스테임 사이클 이젝션 체인에 대한 정보 기반 휴리스틱

초록

본 논문은 여행 판매원 문제(TSP)에서 널리 사용되는 스테임‑사이클 이젝션 체인 기법에 정보 기반 휴리스틱을 도입한다. 기존 방법은 이동 비용 최소화에만 초점을 맞추어 후계자를 선택했지만, 저자는 admissible heuristic을 활용해 탐색 방향을 보다 유도한다. 실험 결과, 비용 측면에서 개선된 해를 더 자주 찾지만, 시간 복잡도는 다항식 차수에서 상승한다는 트레이드오프를 확인한다.

상세 분석

스테임‑사이클 구조는 기존 로컬 서치에서 가장 효율적인 레퍼런스 프레임워크 중 하나로, 하나의 “스테임”(줄기)과 하나의 “사이클”(순환)로 구성된 부분 그래프를 이용해 연속적인 이젝션 체인을 생성한다. 이때 후계자 선택은 일반적으로 현재 해의 비용을 직접 감소시키는 가장 저렴한 이동을 선택하는 그리디 방식에 의존한다. 그러나 이러한 선택 기준은 탐색 공간의 전역 정보를 반영하지 못해, 종종 지역 최적해에 머무르는 문제를 야기한다.

저자는 인공지능 분야에서 널리 쓰이는 admissible heuristic, 즉 목표 상태까지의 비용을 과소평가하지 않는 추정값을 도입한다. 구체적으로, 현재 스테임‑사이클 구성에서 목표 최적 투어까지 남은 최소 비용을 하한으로 제공하는 휴리스틱 함수를 설계하였다. 이 함수는 두 가지 핵심 요소를 결합한다. 첫째, 아직 연결되지 않은 정점들의 최소 매칭 비용을 계산해 남은 비용의 하한을 얻는다. 둘째, 현재 사이클 내부에서 가능한 교환(2‑opt, 3‑opt 등)의 비용 감소량을 고려해 실제 이동 비용과 결합한다.

이러한 휴리스틱은 admissible 특성을 유지하면서도, 기존의 단순 비용 최소화 기준보다 풍부한 정보를 제공한다. 후계자 후보군을 평가할 때, 각 후보의 실제 이동 비용에 휴리스틱 값을 더해 “예상 총 비용”을 산출하고, 이 값이 가장 낮은 후보를 선택한다. 이는 A* 탐색에서의 f‑값과 유사한 역할을 수행한다.

알고리즘 복잡도 측면에서, 최소 매칭 계산은 일반적으로 O(n³) 시간(예: Hungarian 알고리즘)이나, 논문에서는 근사 매칭을 이용해 O(n²) 수준으로 낮춘다. 전체 이젝션 체인 과정은 여전히 다항식 시간 안에 수행되지만, 휴리스틱 계산이 추가됨에 따라 상수 계수가 증가한다. 저자는 이 복잡도 증가가 실험적으로 허용 가능한 수준임을 입증한다.

실험에서는 TSPLIB의 표준 인스턴스들을 사용해, 기존의 비용‑최소화 기반 스테임‑사이클 이젝션 체인과 비교하였다. 결과는 평균적으로 3%~7% 정도의 비용 개선을 보였으며, 특히 밀집된 그래프에서 더 큰 이득을 나타냈다. 반면 실행 시간은 평균 1.5배에서 2배 정도 증가했지만, 여전히 실용적인 범위 내에 머물렀다.

이 논문의 주요 기여는 (1) TSP 로컬 서치에 AI‑계열 휴리스틱을 성공적으로 적용한 점, (2) admissible 특성을 유지하면서도 실용적인 근사 매칭을 이용해 계산 비용을 제어한 점, (3) 경험적 평가를 통해 비용‑품질 향상과 시간‑복잡도 트레이드오프를 명확히 제시한 점이다. 향후 연구는 휴리스틱의 정교화, 동적 가중치 조정, 그리고 다른 레퍼런스 구조(예: Edge‑Assembly)와의 결합 가능성을 탐색할 수 있다.