인공벌집 군집 알고리즘으로 라무르 수 하한 탐색

초록

본 논문은 인공벌집 군집(ABC) 최적화 기법을 이용해 R(3,10) 라무르 수의 하한을 높이는 새로운 방법론을 제시한다. K3(3-완전그래프)와 독립집합 10을 동시에 포함하지 않는 그래프를 이산 최적화 문제로 모델링하고, ABC의 탐색·활용·관찰 단계로 최소 위반 서브그래프 수를 최소화한다. 실험 결과, 39개의 정점으로 구성된 네 개의 r(3,9,39) 그래프를 발견해 현재 알려진 R(3,10) 하한을 지지한다는 점에서 높은 정밀도와 견고성을 입증한다.

상세 분석

이 연구는 라무르 수 R(3,10)의 정확한 값이 아직 미확정인 상황에서, 하한을 강화하기 위한 실용적인 접근법을 제시한다. 라무르 그래프 r(3,10) 정의는 “3개의 정점으로 이루어진 완전 그래프(K₃)와 10개의 정점으로 이루어진 독립 집합을 동시에 포함하지 않는다”는 제약을 갖는다. 저자들은 이 제약을 두 종류의 금지 서브그래프(즉, K₃와 독립 집합 I₁₀) 발생 횟수를 최소화하는 목표 함수로 전환한다. 이를 위해 그래프를 0‑1 인접 행렬 형태로 이산 변수 집합에 매핑하고, 각 변수는 해당 간선의 존재 여부를 나타낸다. 목표 함수는 K₃와 I₁₀의 발생 횟수를 가중합한 형태이며, 가중치는 탐색 초기에 K₃보다 I₁₀를 더 강하게 억제하도록 설계되어 있다.

ABC 알고리즘은 꿀벌 군집의 행동을 모방한 메타휴리스틱으로, 탐색(Employed Bee), 활용(Onlooker Bee), 관찰(Scout Bee) 세 단계로 구성된다. 탐색 단계에서는 현재 해의 인접 이웃을 생성해 피트니스(목표 함수값)를 평가하고, 더 나은 이웃이 발견되면 교체한다. 활용 단계에서는 전체 피트니스에 기반해 확률적으로 좋은 해에 집중하도록 온루커 비를 배분한다. 관찰 단계에서는 일정 횟수 이상 개선되지 않은 해를 무작위 새 해로 교체해 지역 최적에 빠지는 현상을 방지한다. 논문에서는 특히 인접 이웃 생성 방식을 “한 번에 하나의 간선 토글”로 제한해 탐색 공간을 효율적으로 축소하고, 피트니스 계산을 빠르게 하기 위해 서브그래프 카운팅을 동적 업데이트하는 기법을 도입했다.

실험에서는 정점 수 n=39인 그래프를 대상으로 10⁴번의 독립 실행을 수행했으며, 그 결과 네 개의 서로 다른 r(3,9,39) 그래프를 얻었다. 여기서 r(3,9,39)는 39개의 정점으로 구성된 그래프가 K₃와 독립 집합 9를 동시에 피한다는 의미이며, 이는 기존에 알려진 r(3,9,38)보다 한 정점이 더 큰 그래프를 성공적으로 구축한 사례이다. 이러한 결과는 현재 R(3,10) ≥ 40이라는 하한을 간접적으로 강화한다는 점에서 의미가 크다. 또한, 알고리즘의 수렴 곡선을 살펴보면 초기 탐색 단계에서 급격히 위반 서브그래프 수가 감소하고, 이후 미세 조정 단계에서 점진적으로 최적에 접근하는 전형적인 메타휴리스틱 특성을 보인다.

한계점으로는 탐색 규모가 정점 수가 증가함에 따라 급격히 확장되어 계산 비용이 기하급수적으로 증가한다는 점이다. 또한, 목표 함수에 가중치를 어떻게 설정하느냐에 따라 탐색 경로가 크게 달라질 수 있어, 파라미터 튜닝이 필요하다. 향후 연구에서는 병렬 ABC 구현이나 다른 메타휴리스틱(예: 유전 알고리즘, 입자 군집 최적화)과의 하이브리드 방식을 도입해 탐색 효율을 높이고, 더 큰 정점 수에 대한 하한을 탐색하는 것이 기대된다.