SAT와 정수계획법을 활용한 NP문제 고속 해결 증명

초록

본 논문은 최신 SAT 및 정수계획(ILP) 솔버의 성능 향상을 활용해 NP‑완전 문제를 빠르게 해결할 수 있음을 보이고자, 최대 클리크 찾기 문제를 사례로 삼아 최적화 백트랙, SAT 변환, ILP 변환 세 가지 접근법을 비교 실험하였다. 실험 결과 ILP 변환이 가장 높은 실행 속도를 보이며, SAT 변환도 기존 백트랙보다 우수했음을 보고한다.

상세 분석

이 연구는 최근 10년간 SAT와 정수계획 솔버가 도입한 충돌 기반 학습, 휴리스틱 변수 선택, 컷 제너레이션 등 고도화된 기법들을 일반 NP 문제 해결에 적용할 수 있다는 가설을 검증한다는 점에서 의미가 크다. 저자는 최대 클리크 문제를 선택했는데, 이는 그래프 이론에서 가장 대표적인 NP‑완전 문제이며, 인접 행렬을 이용한 직접적인 SAT·ILP 모델링이 비교적 직관적이라는 장점이 있다.

먼저 최적화 백트랙 알고리즘은 전통적인 분기한정 기법에 정점 정렬과 색상 상한을 적용했으며, 구현 세부 사항이 논문에 상세히 기술되지 않아 재현성에 약간의 의문이 남는다. SAT 변환에서는 각 정점에 불리언 변수 xv를 두고, 비인접 정점 쌍에 대해 ¬(x_u ∧ x_v) 제약을 추가하는 전형적인 CNF 인코딩을 사용하였다. 이때 클리크 크기 k를 고정하고 k‑SAT 형태로 변환하거나, 목표 함수를 최대화하는 MaxSAT 형태로 변환하는 두 가지 옵션이 가능하지만, 논문에서는 전자는 선택하지 않고 단순히 존재 여부를 확인하는 SAT 인코딩만을 제시한다.

ILP 변환은 보다 정교한 모델링을 보여준다. 각 정점에 정수 변수 x_i∈{0,1}을 두고, 목표 함수 maximize Σ x_i 로 정의한 뒤, 비인접 정점 쌍 (u,v)에 대해 x_u + x_v ≤ 1 제약을 추가한다. 이 모델은 이진 선형 프로그램의 표준 형태이며, 상용 및 오픈소스 MILP 솔버에서 지원하는 다양한 컷 및 프리프로세싱 기법을 그대로 활용할 수 있다. 특히 논문은 CPLEX와 Gurobi를 사용했으며, 프리솔버 옵션을 기본값으로 두고 실험했음에도 불구하고 백트랙 대비 510배, SAT 대비 23배의 속도 향상을 기록했다.

실험 설계는 100개 이상의 무작위 그래프(정점 수 2002000, 평균 차수 0.10.5)에서 수행되었으며, 각 인스턴스에 대해 세 알고리즘을 동일한 하드웨어 환경에서 실행했다. 결과 표는 평균 실행 시간, 표준 편차, 그리고 최적 해의 일관성을 제시한다. ILP 접근법이 가장 낮은 평균 시간을 보였지만, 특정 고밀도 그래프에서는 SAT 변환이 더 나은 성능을 보이는 현상도 관찰되었다. 이는 SAT 솔버가 충돌 기반 학습을 통해 특정 구조를 빠르게 포착하는 반면, ILP 솔버는 컷 생성 비용이 증가하는 경우가 있기 때문이다.

한계점으로는 (1) 최대 클리크 외 다른 NP‑완전 문제에 대한 적용 사례가 부족하고, (2) SAT 변환에서 목표 함수를 직접 최적화하는 MaxSAT 혹은 PB(Pseudo‑Boolean) 인코딩을 시도하지 않은 점, (3) 솔버 파라미터 튜닝에 대한 상세 보고가 없다는 점을 들 수 있다. 또한, 무작위 그래프는 실제 응용 분야에서 나타나는 구조적 특성을 충분히 반영하지 못할 가능성이 있다. 향후 연구에서는 다양한 NP 문제군(예: 여행 판매원 문제, 집합 커버링)으로 확장하고, 하이브리드 모델(예: SAT‑ILP 연계) 및 파라미터 자동 최적화 기법을 도입함으로써 일반화 가능성을 검증할 필요가 있다.

전반적으로 이 논문은 최신 솔버 기술을 활용한 변환 기반 접근법이 전통적인 전용 알고리즘을 뛰어넘을 수 있음을 실증적으로 보여준다. 특히 ILP 변환이 기대 이상으로 빠른 성능을 보인 점은 정수계획 분야가 NP 문제 해결에 있어 강력한 도구가 될 수 있음을 시사한다.