다각형 내부에 최적의 유사 복제 찾기: 사면체·입방체·정다면체 포함 문제 완전 해법

초록

본 논문은 임의의 두 다각형 P와 Q에 대해 P와 유사한 복제 P′를 Q 안에 가장 크게 넣는 문제를 2차 제약 최적화 모델로 정식화하고, 수치 해석(SCIP)과 고정밀 정밀도 계산·정수 관계 알고리즘을 결합해 정확한 대수적 해를 복원한다. 이를 이용해 플라토닉 솔리드 5종 사이의 20가지 비자명 포함 관계를 모두 계산·검증했으며, 기존 Croft가 놓친 6가지 경우의 최적 배치를 새롭게 제시한다.

상세 분석

이 연구는 “P′가 Q에 포함되면서 P와 유사(similar)하도록 하는 최대 확대 비율”이라는 기하학적 최적화 문제를, P의 정점 좌표와 Q를 정의하는 반평면들의 집합을 입력으로 하는 Quadratically Constrained Quadratic Programming(QCQP) 형태로 변환한다. 구체적으로 변수 s(확대 비율의 제곱)와 P′의 각 정점 좌표 vᵢ를 두고, (1) 모든 vᵢ가 Q의 각 반평면 Hₖ 안에 들어가도록 하는 선형 부등식, (2) 모든 정점 쌍 (i,j) 사이 거리 제곱이 s·‖wᵢ−wⱼ‖²와 일치하도록 하는 ½·n·(n−1)개의 2차 등식으로 구성한다. 이 모델은 전역 최적해가 존재하면 P′가 실제로 최대 크기의 유사 복제임을 보장한다.

연구는 두 가지 실용적 개선을 제시한다. 첫째, P의 정점 중 선형 독립인 (p+1)개를 선택해 affine basis로 삼고, 나머지 정점을 이 기반의 선형 결합으로 대체함으로써 변수 수를 (p+1)·q+1 로 크게 감소시킨다. 둘째, 거리 제약을 모든 정점 쌍이 아니라 affine basis 내의 벡터 쌍에 대해서만 적용해 ½·(q+1)(q+2)개의 2차 등식만 남긴다. 이렇게 축소된 문제는 차원과 정점 수에 비해 매우 효율적으로 풀 수 있다.

수치 해법으로는 비선형 혼합정수 프로그래밍 솔버 SCIP을 사용한다. SCIP은 branch‑and‑bound와 전역 탐색을 통해 사전에 지정한 정밀도(예: 10⁻¹⁰) 내에서 최적 s와 좌표를 제공한다. 그러나 전역 최적성 보장은 수치 오차와 근접 로컬 최적점 사이의 구분이 어려울 수 있다. 이를 보완하기 위해 저자는 다음과 같은 세 가지 가정을 명시한다: (1) 얻어진 근사 해 eP 근처에 유일한 로컬 최적점이 존재, (2) 해당 로컬 최적점이 전역 최적점, (3) eP와 최적점이 Q와 동일한 정점‑면 접촉 구조를 유지.

가정이 만족된 경우, 고정밀(수천~수만 자리) 뉴턴 반복을 통해 근사 해를 정밀히 개선하고, LLL 기반 정수 관계 알고리즘으로 각 좌표를 대수적 수(다항식의 근)로 추정한다. 마지막으로 대수적 검증을 수행해 실제 해가 시스템의 2차 방정식을 정확히 만족함을 확인한다. 이 절차는 해가 알제브라적(즉, 유리수 혹은 작은 차수의 대수수)일 때 성공한다.

논문의 핵심 적용 사례는 플라토닉 솔리드 사이의 포함 문제이다. 기존 Croft(1980)는 14/20 경우만 최적성을 증명했으며, 나머지 6가지는 미해결 상태였다. 저자는 위의 최적화·정밀도·대수 복원 파이프라인을 모두 적용해, 모든 20가지 경우에 대해 최적 확대 비율과 정확한 기하학적 배치를 얻었다. 특히 다음과 같은 새 결과가 강조된다:

• 정십면체(D) → 이십면체(I) : 중심동일, D의 한 면의 5개 정점이 I의 5개 가장자리와 일치, 확대 비율 = (15−√5)/22 ≈ 0.58018.
• 이십면체(I) → 정십면체(D) : 각 I 정점이 D의 12개 면 내부에 하나씩 배치, 확대 비율 = (1+2φ)/2 ≈ 1.3090 (φ는 황금비).
• 입방체(C) → 이십면체(I) : C와 I가 중심동일, C의 두 대각선 정점이 I의 서로 인접한 가장자리 내부에 위치, 확대 비율 = (5+7√5)/22 ≈ 0.93874.
• 정십면체(D) → 팔면체(O) : D의 두 대면을 O의 4개의 정점이 지나는 평면에 놓고, 각 면에 D의 한 변이 포함되도록 배치, 확대 비율 = (25√2−9√10)/22 ≈ 0.31340.

이 외에도 T(정사면체) → I, T → D 등 나머지 경우도 구체적인 정점‑면 접촉 구조와 대수식으로 제시한다. 모든 경우에 대해 수치값과 심볼릭 표현(루트와 φ 등) 모두 제공되며, 일부는 기존 문헌의 오타를 정정한다.

이 연구는 (i) 복잡한 기하학적 최적화 문제를 일반적인 QCQP 형태로 체계화, (ii) 변수·제약 축소를 통한 계산 효율성 향상, (iii) 고정밀 수치 해와 대수적 복원을 결합한 정확도 확보라는 세 축을 성공적으로 구현했다는 점에서 의의가 크다. 또한, 전통적인 기하학적 증명 대신 컴퓨터 기반 탐색·검증을 통해 완전한 해답을 얻은 사례는, 향후 고차원·고복잡도 다면체 포함 문제에도 동일한 접근법을 적용할 수 있음을 시사한다.