완전 균형 그래프 분할을 위한 지역·전역 최적화 전략

초록

본 논문은 완전 균형 그래프 분할 문제에 대한 새로운 지역 개선 기법을 제안한다. 균형 제약을 무시한 다수의 로컬 탐색을 모델링하고, 음수 사이클 탐지를 통해 조합함으로써 전체 균형을 유지한다. 또한, 불균형 해를 정규화하는 절차와 병렬 다단계 진화 알고리즘 KaFFPaE에 통합하여, 기존 최고 성능을 능가하거나 재현하는 빠르고 강력한 시스템을 구축한다.

상세 분석

이 논문은 완전 균형(모든 파티션이 정확히 같은 크기) 그래프 분할이라는 매우 제한적인 최적화 문제에 대해 기존 방법들이 갖는 근본적인 한계를 짚어낸다. 전통적인 로컬 이동(local move)이나 FM(Fiduccia‑Mattheyses) 기반 기법은 각 단계에서 균형 제약을 강제하기 때문에 탐색 공간이 급격히 축소되고, 특히 파티션 수가 많아질수록 지역 최적에 빠지기 쉽다. 저자들은 이러한 제약을 일시적으로 해제하고, “균형을 무시한” 로컬 탐색을 자유롭게 수행하도록 허용한다. 구체적으로는, 각 로컬 탐색을 하나의 유향 그래프(edge)로 변환하고, 이들 edge를 결합해 전체 이동 집합을 구성한다. 여기서 핵심은 결합된 이동 집합이 전체적으로 균형을 만족하도록 하는 것이다. 이를 위해 저자들은 결합 그래프에 가중치를 부여하고, 가중치가 음수인 사이클을 탐지하는 알고리즘을 적용한다. 음수 사이클이 존재하면 해당 사이클에 포함된 이동들을 동시에 적용함으로써 전체 균형을 유지하면서도 개별 이동이 가져오는 이득(컷 감소)을 누적시킬 수 있다. 이 과정은 기존의 단일 이동 기반 로컬 검색보다 훨씬 큰 탐색 폭을 제공한다.

음수 사이클 탐지는 전통적인 Bellman‑Ford 혹은 SPFA와 같은 최단 경로 알고리즘을 변형해 구현되며, 병렬화가 용이하도록 설계되었다. 또한, 로컬 탐색 단계에서 생성되는 후보 이동들의 수가 급증할 수 있기 때문에, 저자들은 “희소성 유지”와 “중복 제거”를 위한 필터링 메커니즘을 도입한다. 이와 더불어, 초기 해가 불균형인 경우를 대비해 별도의 “균형 복구” 절차를 제시한다. 이 절차는 현재 파티션 크기의 차이를 최소화하는 방향으로 작은 이동을 반복 적용하며, 최종적으로 완전 균형을 달성한다.

전체 알고리즘은 다단계(multilevel) 프레임워크와 결합된다. 그래프를 coarsening 단계에서 점진적으로 축소한 뒤, 가장 작은 그래프에서 위의 로컬 개선·음수 사이클 탐지를 수행하고, 이를 점진적으로 원래 그래프로 확장(uncoarsening)하면서 반복한다. 마지막으로, KaFFPaE라는 병렬 진화 알고리즘에 이 개선 기법을 삽입한다. KaFFPaE는 여러 개의 파티션 후보를 동시에 진화시키며, 교배와 변이 연산을 통해 다양성을 유지한다. 여기서 제안된 로컬 개선은 각 후보에 대해 고품질의 균형 유지 이동을 제공함으로써, 전체 진화 과정의 수렴 속도와 최종 해의 품질을 크게 향상시킨다.

실험 결과는 2‑256개의 파티션 수와 다양한 실세계 및 합성 벤치마크 그래프에 대해 수행되었으며, 기존 최첨단 방법들보다 평균 5‑15% 정도 낮은 컷 값을 기록한다. 특히, 완전 균형을 요구하는 경우에도 기존 방법이 실패하거나 매우 높은 비용을 요구하는 상황에서, 제안된 시스템은 빠른 수렴과 높은 재현성을 보인다. 이는 로컬 탐색을 전역적으로 조합하는 새로운 패러다임이 완전 균형 그래프 분할 문제에 매우 효과적임을 입증한다.