경로 추적과 지역 탐색을 결합한 이중 행렬 게임 알고리즘

초록

본 논문은 두 플레이어 이중 행렬 게임에서 내쉬 균형을 찾기 위해 전통적인 경로 추적(Lemke‑Howson, Lemke) 방법에 지역 탐색 기법을 결합한 새로운 알고리즘군을 제안한다. 무작위 재시작을 이용한 rrLH와 rrL, 최적 응답 정점 위를 이동하는 LS‑v, 그리고 점진적 행렬 섭동을 적용한 ip‑LH를 설계하고, 이들 알고리즘이 기존 최첨단 방법들을 대부분 능가함을 실험적으로 입증한다. 특히 rrLH는 LH 경로 위에서 무작위 재시작을 수행하는 모든 알고리즘 중 asymptotically optimal임을 증명한다.

상세 분석

이 논문은 두 명의 에이전트가 각각 m₁, m₂개의 순수 전략을 갖는 일반적인 이중 행렬 게임을 대상으로 한다. 내쉬 균형(Nash equilibrium, NE)은 선형 보완 문제(LCP) 형태로 표현될 수 있으며, 전통적인 Lemke‑Howson(LH) 알고리즘은 인공 초기점(0,0)에서 시작해 보완 피벗을 반복함으로써 완전 보완 해, 즉 NE에 도달한다. 그러나 LH는 가능한 경로 수가 m₁+m₂에 불과하고, 각 경로의 길이가 지수적으로 증가할 경우 실행 시간이 급격히 늘어나는 단점이 있다. 이를 극복하기 위해 저자들은 두 가지 차원의 무작위화를 제안한다. 첫 번째는 경로 자체를 무작위로 선택하는 “경로 무작위화(type 1)”, 두 번째는 같은 경로 내에서 중간 정점을 무작위로 선택하는 “정점 무작위화(type 2)”이다. 논문은 type 2 무작위화가 LH 구조상 구현이 어려워, 대신 경로 전체를 무작위 재시작하는 rrLH 알고리즘을 설계하고, 최적의 컷오프(cut‑off)와 재시작 횟수를 수학적으로 분석한다. Lemma 1‑4를 통해, 경로 길이 l가 최단 경로라면 최적의 컷오프는 l·p(p는 목표 성공 확률)이며, 재시작 횟수는 1이 되는 것이 전체 기대 실행 시간을 최소화한다는 것을 증명한다. 따라서 rrLH는 “경로 무작위화” 공간에서 asymptotically optimal하다고 할 수 있다.

다음으로, Lemke 알고리즘(L) 변형을 이용해 무한히 많은 초기점을 허용하는 rrL을 제안한다. L은 파라미터화된 다면체 P 위에서 보완 피벗을 수행하므로, 초기점 선택에 따라 다양한 경로를 탐색할 수 있다. 그러나 실험 결과 rrL은 평균 실행 시간이 rrLH보다 크게 향상되지 않으며, 특히 복잡한 인스턴스에서는 재시작 비용이 증가한다.

지역 탐색 측면에서는 “최적 응답 정점 이동”(LS‑v) 알고리즘을 도입한다. LS‑v는 현재 전략 프로파일의 지원 집합을 기반으로, 각 플레이어의 최적 응답 정점으로 이동하면서 응답 품질을 개선한다. 이 방법은 특히 Hard‑to‑Solve Games(HtSG)와 같은 인스턴스에서 근사 해(ε‑NE)를 빠르게 찾는 데 유리하지만, 정확한 NE를 보장하지는 않는다.

마지막으로, 행렬에 점진적 섭동을 가하는 ip‑LH를 설계한다. 섭동 크기를 10⁻¹⁰까지 감소시키면서 LH 경로를 따라가면, HtSG와 같은 어려운 인스턴스에서도 근사 NE를 매우 높은 정확도로 얻을 수 있다. 이때 섭동이 작아질수록 경로 길이가 짧아지는 현상이 관찰되었으며, 이는 “섬세한 섭동이 경로 탐색 공간을 크게 축소한다”는 새로운 통찰을 제공한다.

전체적으로, 논문은 (1) 무작위 재시작을 통한 경로 선택 전략의 이론적 최적성을 증명하고, (2) 다양한 변형 알고리즘을 구현해 실험적으로 기존 LH, PNS, MIP‑Nash 등을 능가함을 입증한다. 다만 GAMUT의 CovariantGameRand 클래스는 섭동을 가해도 여전히 지수적 경로 길이를 유지해 해결이 어려운 것으로 남는다.