벡터 빈 패킹 근사도 향상 기법

초록

본 논문은 고차원( d ≥ 2 ) 벡터 빈 패킹 문제에 대해, LP 완화 해의 (거의) 최적값과 수정된 First‑Fit 탐욕적 알고리즘을 결합한 새로운 근사 알고리즘을 제안한다. 기존 Bansal 등(ln d + 1 + ε) 보증을 넘어, 차원에 무관하게 2‑OPT(즉, 2배 근사) 보장을 제공한다. 또한 특정 입력 집합에 대해서는 상수계수(θ(1)) 근사 스킴을 보인다.

상세 분석

벡터 빈 패킹(VBP)은 각 아이템이 d 차원의 자원 벡터로 표현되고, 하나의 빈은 각 차원에서 용량 1을 갖는 다중 차원 구간으로 모델링되는 NP‑Hard 문제이다. 기존 연구에서는 차원이 증가함에 따라 근사 비율이 급격히 악화되는 것이 큰 난관이었다. 특히 Bansal, Caprara, Sviridenko(2011)는 LP 기반 라운딩과 다중 차원 First‑Fit을 결합해 (ln d + 1 + ε) 근사 비율을 달성했지만, 차원 d가 커질수록 로그 항이 지배적으로 작용한다.

본 논문은 두 단계 전략을 채택한다. 첫 번째 단계에서는 VBP의 자연스러운 선형계획(LP) 완화 모델을 풀어, 각 아이템이 어느 빈에 배정될 확률적 가중치를 얻는다. 이 LP는 제약식이 “각 차원별 총 사용량 ≤ 1”인 다중 제약식 형태이며, 듀얼 변수를 이용해 희소성을 유지한다. 저자들은 기존 LP 해가 실제 정수 해와 매우 근접한다는 실험적·이론적 근거를 제시하고, 특히 “큰 아이템”(각 차원에서 ½ 이상 차지하는 아이템)과 “작은 아이템”(모든 차원에서 ½ 이하)으로 구분했을 때, 큰 아이템은 거의 그대로 하나의 빈에 할당될 수 있음을 증명한다.

두 번째 단계에서는 수정된 First‑Fit(Modified‑First‑Fit, MFF) 탐욕적 히스토리를 적용한다. MFF는 기존 First‑Fit이 빈을 선택할 때 단순히 “남은 용량이 충분히 큰가”만을 검사하는 반면, 여기서는 LP에서 얻은 가중치와 아이템의 크기 비율을 고려해 “빈의 남은 용량 대비 아이템의 상대적 부피”가 최소가 되도록 빈을 선택한다. 이 과정에서 “가득 찬 빈”을 조기에 폐기하고, 남은 작은 아이템들을 재배치하는 재정렬 단계가 포함된다.

핵심 이론적 결과는 다음과 같다. (1) LP 해의 목표값 OPT_LP와 실제 최적 정수 해 OPT_int 사이에 OPT_int ≤ OPT_LP ≤ (1 + ε)·OPT_int이 성립한다는 근사 보장; (2) MFF 단계에서 각 빈에 할당되는 아이템들의 총 부피는 1 − δ (δ는 상수, 예: 0.1) 이하로 제한될 수 있음을 보이며, 따라서 빈의 개수는 2·OPT_int을 초과하지 않는다. 이로써 차원 d와 무관하게 2‑OPT(즉, 2배 근사) 보장이 도출된다.

또한 저자들은 “균등 분포 입력”과 “극단적 비대칭 입력” 두 가지 특수 케이스를 정의하고, 이 경우에는 LP 해가 이미 상수 배 이내의 근사성을 갖기 때문에 전체 알고리즘이 θ(1) 근사 스킴을 제공함을 증명한다. 실험 결과는 2‑차원부터 10‑차원까지 다양한 베치 사이즈와 아이템 분포에 대해 기존 Bansal 알고리즘 대비 평균 15 %~30 % 적은 빈 사용량을 기록한다.

이 논문의 기여는 크게 세 가지로 요약된다. 첫째, LP 완화와 탐욕적 히스토리를 결합한 새로운 프레임워크를 제시함으로써 차원 의존성을 제거했다. 둘째, 수정된 First‑Fit이 기존 탐욕적 방법보다 빈 활용도를 현저히 높이는 메커니즘을 이론적으로 분석하고, 2‑OPT 보장을 엄밀히 증명했다. 셋째, 특정 입력 클래스에 대해 상수 계수 근사(θ(1))를 달성함으로써 실무 적용 가능성을 확대했다. 향후 연구에서는 LP 라운딩 단계의 정밀도를 높이기 위한 SDP 기반 확장이나, 온라인 VBP 상황에 대한 적응형 MFF 설계가 기대된다.