일반화 및 가변 크기 이진 커버링 근사 알고리즘

**1. 연구 배경 및 동기** Bin Covering 문제는 아이템을 여러 bin에 배치해 각 bin의 총 크기가 해당 bin의 demand을 넘으면 profit을 얻는 전형적인 최적화 문제이다. 기존 연구는 주로 **무한 공급(infinite supply)** 모델, 즉 각 bin 유형을 무한히 사용할 수 있다는 가정 하에 진행되었다. 그러나 물류·제조 현장에서는 **각 bin이 제한된 개수**(예: 트럭 한 대, 캔 하나)인 경우가 많아, 보다 현실적인 **단위 공급(unit supply)** 모델을 고려할 필요가 있다. 또한, profit이 demand과 반드시 동일하지 않을 수 있는 **Generalized Bin Covering (GBC)** 형태와, profit과 demand이 동일한 **Variable‑Sized Bin Covering (VSBC)** 형태를 동시에 다루는 것이 연구의 목표이다. **2. 문제 정의** - **Bin 유형 집합 I = {1,…,m}**: 각 i는 profit p_i와 demand d_i를 가진다. - **아이템 집합 J = {1,…,n}**: 각 j는 크기 s_j를 가진다. - **단위 공급 모델**: 각 i에 대해 하나의 bin만 존재한다. - **무한 공급 모델**: 각 i에 대해 무한히 많은 bin을 사용할 수 있다. 목표는 선택한 bin들을 커버했을 때 얻는 총 profit을 최대화하는 것이다. **3. 주요 결과** - **Theorem 1**: 단위 공급 모델에서 GBC에 대해 **5‑approximation** 알고리즘을 제시하고, 시간 복잡도는 O(n m √(m+n))이다. - **Theorem 8**: VSBC(=p_i=d_i)에서 **Next Fit Decreasing (NFD)** 알고리즘이 **9/4‑approximation**을 달성한다. 이 비율은 예시를 통해 **최적**임을 보인다. - **Theorem 26**: 무한 공급 모델에서 VSBC에 대해 **AFPTAS**를 설계한다. 이는 ε>0에 대해 (1+ε)‑근사 해를 (poly (n,1/ε)) 시간에 구한다. - **Hardness**: GBC와 VSBC는 2‑approximation 이하가 불가능(Unless P=NP). 또한, 단위 공급 모델에서는 **AP​TAS/AFPTAS가 존재하지 않음**을 증명한다. **4. 알고리즘 설계 – GBC 5‑approximation** 1. **수정된 Bin Covering 문제 정의**: 아이템은 자신보다 demand이 작거나 같은 bin에만 할당 가능하고, 아이템을 부분적으로 나누어 여러 bin에 배분할 수 있다. profit은 **covered fraction × p_i** 로 계산한다. 2. **alg\***: bin을 효율성(p_i/d_i) 내림차순으로 정렬하고, 현재 가장 큰 admissible 아이템을 할당한다. 아이템이 남으면 남은 부분을 다음 bin에 할당한다. bin이 demand을 초과하면 초과 부분을 잘라서 정확히 demand만큼만 사용한다. 3. **LP 정수성 격차**: 수정 문제에 대한 LP의 최적값과 정수 해 사이의 격차가 2임을 증명한다(정수성 격차 = 2). 이를 통해 alg\*가 LP 최적값과 동일한 profit을 얻음이 보인다. 4. **원래 문제로 변환**: alg\*의 해를 두 단계(분할 아이템 재조합, 최대성 보정)로 변형해 원래 GBC에 적용 가능한 해를 만든다. 이 과정에서 profit 손실이 최대 1/5 이하이므로 전체 근사 비율이 5가 된다. **5. 알고리즘 설계 – VSBC NFD 9/4‑approximation** - 아이템을 크기 내림차순으로 정렬하고, 현재 열려 있는 bin에 넣을 수 없으면 새로운 bin을 연다. - **분류**: (a) **단일 아이템 bin** – 하나의 아이템만으로 demand을 초과한 경우, 이는 최적 해와 동일한 profit을 제공한다. (b) **다중 아이템 bin** – 두 개 이상 아이템으로 커버된 경우, 총 크기가 demand의 두 배 이하이므로 profit은 optimal의 절반 이상이다. - **문제점**: NFD가 커버하지 못한 bin이 존재할 수 있다. 최적 해는 남은 아이템을 재조합해 이러한 bin을 커버할 수 있다. 저자들은 이러한 재조합이 전체 profit에 기여할 수 있는 최대 비율을 분석해, 최악의 경우에도 NFD의 profit이 optimal의 4/9 이상임을 보인다. - **예시**를 통해 9/4 비율이 **tight**함을 확인한다. **6. 무한 공급 모델 – AFPTAS** - 기존 APTAS (Csirik 등) 를 기반으로, demand이 작은 bin을 사전에 제거하고, LP‑라운딩을 개선한다. - 아이템 크기를 적절히 그룹화하고, **Jansen‑Solis‑Oba** 기법을 적용해 LP 변수 수를 감소시킨다. - 결과적으로, ε>0에 대해 (1+ε)‑근사 해를 **O(poly (n,1/ε))** 시간에 구할 수 있다. 이는 profit이 무한히 커지는 asymptotic 상황에서도 적용 가능하다. **7. 하드니스 및 비가능성** - Partition 감소를 이용해 GBC와 VSBC가 **2‑approximation 이하**는 불가능함을 재확인한다. - 단위 공급 모델에서는 **AP​TAS/AFPTAS가 존재하지 않음**을 보인다. 특히, m>2인 경우에도 optimal profit이 무한히 커지는 경우 2‑ε 근사는 불가능함을 증명한다. 이는 “두 개 큰 bin”을 이용한 Partition 인스턴스를 그대로 삽입한 것이다. **8. 관련 연구와 차별점** - 기존 연구는 주로 무한 공급 모델에서 **asymptotic** 근사(2‑approx, APTAS 등)를 다루었다. - 본 논문은 **단위 공급**이라는 새로운 모델을 도입하고, **비-asymptotic** 근사 비율(5, 9/4)을 제공한다. - 또한, **수정된 문제 정의와 LP 정수성 격차**를 활용한 기법은 기존 방법과 차별화되는 핵심 기여이다. **9. 결론 및 향후 연구** 단위 공급 모델에서 GBC와 VSBC에 대한 강력한 근사 알고리즘을 제시함으로써, 실제 물류·제조 환경에 더 적합한 이론적 기반을 마련하였다. 향후 연구는 (i) 단위 공급 모델에서 **다중 복제**(예: 각 bin 유형당 제한된 복제 수) 상황에 대한 근사 비율 개선, (ii) **온라인** 버전에서의 경쟁률 분석, (iii) **다중 목적**(예: 비용과 profit 동시 최적화) 문제에 대한 확장 등을 탐구할 수 있다.