랭킹 기반 블랙박스 복잡도

초록

이 논문은 기존 블랙박스 복잡도 모델에 “순위만 이용”하는 제약을 추가한 랭킹 기반 블랙박스 모델을 제안한다. 실제 목표값 대신 이전에 평가된 해들의 상대적인 순위만을 활용하도록 제한함으로써, 많은 진화 알고리즘·시뮬레이티드 어닐링·개미 군집 최적화와 같은 무작위 탐색 휴리스틱을 보다 현실적으로 모델링한다. 주요 결과로, 이 모델에서는 모든 이진값 함수 클래스의 복잡도가 Θ(n)으로 증가하고, OneMax 함수 클래스는 기존 복잡도와 동일하게 Θ(n/ log n)으로 해결 가능함을 보인다.

상세 분석

본 연구는 블랙박스 복잡도 이론에 새로운 제약을 도입함으로써, 무작위 탐색 휴리스틱이 실제로 활용하는 정보 형태를 보다 정확히 반영한다. 기존의 ‘제한 없는’ 블랙박스 모델은 알고리즘이 목표값 자체를 자유롭게 이용할 수 있다고 가정한다. 그러나 대부분의 진화 알고리즘은 적합도 값을 절대값이 아니라 비교 연산을 통해서만 사용한다는 점에 착안해, 논문은 “랭킹 기반” 모델을 정의한다. 이 모델에서는 알고리즘이 지금까지 조회한 모든 해에 대해 f(x) < f(y), f(x) = f(y), f(x) > f(y) 중 하나만 알 수 있다. 즉, 절대적인 피트니스 값은 숨겨진 채, 순위 정보만이 공개된다.

이러한 제약 하에서 두 주요 함수 클래스를 분석한다. 첫 번째는 BinaryValue*ₙ 클래스이다. 기존 모델에서는 로그 n 수준의 복잡도로 최적해를 찾을 수 있었지만, 순위만 이용하면 각 비트의 가중치를 구분할 수 없게 되므로, 최소 n번의 비교가 필요함을 증명한다. 구체적으로, 하위 클래스 BinaryValueₙ(모든 비트 가중치를 2^{i‑1} 로 설정)에서도 Θ(n)의 하한을 보이며, 단순한 힐 클라이머가 상한을 달성한다는 점을 제시한다. 이는 순위 기반 모델이 실제 알고리즘이 직면하는 어려움을 더 잘 포착한다는 증거이다.

두 번째는 OneMaxₙ 클래스이다. 기존 연구에서는 무작위 쿼리와 정확한 피트니스 값을 이용해 Θ(n/ log n) 번의 평가로 비밀 문자열을 복원할 수 있음을 보였다. 논문은 이와 동일한 복잡도를 유지하는 랭킹 기반 알고리즘을 설계한다. 핵심 아이디어는 “다중 샘플링 + 비교” 전략으로, O(n/ log n) 개의 무작위 해를 수집하고, 이들의 순위 정보를 이용해 비밀 문자열의 각 비트에 대한 추정치를 점진적으로 좁혀 나가는 것이다. 이 과정에서 정확한 피트니스 값이 없어도, 순위만으로 충분히 정보 이득을 확보할 수 있음을 증명한다.

또한, 논문은 이 결과를 마스터마인드 게임의 블랙‑피그 버전과 연결한다. 여기서 코덱메이커는 검은 피그(정확히 일치하는 위치)만을 알려주며, 이는 바로 순위 기반 블랙박스 모델과 동일하다. 따라서 OneMax에 대한 Θ(n/ log n) 복잡도는 마스터마인드에서도 최적 전략이 존재함을 의미한다.

전체적으로, 랭킹 기반 블랙박스 복잡도는 기존 모델이 과도하게 낮은 복잡도를 예측하는 경우를 교정하고, 실제 무작위 탐색 휴리스틱이 직면하는 정보 제한을 정량화한다. 특히, 함수 클래스에 따라 복잡도가 크게 변동할 수 있음을 보여주며, 향후 알고리즘 설계와 이론적 분석에 새로운 기준을 제공한다.