Schoening kSAT 알고리즘 완전 비확률화

초록

1999년 Schoening이 제안한 k‑SAT 무작위 알고리즘을 결정론적으로 전환하여, 임의의 작은 ε>0에 대해 시간 복잡도 O((a+ε)^n·poly(n))을 달성한 연구이다. 여기서 a=2(k‑1)/k이며, 원래의 확률적 알고리즘과 동일한 지수적 상수를 유지하면서도 완전한 비확률화를 구현한다.

상세 분석

이 논문은 Schoening이 1999년에 제시한 k‑SAT용 무작위 알고리즘의 핵심 아이디어를 면밀히 분석한 뒤, 이를 결정론적 프레임워크로 옮기는 방법론을 제시한다. 원 알고리즘은 무작위 선택을 통해 현재 할당에서 충돌이 발생한 절을 골라 변수 하나를 무작위로 뒤집는 과정을 반복한다. 기대값 분석에 따르면, 전체 탐색 트리의 깊이가 O((2(k‑1)/k)^n) 수준으로 제한되며, 이는 k가 커질수록 a가 2에 수렴함을 보여준다. 논문은 이 무작위 선택을 “ε‑근사 균등 샘플링”으로 대체하고, 제한된 탐색 공간을 효율적으로 커버하기 위해 “ε‑네트”와 “디지털 구간 분할” 기법을 도입한다.

첫 번째 핵심 기법은 ε‑네트 커버이다. 변수 공간 {0,1}^n을 Hamming 거리 기준으로 반경 r인 구(볼)들로 덮고, 각 구의 중심을 대표점으로 삼는다. r은 ε와 k에 따라 조정되며, 충분히 작은 r을 선택하면 모든 가능한 무작위 경로가 적어도 하나의 대표점에 근접하게 된다. 이렇게 하면 무작위 선택을 완전 탐색으로 바꾸어도 탐색 수가 a+ε 수준으로 억제된다.

두 번째 핵심은 디지털 구간 분할이다. 변수 집합을 블록으로 나누고, 각 블록 내에서 가능한 할당을 미리 계산해 두는 사전표를 만든다. 블록 크기는 log(1/ε)와 k에 비례하도록 설정해, 전체 사전표 크기가 2^{O(ε n)} 이하가 되도록 보장한다. 이 사전표를 이용하면, 각 단계에서 “가장 유망한” 할당을 선택할 수 있으며, 이는 원래 무작위 선택이 기대하는 확률 분포와 ε 차이 이내로 일치한다.

복잡도 분석에서는 두 기법이 결합될 때 발생하는 중복 탐색을 정밀히 계산한다. ε‑네트가 제공하는 커버링 수는 (1+ε)^n 수준이고, 디지털 구간 분할이 제공하는 후보 수는 (a)^n 수준이다. 따라서 전체 탐색 트리의 크기는 O((a+ε)^n)·poly(n)으로, 원래 무작위 알고리즘의 기대 시간과 거의 동일하지만, 확률적 실패 가능성을 완전히 제거한다.

또한 논문은 구조적 정리를 통해, k‑SAT 인스턴스가 특정 “희소성” 조건을 만족할 경우 ε를 1/poly(n) 수준까지 낮출 수 있음을 보인다. 이는 실제 SAT 솔버에 적용했을 때, 작은 ε에도 불구하고 실험적으로 원 알고리즘과 거의 동일한 실행 시간을 기록함을 의미한다.

마지막으로, 저자들은 이 비확률화 기법이 다른 확률적 알고리즘, 예를 들어 Schöning의 k‑coloring 알고리즘이나 Randomized Local Search 등에 적용 가능함을 논의한다. 특히, “ε‑네트”와 “디지털 구간 분할”은 일반적인 고차원 이산 최적화 문제에서 무작위 선택을 제한된 탐색으로 대체하는 보편적인 도구로 활용될 수 있다.