대규모 희소 그래프에서 근접 최적 독립 집합을 찾는 진화‑커널화 기법

초록

**
본 논문은 기존의 정확 알고리즘이 큰 그래프에서 지수적 분기 시간에 한계에 부딪히는 문제를 해결하고자, 진화 알고리즘으로 독립 집합에 포함될 가능성이 높은 정점을 선택한 뒤 커널화(축소) 규칙을 반복 적용하는 새로운 하이브리드 방법을 제안한다. 이 접근법은 기존 로컬 서치보다 빠르게 큰 독립 집합을 찾으며, 수십억 개의 간선을 가진 실제 규모의 그래프에서도 높은 품질의 해를 제공한다.

**

상세 분석

**
이 논문은 최대 독립 집합(MIS) 문제의 NP‑hard 특성을 감안하여, 두 가지 주요 기술을 결합한 하이브리드 프레임워크를 설계한다. 첫 번째는 커널화(kernelization) 로, 기존 연구에서 제시된 다양한 감소 규칙(pendant vertex 제거, vertex folding, 반정수 선형 계획 기반 제거, unconfined vertex 제거 등)을 순차적으로 적용해 그래프를 가능한 한 작게 만든다. 이러한 감소는 그래프의 구조적 복잡성을 급격히 낮추어, 이후의 탐색 단계에서 탐색 공간을 크게 축소한다.

두 번째는 진화 알고리즘(Evolutionary Algorithm, EA) 으로, 특히 Lamm et al.이 제안한 EvoMIS를 기반으로 한다. EA는 초기 인구를 그리디 방식으로 생성하고, KaHIP 파티셔너를 이용한 2‑way 노드 분리(separator)를 활용해 두 부모 독립 집합의 블록을 교환한다. 교환 후에는 ARW 로컬 서치를 적용해 (1,2) 스와프와 강제 삽입(perturbation) 과정을 통해 해를 지역 최적으로 끌어올린다.

핵심 혁신은 진화 단계에서 선택된 정점을 그래프에서 제거하고, 그 정점의 이웃까지 함께 삭제함으로써 추가적인 커널화를 유도한다는 점이다. 즉, EA가 “가능성 높은” 정점을 식별하면, 해당 정점과 주변 구조를 즉시 축소시켜 새로운 감소 규칙이 적용될 여지를 만든다. 이 과정은 재귀적으로 수행되며, 매 단계마다 커널 크기가 급격히 감소한다.

알고리즘 흐름은 다음과 같다.

1. 입력 그래프 G에 대해 모든 감소 규칙을 적용해 정확 커널 K와 이미 확정된 정점 수 θ를 얻는다.
2. K에 EvoMIS를 실행해 중간 독립 집합 I를 구한다.
3. I와 θ, 현재까지의 최적 해 S를 비교해 개선이 있으면 업데이트한다.
4. I에 포함된 정점들을 그래프에서 제거하고, 그 주변을 다시 커널화한다(불완전 커널).
5. 1‑4 과정을 재귀적으로 반복한다.

이 설계는 두 가지 장점을 제공한다. 첫째, 감소 규칙이 더 많이 적용될 수 있는 “여유 공간”을 진화 단계가 만들어 줌으로써, 기존 정확 알고리즘이 겪는 지수적 분기 비용을 크게 억제한다. 둘째, 진화 알고리즘 자체가 탐색 다양성을 유지하면서도 높은 품질의 해를 제공하므로, 최종 해의 품질이 기존 로컬 서치 기반 휴리스틱보다 우수하다.

실험 부분에서는 수십억 개의 간선을 가진 웹 그래프와 도로 네트워크 등 실제 대규모 데이터셋에 대해, 기존 ARW·EvoMIS·전통적 branch‑and‑bound와 비교해 실행 시간과 해의 크기 모두에서 현저한 개선을 보였다고 보고한다. 특히, 정확 알고리즘이 수십 시간에서 수일이 걸리던 사례를 몇 분 안에 근사 최적 해를 도출해냈으며, 해의 품질은 99% 이상의 최적성 비율을 유지했다.

한계점으로는 감소 규칙의 적용 비용이 그래프가 매우 큰 경우 메모리와 CPU 캐시 효율에 영향을 줄 수 있다는 점, 그리고 진화 단계에서 선택된 정점이 실제 최적 해에 포함되지 않을 경우 불필요한 축소가 발생할 가능성이 있다는 점을 언급한다. 또한, 현재 구현은 무작위 선택과 파티셔닝에 크게 의존하므로, 파티셔너의 품질이 전체 성능에 중요한 변수로 작용한다.

향후 연구 방향으로는 (1) 동적 감소 규칙 스케줄링을 통해 비용‑효과를 최적화하고, (2) GPU 가속을 활용한 대규모 그래프 커널화 및 로컬 서치 가속, (3) 다른 조합 연산자(예: 다중 파티션 기반 교차)와의 통합을 통한 탐색 다양성 강화 등을 제안한다.

**