다중목표 휴리스틱 탐색: 새로운 프레임워크와 학습 기법

초록

본 논문은 제한된 자원 내에서 가능한 한 많은 목표를 찾는 ‘다중목표 휴리스틱 탐색’ 문제를 정의하고, 전통적인 거리 기반 휴리스틱이 이 경우 부적합함을 보인다. 이를 해결하기 위해 목표 밀도와 비용‑이익을 동시에 고려하는 ‘한계 효용(marginal‑utility) 휴리스틱’을 제안하고, 형제 노드 간 부분 효용 유사성을 이용한 방법과 상태 특징 공간을 일반화하는 두 가지 온라인 학습 기법을 개발한다. 제안 알고리즘을 집중 크롤링 등 여러 도메인에 적용한 실험 결과, 기존 탐색 기법보다 목표 수와 자원 효율성 모두에서 우수함을 입증한다.

상세 분석

논문은 먼저 전통적인 휴리스틱 탐색이 “하나의 목표를 찾으면 종료”하는 단일목표 설정에 최적화되어 있음을 지적한다. 웹 크롤링과 같은 실제 응용에서는 제한된 시간·예산 안에서 가능한 많은 목표 페이지를 수집해야 하므로, 목표 밀도와 탐색 비용을 동시에 고려하는 새로운 평가 기준이 필요하다. 이를 위해 저자들은 다중목표 탐색 문제를 그래프 S, E와 초기 상태 집합 S_i, 목표 집합 S_g, 그리고 자원 제한 R(생성 노드 수)으로 정의하고, 목표 집합 S_Rg 를 최대화하는 목표 함수를 명시한다.

전통적인 거리‑추정 휴리스틱 h_dist 은 가장 가까운 목표까지의 거리만을 최소화하므로, 목표가 밀집된 영역을 무시하고 비용이 낮은 단일 목표 쪽으로 탐색을 편향시킨다. 이를 보완하기 위해 저자들은 세 가지 대안 휴리스틱을 제시한다.

1. 완전 휴리스틱(perfect heuristic): 현재 열린 노드 집합 S_open 에서 자원 M 만큼 확장했을 때 목표 수가 최대가 되는 포레스트를 선택하도록 정의한다. 이론적으로 최적이지만, 가능한 포레스트 수가 지수적으로 증가해 실용성이 떨어진다.

2. 합계 휴리스틱(h_sum): 모든 목표에 대한 거리 추정값을 합산한다. 이는 목표가 밀집된 영역을 선호하도록 만들지만, 목표가 여러 군집에 흩어져 있을 경우 자원을 분산시켜 어느 군집도 충분히 도달하지 못하는 위험이 있다.

3. 진보 휴리스틱(progress heuristic): 현재 열린 노드 집합에서 ‘진보’를 만든 목표군의 수와 평균 거리(또는 비용)를 동시에 고려한다. 구체적으로, 각 노드 s 에 대해 h_prog(s)= (|G_s|)/(∑_{g∈G_s} h_dist(s,g)) 와 같은 형태로 정의해, 목표군을 하나씩 집중 탐색하도록 유도한다. 이는 자원 제한 상황에서 목표군 간 경쟁을 최소화한다.

핵심 기여는 **한계 효용 휴리스틱(marginal‑utility heuristic)**이다. 이 휴리스틱은 특정 노드 s 아래 서브트리 T(s) 의 기대 비용 C(s)와 기대 이득 U(s) (새롭게 발견될 목표 수)를 추정하고, h_mu(s)=C(s)/U(s) 또는 U(s)−λ·C(s) 와 같은 형태로 평가한다. 여기서 λ는 비용에 대한 가중치이다. 한계 효용은 목표 밀도와 탐색 비용을 동시에 반영하므로, 다중목표 탐색에 자연스럽게 맞는다.

하지만 한계 효용을 정확히 계산하기는 어려우므로, 저자들은 온라인 학습 두 가지 방법을 제안한다.

• 형제 기반 로컬 학습: 현재 노드 s 와 그 형제 노드 s’ 의 부분 효용 μ(s)와 μ(s’) 를 비교해, 유사한 구조를 가진 형제들 사이에서 효용 값을 전이한다. 이는 탐색 초기에 충분한 샘플이 없을 때에도 빠르게 초기값을 설정할 수 있다.
• 특징 기반 전역 학습: 각 상태를 특징 벡터 φ(s) 로 표현하고, 회귀 모델(예: 선형 회귀 또는 신경망)을 이용해 μ(s)≈w·φ(s) 를 학습한다. 새로운 노드가 탐색될 때마다 실제 비용·이득을 관찰하고, 온라인 SGD 방식으로 파라미터 w 를 업데이트한다.

알고리즘 측면에서는 기존의 그리디 베스트‑퍼스트와 A*ε를 다중목표 버전으로 변형하고, 위에서 정의한 한계 효용 휴리스틱을 우선순위 함수 f(n)=g(n)+h_mu(n) 에 적용한다. 탐색은 자원 R 이 소진될 때까지 진행되며, 목표를 발견하면 해당 목표를 목표 집합에 추가하고 탐색을 계속한다.

실험에서는 (1) 인공적인 그래프, (2) 웹 집중 크롤링, (3) 로봇 경로 계획 등 세 가지 도메인에서 제안 알고리즘을 평가한다. 비교 대상은 전통적인 거리‑기반 베스트‑퍼스트, 합계·진보 휴리스틱, 그리고 무휴리스틱 BFS이다. 결과는 한계 효용 기반 탐색이 목표 수, 탐색 비용, 메모리 사용량 모두에서 현저히 우수함을 보여준다. 특히 웹 크롤링 실험에서는 동일한 대역폭·시간 제한 하에 기존 방법보다 30%~45% 더 많은 관련 페이지를 수집했으며, 로봇 실험에서는 목표 위치에 대한 도달률이 20% 이상 향상되었다.

이 논문은 다중목표 탐색이라는 새로운 문제 설정을 체계적으로 정의하고, 목표 밀도와 비용을 동시에 고려하는 휴리스틱을 설계·학습하는 방법론을 제시함으로써, 제한된 자원 하에서 효율적인 목표 수집이 필요한 다양한 실제 응용에 직접적인 영향을 미칠 수 있음을 입증한다.