하이브리드 P시스템과 CUDA 기반 가변 크기 빈 포장 문제 휴리스틱

초록

본 논문은 가변 크기 빈 포장 문제를 해결하기 위해 하이브리드 P‑시스템 모델을 설계하고 이를 CUDA GPU 환경에 구현한 두 가지 휴리스틱을 제안한다. 막의 극성 및 라벨을 객체 속성으로 활용함으로써 구현 복잡성을 낮추고, 대규모(10 000개) 아이템에 대해 초당 수준의 연산 속도와 경쟁력 있는 해 품질을 입증하였다.

상세 분석

가변 크기 빈 포장(VSBP) 문제는 아이템 집합과 여러 종류의 빈이 주어질 때 사용 빈의 총 크기를 최소화하는 NP‑hard 최적화 문제이다. 전통적인 메타휴리스틱이나 정수 계획법은 대규모 인스턴스에서 계산량이 급증해 실시간 적용이 어렵다. 저자는 이러한 한계를 극복하고자 생물학적 영감을 받은 P‑시스템(활성 막) 모델을 변형한 ‘하이브리드 P‑시스템’을 제안한다. 기존 P‑시스템은 객체를 막 내부에 단순히 배치하고 규칙을 적용하는데, 여기서는 막의 극성(polarity) 과 라벨(label) 을 이용해 아이템의 크기, 빈 종류, 현재 채워진 용량 등을 표현한다. 이 설계는 객체와 규칙 사이의 매핑을 직관적으로 만들고, 규칙 적용 시 불필요한 검색 과정을 제거해 구현 복잡도를 크게 낮춘다.

CUDA 기반 구현에서는 각 막을 GPU 스레드 블록에 매핑하고, 규칙 적용을 병렬화한다. 특히, 첫 번째 휴리스틱은 ‘극성 기반 첫 번째 적합(Fit)’ 전략으로, 아이템을 크기 순으로 정렬한 뒤 가장 적합한 극성을 가진 빈에 할당한다. 두 번째 휴리스틱은 ‘극성 기반 최적 적합(Best‑Fit)’ 전략으로, 모든 후보 빈을 평가해 남은 용량이 최소가 되도록 선택한다. 두 알고리즘 모두 막의 라벨을 통해 빈 종류를 구분하고, 극성을 통해 현재 남은 용량을 추적한다는 점에서 기존 휴리스틱과 차별화된다.

실험에서는 1 00010 000개의 아이템을 포함한 30여 개 인스턴스를 사용해 기존 First‑Fit Decreasing(FFD), Best‑Fit Decreasing(BFD), 그리고 최근 제안된 메타휴리스틱과 비교하였다. 결과는 두 하이브리드 P‑시스템 휴리스틱이 평균 25 % 정도 더 작은 총 빈 크기를 달성하면서도, 실행 시간은 0.8~2 초 수준으로 GPU 가속의 이점을 극명히 보여준다. 특히 10 000개 아이템 규모에서는 CPU 기반 알고리즘이 수십 초에서 수분까지 걸리는 반면, 제안 방법은 1.3 초에 근접한다.

한계점으로는 극성·라벨 설계가 문제 특성에 따라 튜닝이 필요하고, 빈 종류가 매우 많아질 경우 라벨 관리 비용이 증가한다는 점을 들 수 있다. 또한 현재 구현은 단일 GPU에 국한되어 있어 다중 GPU 환경에서의 확장성 검증이 부족하다. 향후 연구에서는 자동 극성·라벨 최적화, 다중 GPU 및 클라우드 기반 분산 구현, 그리고 다른 조합 최적화 문제(예: 작업 스케줄링)로의 적용 가능성을 탐색할 예정이다.