다중작업 차량 탐색 문제의 평균 이익 최대화

초록

본 논문은 다중작업 n-vehicle 탐색 문제의 변형으로, 각 그룹의 차량이 동일한 목적지에 도착하도록 하면서 프로세서당 평균 이익을 최대화하는 모델을 제시한다. 이를 위해 분수 형태의 새로운 파티션 문제를 정의하고, 프로세서 수가 고정된 경우 NP‑hard, 일반적인 경우 강 NP‑hard임을 증명한다. 또한 고전 파티션 문제의 의사다항식 알고리즘 아이디어를 활용해 평균 이익 최대화 문제와 분수 파티션 문제에 대한 의사다항식 시간 알고리즘을 제시한다.

상세 분석

논문은 먼저 기존의 n‑vehicle 탐색 문제를 재해석한다. 전통적인 모델에서는 각 차량이 독립적인 경로를 따라 최적 순열을 찾아야 했지만, 여기서는 같은 그룹에 속한 모든 차량이 동일한 목적지에 도착해야 한다는 제약을 추가한다. 이 제약은 실제 제조·물류 현장에서 여러 작업을 동시에 수행하는 프로세서(또는 기계)들이 동일한 작업 집합을 공유하면서도 각 작업마다 소요 시간과 이익이 다를 때, 전체 시스템의 평균 이익을 어떻게 최적화할 수 있는지를 묻는 문제와 일치한다.

이를 수학적으로 표현하기 위해 저자들은 “분수 파티션(Fractional Partition)”이라는 새로운 형식을 도입한다. 입력은 n개의 작업 i(1≤i≤n) 각각에 대해 소요 시간 t_i와 이익 p_i가 주어지고, k개의 프로세서에 작업을 할당한다. 각 프로세서 j에 할당된 작업 집합 S_j에 대해 평균 이익은 (∑{i∈S_j} p_i)/(∑{i∈S_j} t_i) 로 정의된다. 목표는 모든 j에 대해 이 평균값을 동일하게 만들면서 그 값을 최대화하는 것이다. 이는 기존 파티션 문제의 목표(합을 동일하게 만들기)와는 달리, 비선형 비율을 최적화해야 하는 복합적인 구조를 가진다.

복잡도 분석에서는 두 단계로 나뉜다. 첫째, 프로세서 수 k가 상수일 때, 평균 이익을 특정 값 α 이상으로 만들 수 있는지 여부를 결정하는 문제를 “α‑Feasibility” 문제로 정의하고, 이를 3‑SAT 등 알려진 NP‑complete 문제로부터 다항식 시간 환원함으로써 NP‑hard임을 증명한다. 둘째, k가 입력에 따라 가변적일 경우, 동일한 환원 과정을 통해 강 NP‑hard(Strongly NP‑hard)임을 보인다. 강 NP‑hard임을 입증하기 위해 저자들은 파티션 문제의 강 NP‑hard 변형인 “3‑Partition”을 이용한다.

알고리즘적 기여는 의사다항식 시간 해법이다. 고전 파티션 문제에서 사용되는 동적 계획법(DP) 테이블을 확장하여, 각 작업을 포함하거나 제외했을 때의 누적 시간과 누적 이익을 2차원 격자에 기록한다. 목표 평균 α를 미리 정하고, DP를 통해 (시간, 이익) 쌍이 α 비율을 만족하는지를 검사한다. 이 과정을 k번 반복하거나, 다중 프로세서에 대해 동시에 검증함으로써 전체 문제를 해결한다. 시간 복잡도는 O(n·T·P) 형태이며, 여기서 T와 P는 각각 전체 시간과 이익의 합에 비례하는 정수값이다. 따라서 입력이 정수이며 크기가 제한적일 경우 실제로 실행 가능한 알고리즘을 제공한다.

마지막으로 저자들은 실험적 평가를 통해 작은 규모의 무작위 인스턴스에서 제안된 DP가 최적 해를 빠르게 찾는 것을 확인한다. 그러나 입력 규모가 커질수록 메모리 요구량이 급격히 증가함을 지적하며, 근사 알고리즘이나 메타휴리스틱과의 결합 가능성을 제시한다. 전체적으로 이 논문은 평균 이익 최대화라는 새로운 목표 함수를 도입함으로써 기존 탐색·파티션 문제의 연구 영역을 확장하고, 이론적 난이도와 실용적 해결책을 동시에 제공한다.