k집합 커버를 위한 포장 기반 근사 알고리즘

본 논문은 k‑Set Cover 문제에 대한 새로운 근사 알고리즘을 제시한다. 문제 정의는 원소 집합 U와 최대 크기 k인 부분집합들의 컬렉션 S가 주어졌을 때, U를 완전히 덮는 최소 개수의 부분집합을 찾는 것이다. 이 문제는 k≥3에서 NP‑hard이며, 기존의 그리디 알고리즘은 Hₖ(=1+1/2+…+1/k) 의 근사 비율을 달성한다. Feige의 하드니스 결과와 T‑revisan의 ln k−Ω(ln ln k) 하한을 고려하면, 비율을 Hₖ−c 형태로 개선하는 것이 현실적인 목표가 된다. 저자들은 두 가지 핵심 아이디어를 결합한다. 첫 번째는 k‑Set Packing 문제에 대한 Hurkens‑Shrijver의 지역 탐색 알고리즘을 활용하는 것이다. 이 알고리즘은 파라미터 s=O(log k · 1/ε) 로 설정하면 2ᵏ−ε 의 근사 비율을 보장한다. 두 번째는 작은 k(특히 4,5,6)에서 1‑집합(단일 원소 집합)의 사용을 최소화하기 위해 “Restricted k‑Set Packing”이라는 제한을 두는 것이다. 제한은 지역 개선이 수행될 때, 현재 커버를 완성하기 위해 필요한 1‑집합의 개수가 증가하면 해당 개선을 금지한다. 이를 위해 논문은 Duh와 Furer가 제시한 반국소 (2,1) 개선 알고리즘을 사용해 남은 원소에 대한 1‑집합 수를 사전에 계산한다. 알고리즘 PRPSLI는 다음과 같은 세 단계로 구성된다. 1. **k‑Set Packing Phase (k≥7)**: Hurkens‑Shrijver의 지역 탐색을 적용해 최대한 큰 i‑집합(i=k,…,7)을 포장한다. 각 단계에서 p≤sᵢ개의 i‑집합을 p+1개의 i‑집합으로 교체하는 개선을 반복한다. 2. **Restricted k‑Set Packing Phase (k=6,5,4)**: 남은 원소에 대해 반국소 (2,1) 개선을 실행해 필요 1‑집합 수를 구한다. 이후 i=6,5,4 순서로 제한된 지역 탐색을 수행한다. 교체가 1‑집합 수를 증가시키면 해당 교체를 포기한다. 3. **Semi‑Local Optimization Phase**: 최종적으로 남은 원소에 대해 다시 (2,1) 반국소 개선을 적용한다. 각 단계는 다항 시간에 종료되며, 전체 알고리즘은 모든 k에 대해 근사 비율 ρₖ를 달성한다. 구체적인 비율은 다음과 같다. - 짝수 k≥6: ρₖ = 2Hₖ − Hₖ² + (2ᵏ⁻¹)/(k−1) − 4/3 + ε - 홀수 k≥7: ρₖ = 2Hₖ − Hₖ₋₁/2 − 4/3 + ε - k=5: ρ₅ = 1.7333 (≈7/4 + 1/3) - k=4: ρ₄ = 1.5208 (≈7/16 + 1/12 + 1) - k=3: ρ₃ = 4/3 (반국소 (2,1) 개선의 기존 결과) 이 식들을 간단히 정리하면 ρₖ = Hₖ − 0.6402 + Θ(1/k) 로 수렴한다. 특히, k가 커질수록 상수항 −0.6402가 Hₖ에 비해 지배적이며, 이는 기존의 Hₖ−c 형태에서 c≈0.6402 로 가장 큰 값을 달성한 것이다. 핵심 이론적 기여는 Restricted k‑Set Packing의 정확한 분석이다. 저자들은 “blocking tree”라는 구조를 도입해, optimal solution O와 알고리즘이 선택한 포장 A 사이의 관계를 레벨별로 구분한다. 각 optimal set이 A에 의해 몇 개의 원소가 커버되는지를 i‑level이라 정의하고, i‑j 개선이란 A의 i개의 집합을 O의 j개의 집합으로 교체하는 것을 의미한다. 제한 조건 때문에 일부 i‑j 개선은 “blocking” 되어 수행되지 못한다. 이때 blocking tree는 optimal set들을 정점, 2‑set 교차를 간선으로 하는 포레스트이며, 각 트리의 루트는 차수가 2 이하인 특수 노드이다. 분석은 토큰 분배 기법을 사용한다. 알고리즘이 선택한 각 원소에 4개의 토큰을 할당하고, 이를 optimal set에 재분배한다. 내부 노드는 자식으로부터 필요한 토큰을 요청하고, 리프 노드는 여유 토큰을 제공한다. 첫 번째 라운드에서 모든 내부 노드는 최소 8개의 토큰을 확보하고, 루트는 차수에 따라 충분한 토큰을 받는다. 두 번째 라운드에서는 1‑level singleton 집합에 대한 추가 재분배를 수행해, 최종적으로 모든 optimal set이 최소 7개의 토큰을 갖게 된다. 이는 각 optimal set이 알고리즘이 선택한 집합보다 평균적으로 7/4 배 이상 효율적임을 의미하며, 따라서 7/16(≈0.4375) 의 하한을 초과하지 않는다. k=4에 대한 구체적인 예시와 함께, 저자들은 이 비율이 실제로 tight함을 보이는 인스턴스를 제시한다. k≥5에서는 위 토큰 분석과 함께 Hurkens‑Shrijver의 기존 2ᵏ−ε 비율을 결합해 전체 비율을 Hₖ−0.6402+Θ(1/k) 로 끌어올린다. 마지막으로, 표 1을 통해 제안 알고리즘이 기존의 GRSLIₖ,5, Levin, PRSLIₖ,5 등과 비교해 모든 k≥4에서 더 나은 비율을 제공함을 입증한다. 또한, “tightness” 섹션에서 제시된 반례를 통해 현재 알려진 포장 기반 접근법으로는 더 이상의 개선이 불가능함을 주장한다. 이는 향후 연구가 전혀 새로운 기법(예: LP‑기반 라운딩, SDP, 혹은 문제 구조에 대한 새로운 파라미터화) 없이는 Hₖ−c 형태의 c를 0.6402보다 크게 만들기 어려울 것임을 시사한다.