다중 플레이어 게임의 강력 내시 균형을 위한 진화적 탐색 방법

초록

본 논문은 강력 내시 균형(Strong Nash Equilibrium, SNE)을 찾기 위해 생성 관계(generative relation)를 활용한 휴리스틱 탐색 알고리즘을 제안한다. 차등 진화(Differential Evolution) 기반의 A‑CrDE(Aumann Crowding DE) 알고리즘에 세 가지 생성 관계(완전, 확률적, 부분적)를 적용하여 연산량을 감소시키고, 최소 노력 게임(minimum effort game)에서 150명까지의 플레이어에 대해 실험을 수행해 정확도와 실행 시간 측면의 장·단점을 비교하였다.

상세 분석

이 논문은 강력 내시 균형이라는 개념이 “어떠한 연합(coalition)도 공동 편차를 통해 모든 구성원의 보상을 동시에 향상시킬 수 없다”는 조건을 만족하는 전략 프로파일을 찾는 문제임을 명확히 하고, 이를 기존의 비지배(non‑dominance) 개념과 연결시킨 생성 관계(framework)를 제시한다. 먼저, 완전 생성 관계 ≺ₐ는 모든 가능한 2ⁿ‑1개의 연합을 고려해 a(s*,s)와 a(s,s*)라는 두 개의 정량적 지표를 계산한다. 이 지표는 각각 s에서 s로 전환했을 때 이득을 얻는 플레이어 수와 그 반대 상황을 셈으로써, s가 s보다 ‘강력 내시 측면에서 더 나은’지를 판단한다. 그러나 n이 커질수록 연합 수가 기하급수적으로 증가해 계산 비용이 prohibitive해진다. 이를 해결하기 위해 확률적 생성 관계 ≺ₐₚ를 도입한다. 여기서는 전체 연합 집합 중 p %만 무작위로 샘플링해 aₚ(s*,s)를 평가한다. p가 100 %일 때는 완전 관계와 동일하지만, p를 낮추면 연산량이 크게 감소한다. 논문은 p > 0인 경우에도 ≺ₐₚ가 강력 내시 균형을 정확히 구분하는 생성 관계임을 정리와 증명을 통해 보인다.

알고리즘적 구현은 차등 진화(DE)의 변형인 Crowding DE(CrDE)를 기반으로 한다. 기본 DE/rand/1/exp 변형을 사용해 변이와 교차를 수행하고, 생성된 자손이 현재 인구에서 가장 유사한 부모보다 강력 내시 관점에서 우수하면 교체한다. 여기서 ‘우수함’은 위에서 정의한 생성 관계에 따라 판단한다. 세 가지 변형(A‑CrDE, p‑A‑CrDE, 그리고 부분적 샘플링을 적용한 변형) 각각이 다른 트레이드오프를 제공한다. 완전 변형은 정확도가 가장 높지만 연산 시간이 급증하고, 확률적 변형은 p 값을 조절함으로써 실행 시간을 크게 단축하면서도 근사 정확도를 유지한다.

실험에서는 최소 노력 게임을 선택했는데, 이는 모든 플레이어가 동일한 노력 수준을 선택하면 보상이 최대가 되는 구조로, 강력 내시 균형이 존재한다는 점에서 테스트베드로 적합하다. 2명부터 150명까지의 규모에서 30회 반복 실행한 결과, 완전 변형은 평균 오차가 10⁻⁴ 이하로 가장 정확했으나, 150명 경우 실행 시간이 수십 분에 달했다. 반면 p = 10 %인 확률적 변형은 오차가 10⁻³ 수준으로 약간 감소했지만, 실행 시간은 1~2분 수준으로 크게 개선되었다. 또한, 알고리즘이 찾은 해들은 모두 파레토 효율성을 만족함을 확인했으며, 이는 강력 내시 균형이 자동으로 파레토 최적을 포함한다는 이론적 결과와 일치한다.

논문은 또한 강력 내시 균형이 NP‑complete 문제임을 언급하며, 제안된 휴리스틱이 정확한 해를 보장하지는 않지만, 실용적인 규모의 게임에서 충분히 근사해를 빠르게 찾을 수 있음을 강조한다. 향후 연구 방향으로는 연합 샘플링 전략의 개선, 다목적 최적화와의 연계, 그리고 비대칭 보상 구조를 가진 게임에 대한 적용 가능성을 제시한다.