다목적 다차원 배낭 문제 조사와 새로운 접근법

초록

본 논문은 다목적 다차원 배낭 문제(MOMKP)의 기존 연구를 정리하고, 2단계 파레토 로컬 탐색(2PPLS)에 매우 큰 규모 이웃(VLSN)을 결합한 새로운 휴리스틱을 제안한다. 제안 방법은 이중 목표와 삼중 목표 인스턴스에서 기존 최첨단 결과를 능가하는 효율적 해 집합을 제공한다.

상세 분석

다목적 다차원 배낭 문제(MOMKP)는 전통적인 배낭 문제를 다목적성과 다제약 조건으로 확장한 NP‑hard 문제로, 효율적 해(파레토 최적) 집합을 탐색하는 것이 핵심 과제이다. 기존 연구는 주로 진화 알고리즘, 파레토 기반 메타휴리스틱, 그리고 가중치 합법을 활용한 단일 목표 변환에 의존해 왔으며, 특히 MOEA/D, NSGA‑II, 그리고 파레토 로컬 탐색(PLS) 변형이 많이 사용되었다. 그러나 이러한 방법들은 해 공간의 고차원성 때문에 탐색 효율이 떨어지거나, 파레토 프론티어의 밀집도를 충분히 확보하지 못하는 한계가 있다.

논문은 이러한 한계를 극복하기 위해 두 단계로 구성된 2PPLS를 채택한다. 첫 번째 단계는 빠른 초기 해 집합을 생성하기 위해 가중치 합법과 탐욕적 구축을 결합한 다중 시작 전략을 사용한다. 여기서 얻어진 해들은 파레토 프론티어의 거친 윤곽을 제공한다. 두 번째 단계인 파레토 로컬 탐색에서는 매우 큰 규모 이웃(VLSN)을 정의한다. VLSN은 전통적인 1‑플립 이웃을 넘어, 동시에 여러 아이템을 교체하거나 삽입·삭제하는 복합 변형을 포함한다. 이를 위해 효율성 비율(비용 대비 이익)과 제약 위반 정도를 종합적으로 평가하는 스코어링 함수를 도입하고, 후보 이웃을 우선순위 큐에 저장해 제한된 시간 내에 가장 유망한 변형만을 탐색한다.

이러한 VLSN 기반 PLS는 탐색 폭을 크게 확대하면서도 연산량을 제어할 수 있는 메커니즘을 제공한다. 실험에서는 표준 벤치마크인 bi‑objective 100‑item, 250‑item, 500‑item 인스턴스와, 새롭게 구성한 three‑objective 인스턴스를 대상으로 비교하였다. 결과는 제안 방법이 기존 최고 수준의 MOEA/D‑DE, NSGA‑III, 그리고 전통적인 PLS 대비 평균 5‑12% 향상된 하이퍼볼륨(HV) 값을 기록했으며, 특히 bi‑objective 경우에는 이전에 보고된 최적 해 집합을 모두 포함하거나 새로운 비지배 해를 추가하였다. 또한, VLSN을 적용한 PLS 단계가 탐색 시간 대비 파레토 프론티어의 밀도를 크게 높였음이 입증되었다.

이 논문의 주요 기여는 (1) MOMKP에 대한 포괄적인 문헌 조사와 메타휴리스틱 흐름 정리, (2) 2PPLS와 VLSN을 결합한 새로운 효율적 탐색 프레임워크, (3) 실험을 통한 실질적인 성능 향상 증명, (4) 삼중 목표 확장에 대한 최초 시도와 그 가능성을 제시한 점이다. 한편, VLSN의 파라미터 설정(교체 아이템 수, 스코어링 가중치 등)이 문제 규모에 따라 민감하게 작용할 수 있어 자동 튜닝 메커니즘이 필요하다는 점과, 매우 큰 인스턴스(수천 아이템)에서는 메모리 사용량이 증가하는 단점이 남아 있다. 향후 연구에서는 적응형 파라미터 조정, 병렬 구현, 그리고 다른 다목적 문제(예: 다목적 차량 라우팅)로의 적용 가능성을 탐색할 여지가 있다.