다차원 할당 문제를 위한 효율적인 로컬 서치 휴리스틱 연구

다차원 할당 문제(MAP, s‑AP)는 두 차원 할당 문제(AP)를 일반화한 형태로, s≥3 일 때는 NP‑hard이며 실제 센서 데이터 매칭, 이미지 인식, 라우팅 등 다양한 분야에 적용된다. 본 논문은 MAP의 로컬 서치 기반 휴리스틱을 포괄적으로 정리·일반화하고, 새로운 이웃 구조와 조합 전략을 제안한다. 1. **문제 정의 및 표현** - X₁=…=X_s={1,…,n} 로 정의된 s‑partite 그래프에서 n개의 서로 다른 클리크를 선택해 가중치 합을 최소화한다. - 순열 형태 π₁π₂…π_s 로 해를 표현하고, π₁을 항등 순열로 고정해 문제를 단순화한다. 2. **Dimensionwise Variations (DV)** - 차원 집합 D⊆{1,…,s}와 순열 ρ를 선택해 p_D(A,ρ) = ρ₁(π₁)…ρ_s(π_s) 로 새로운 해를 만든다. - D가 단일 차원이면 1‑D V, |D|≤2이면 2‑D V, 모든 허용 D를 탐색하면 s‑D V가 된다. - 이웃 크기 |N_DV(A)| = |𝔇|(n!−1)+1 로, 𝔇는 허용 차원 집합 수이며, 시간 복잡도는 O(|𝔇|·n³)이다. - 실험에서 2‑D V 가 1‑D V 보다 약간 큰 이웃을 제공하지만, 실행 시간 증가가 제한적이라 실용적이다. 3. **k‑opt 휴리스틱** - k개의 벡터를 선택해 각 차원의 좌표를 재배열함으로써 새로운 할당을 만든다. - 정확히는 선택된 k 벡터의 좌표 집합 X'_j 를 구성하고, s‑AP 규모 k 문제를 풀어 최적 교환을 찾는다. - 복잡도는 O(nᵏ·k!·s^{−1})이며, k≪n 일 때 O(nᵏ·k!·s^{−1}) 로 근사한다. - 2‑opt 은 기존 연구와 동일하게 N_{2‑opt}=1+ C(n,2)(2^{s−1}−1) 이며, 3‑opt 은 N_{3‑opt}=1+ C(n,2)(2^{s−1}−1)+C(n,3)(6^{s−1}−3·2^{s−1}+2) 로 크게 확대된다. - 3‑opt 은 탐색 능력이 뛰어나지만 실행 시간이 급증하므로, 다른 휴리스틱과 결합해 사용한다. 4. **Variable Depth Interchange (v‑opt)** - Lin‑Kernighan 방식에서 영감을 받아, 교환 깊이를 동적으로 늘리며 비용 감소가 가장 큰 교환을 선택한다. - 기본 v‑opt 은 차원 s≥3 에 그대로 적용했을 때 실행 시간이 크게 늘어나지만, 후보 정렬·중복 제거 기법을 도입한 개선 버전은 품질을 5‑7% 향상시키면서도 시간은 1.3배 정도만 증가한다. 5. **조합 전략** - DV 이웃을 먼저 탐색해 큰 구조적 변화를 만든 뒤, 3‑opt 로 미세 조정하는 “DV + 3‑opt” 조합이 가장 효과적이다. - 실험에서는 무작위, 유클리드, 실제 센서 매칭 데이터 3가지 인스턴스 군에서 평균 12% 정도의 상대 개선을 달성했다. 6. **실험 설계 및 결과** - 인스턴스는 (i) 무작위 가중치, (ii) 유클리드 거리 기반, (iii) 실제 센서 매칭 데이터로 구분하였다. - 각 알고리즘을 30회 반복 실행해 평균·표준편차를 기록했으며, 차원 수 s와 규모 n에 따른 성능 차이를 분석했다. - 주요 발견: s≤4, n≤200 에서는 2‑D V 가 가장 빠르고 충분히 좋은 해를 제공한다. s≥5, n≥500 에서는 “s‑D V + 3‑opt” 조합이 최적에 가장 근접한다. 7. **이론적 분석** - 각 이웃의 크기와 시간 복잡도를 명시적으로 도출해, 알고리즘 선택 시 트레이드오프를 정량화한다. - 특히, k‑opt* (차원 제한형) 은 N_{k‑opt*}=s·C(n,k)(k!−1)+1 로, 1‑D V 와 동일하거나 열등함을 보이며, 실험에서도 차이가 없었다. 8. **결론 및 향후 연구** - 차원별 변형, k‑opt, v‑opt 을 체계적으로 정리·일반화하고, 조합 전략을 통해 기존 휴리스틱을 능가하는 성능을 입증했다. - 향후 연구는 (a) 동적 차원 선택을 통한 적응형 DV, (b) 메타휴리스틱(예: 유전 알고리즘)과의 연계, (c) 대규모 실시간 응용을 위한 병렬 구현 등을 제안한다.