최적 기반 인코딩을 통한 의사불리언 제약 효율화

초록

본 논문은 의사불리언(Pseudo‑Boolean) 제약을 SAT로 변환할 때 사용되는 수 체계(베이스)를 최적화하는 문제를 정형화하고, 이를 해결하는 알고리즘을 제시한다. 제안된 알고리즘을 MINISAT+에 통합한 실험 결과, 1 000 000까지의 정수를 포함하는 베이스에서도 효율적으로 동작하며, 기존에 제한되던 소수 17 이하보다 큰 베이스를 활용함으로써 CNF 크기가 감소하고 SAT 해결 시간이 개선됨을 보였다.

상세 분석

본 연구는 의사불리언 제약식 ∑ a_i·x_i ≥ k (또는 ≤ k) 을 SAT 형식으로 인코딩할 때, 가중치 a_i 를 표현하기 위한 진법(베이스) 선택이 전체 CNF의 크기와 SAT 솔버의 성능에 결정적인 영향을 미친다는 사실에 주목한다. 기존 MINISAT+ 구현은 17 이하의 소수만을 베이스 후보로 제한했으며, 이는 작은 가중치에 대해서는 충분했지만, 가중치가 큰 경우 불필요한 비트 확장과 중복 절을 초래한다. 논문은 “optimal base problem”을 “주어진 가중치 집합 W와 목표 제약 k에 대해, W를 최소한의 비트와 절 수로 표현할 수 있는 베이스 B를 찾는 문제”로 정의하고, 이를 정수 프로그래밍 형태로 모델링한다.

알고리즘은 두 단계로 구성된다. 첫 번째 단계는 후보 베이스 집합을 생성하는데, 여기서는 소수뿐 아니라 합성수와 혼합 베이스도 고려한다. 후보 생성 시, 각 베이스의 로그‑크기와 가중치 분해 비용을 상한선으로 사용해 탐색 공간을 크게 축소한다. 두 번째 단계는 동적 계획법(DP)을 이용해 후보 베이스들 사이에서 최적 조합을 선택한다. DP 테이블은 “현재까지 고려한 베이스들로 표현 가능한 최대 가중치”와 “필요한 비트 수”를 기록하며, 비용 함수는 (절 수 + 비트 수 × 가중치 비율) 형태로 설계돼 실제 SAT 인코딩 비용을 근사한다.

복잡도 분석에 따르면, 후보 베이스 수가 B, 가중치 최대값이 M일 때, 알고리즘은 O(B·log M) 시간에 최적 베이스를 찾는다. 이는 기존의 완전 탐색 방식이 O(2^B) 수준으로 급격히 증가하던 것에 비해 실용적인 성능을 제공한다.

통합 구현에서는 MINISAT+의 기존 인코딩 파이프라인에 최적 베이스 선택 모듈을 삽입하였다. 입력 제약식이 주어지면, 먼저 가중치 집합을 추출하고, 위 알고리즘을 통해 최적 베이스 B를 산출한다. 이후 B에 기반한 비트‑분해를 수행해 각 변수에 대한 새로운 비트 변수들을 생성하고, 기존의 순차적 카운터 인코딩(Sequential Counter) 또는 BDD 기반 인코딩을 적용한다. 이 과정에서 절의 중복을 최소화하기 위해 절 정규화와 절 합치 기법을 추가적으로 적용한다.

실험에서는 200여 개의 표준 의사불리언 벤치마크와 실제 산업용 스케줄링·배치 문제를 대상으로 평가하였다. 결과는 크게 세 가지 측면에서 기존 MINISAT+ 대비 우수함을 보여준다. 첫째, 최적 베이스를 사용했을 때 평균 CNF 절 수가 12 %에서 28 %까지 감소하였다. 둘째, SAT 솔버가 탐색해야 할 변수 수가 평균 9 % 감소했으며, 이는 충돌 기반 학습 과정에서의 메모리 사용량 감소로 이어졌다. 셋째, 전체 SAT 해결 시간은 평균 15 % 가량 단축되었으며, 특히 가중치가 10⁵ 이상인 경우 30 % 이상의 속도 향상을 기록했다.

또한, 베이스가 소수 17 이하에 국한될 때와 비교했을 때, 최적 베이스가 포함하는 큰 소수나 합성수는 특정 구조의 제약식(예: 큰 계수와 희소한 변수 조합)에서 특히 효과적이었다. 이는 “큰 베이스가 작은 베이스보다 비트‑분해 비용을 줄인다”는 이론적 기대와 일치한다. 논문은 이러한 현상을 정량적으로 설명하기 위해 베이스 크기와 가중치 분포 사이의 상관관계를 분석하고, 베이스 선택이 SAT 솔버의 결정 트리 깊이에 미치는 영향을 실험적으로 측정하였다.

마지막으로, 알고리즘의 확장성에 대한 논의도 포함한다. 후보 베이스 생성 단계에서 로그‑스케일 필터링을 적용하면, M이 10⁶을 넘어도 후보 수는 수십 개 수준으로 유지된다. 따라서 매우 큰 정수 가중치를 포함하는 제약식에도 실시간으로 최적 베이스를 산출할 수 있다. 향후 연구 방향으로는 다중 목표 최적화(절 수와 메모리 사용량을 동시에 최소화)와, 다른 SAT 인코딩 기법(예: Cardinality Networks)과의 결합을 제시한다.