘은 (d,k)-CSP에 대해 (d(k‑1)/k)^n·poly(n)이라는 뛰어난 기대 실행 시간을 보인다. 그러나 이를 결정적으로 구현하려면 무작위 선택을 전부 탐색해야 하므로, Dantsin 등은 derandomization 기법을 적용해 (dk/(k+1))^n·poly(n)이라는 약간 낮은 상수를 얻었다. 이 차이는 특히 색상의 수 d가 작을 때 눈에 띈다. 논문은 이 격차를 메우기 위해 “스키듐 해밍 거리(skewed Hamming distance)”라는 새로운 거리 개념을 도입한다. 기존 해밍 거리는 두 할당 사이의 서로 다른 변수 개수를 단순히 셈으로 측정하지만, 스키듐 해밍 거리는 색상 집합에 미리 정의된 그래프 G=(C,E)를 이용한다. 여기서 C는 d개의 색상을 정점으로, E는 색상 간의 인접성을 나타낸다. 두 할당 a와 b에 대해, 변수 i가 a(i)≠b(i)일 때 그 차이를 G에서의 최단 경로 길이로 가중한다. 즉, 색상 간의 “거리”가 작을수록 변수를 바꾸는 비용이 낮게 평가된다. 이 정의는 색상 전환이 자연스럽게 연속적인 변환으로 모델링될 수 있는 경우(예: 색상이 순서형이거나 순환 구조를 가질 때) 특히 유리하다.

알고리즘은 먼저 모든 가능한 초기 할당을 탐색하지 않고, 색상 그래프의 구조를 활용해 “핵심” 할당 집합을 선택한다. 핵심 집합은 각 색상 정점에 대해 그 정점과 인접한 색상들만을 포함하는 제한된 서브스페이스를 의미한다. 이렇게 하면 탐색해야 할 할당 수가 d·k^d/(k^d‑1)배만큼 감소한다. 이후 로컬 서치 단계에서는 스키듐 해밍 거리를 기준으로 가장 가까운 이웃을 선택해 반복한다. 중요한 점은, 이 거리 정의가 삼각 부등식을 만족하므로 탐색 과정이 여전히 단조성을 유지한다는 것이다. 따라서 기존 결정적 로컬 서치와 동일한 수렴 보장을 얻으면서도, 탐색 폭이 크게 줄어든다.

복잡도 분석에서는, 각 단계에서 고려되는 할당 수가 (d(k‑1)/k)·(k^d/(k^d‑1))배 만큼 늘어나는 대신, 전체 탐색 깊이가 n 단계로 제한된다. 따라서 최종 실행 시간은 (d(k‑1)/k·k^d/(k^d‑1))^n·poly(n)으로 표현된다. 이 식을 보면 d가 커질수록 k^d/(k^d‑1)≈1에 수렴하므로, 무작위 알고리즘과 거의 동일한 상수를 얻는다. 반면 d가 2~3 정도의 작은 값일 때는 약간의 오버헤드가 존재하지만, 기존 결정적 알고리즘보다 현저히 개선된 성능을 보인다.

또한 논문은 색상 그래프를 어떻게 설계해야 하는지에 대한 가이드라인을 제공한다. 예를 들어, 색상이 순환 구조를 가질 경우 원형 그래프를, 순서형이면 선형 그래프를 사용하면 스키듐 해밍 거리가 실제 변수 변환 비용을 잘 반영한다. 이러한 설계는 문제 특성에 맞춰 거리 함수를 튜닝함으로써, 로컬 서치의 효율성을 더욱 끌어올릴 수 있음을 시사한다.

결론적으로, 스키듐 해밍 거리라는 새로운 메트릭을 도입함으로써 결정적 로컬 서치의 이론적 한계를 크게 완화하고, 실용적인 구현에서도 무작위 알고리즘에 근접한 성능을 달성했다는 점이 본 논문의 핵심 기여이다.