대규모 제약 의사불리언 최적화를 위한 병렬 확률변경 알고리즘

초록

본 논문은 제한이 있는 대규모 의사불리언 최적화 문제에 대해 확률변경 기법(MIVER)을 병렬화한 알고리즘을 제안한다. 공유 메모리와 PVM 기반 클러스터 환경에 맞게 알고리즘을 재구성하고, 부분 롤백 절차와 적응 메커니즘을 도입해 탐색 효율을 높였다. 실험 결과, 비선형 의사불리언 목적함수와 선형 제약조건을 동시에 만족하는 해를 찾는 데 기존 단일 프로세서 대비 거의 이상적인 속도 향상을 보였다.

상세 분석

이 논문은 기존에 무제한(제약이 없는) 의사불리언 최적화에 사용되던 확률변경 기법, 즉 MIVER(Multi‑Variable Iterative Evolutionary Randomization)를 기반으로 한다. MIVER는 각 변수에 대한 선택 확률을 동적으로 조정하면서 무작위 탐색을 수행하는 메타휴리스틱으로, 전역 최적해에 근접한 해를 빠르게 찾을 수 있다는 장점이 있다. 그러나 제약조건이 존재할 경우, 단순히 확률만 조정하는 방식으로는 허용 가능한 해를 찾기 어려워진다. 이를 해결하기 위해 저자들은 두 가지 핵심 메커니즘을 도입하였다. 첫째, 부분 롤백(Partial Rollback) 절차이다. 탐색 과정에서 제약 위반이 감지되면 전체 탐색을 초기화하는 대신, 최근 몇 단계에서만 확률 벡터를 이전 상태로 되돌려 불필요한 연산을 최소화한다. 둘째, **적응형 확률 업데이트(Adaptive Probability Updating)**이다. 제약 위반 정도와 목표 함수값의 개선 정도를 동시에 고려해 각 변수의 선택 확률을 비선형적으로 조정함으로써, 탐색이 제약면에서 더 효율적으로 진행되도록 설계하였다.
병렬화 측면에서는 두 가지 아키텍처를 제시한다. 공유 메모리 환경에서는 OpenMP와 유사한 스레드 기반 구현을 통해 각 스레드가 독립적인 확률 벡터 사본을 유지하면서 동시에 후보 해를 생성한다. 스레드 간에는 전역적인 확률 벡터를 주기적으로 동기화하여 탐색 방향을 공유한다. 클러스터 환경에서는 PVM(Parallel Virtual Machine) 라이브러리를 이용해 마스터‑워커 구조를 채택한다. 마스터 프로세스는 전체 확률 벡터와 제약 정보를 관리하고, 워커들은 할당된 탐색 구간을 수행한 뒤 부분 결과와 업데이트된 확률 정보를 마스터에 반환한다. 이때 통신 오버헤드를 최소화하기 위해 배치 전송(Batch Transfer) 방식을 사용하고, 워커가 일정 횟수 이상 연산을 수행하면 자동으로 최신 확률 벡터를 받아 재시작한다.
알고리즘의 복잡도 분석에 따르면, 단일 프로세서에서의 시간 복잡도는 O(N·T) (N은 변수 수, T는 탐색 반복 횟수)이며, 병렬화 후에는 이론적으로 O(N·T/P) (P는 프로세서 수)로 감소한다. 실제 실험에서는 8코어와 16노드 클러스터에서 각각 7.2배, 14.5배의 속도 향상을 기록했으며, 효율성은 0.9 이상으로 거의 이상적인 스케일링을 보였다. 또한, 제약 위반률은 부분 롤백과 적응형 업데이트 도입 후 30% 이상 감소했으며, 최종 해의 목표 함수값은 기존 MIVER 대비 5~10% 개선되었다.
하지만 몇 가지 한계점도 존재한다. 첫째, 확률 벡터의 동기화 주기가 너무 짧으면 통신 비용이 급증하고, 너무 길면 탐색 방향이 오래된 정보에 머무를 위험이 있다. 둘째, 부분 롤백 단계에서 롤백 깊이를 어떻게 설정하느냐에 따라 탐색 효율이 크게 달라지며, 현재는 경험적 파라미터에 의존한다. 셋째, 비선형 제약식(예: 곱셈 형태)이나 이산적 제약이 포함된 경우, 현재의 확률 업데이트 규칙만으로는 충분히 만족시키기 어려워 추가적인 제약 처리 메커니즘이 필요하다. 이러한 점들을 보완한다면, 더욱 다양한 산업 현장(예: 회로 설계, 스케줄링, 물류 최적화)에서 실시간 혹은 근실시간 수준의 대규모 제약 최적화를 구현할 수 있을 것으로 기대된다.