의사전이성 그래프에서 최장 체인 찾기와 그 기하학적 응용

초록

본 논문은 부분 전이성을 만족하는 방향성 비순환 그래프(의사전이성 그래프)에서 최장 체인을 효율적으로 구하는 알고리즘을 제시한다. E₁⊆E에 대해 “ab∈E₁, bc∈E ⇒ ac∈E”가 성립하면 그래프를 의사전이성이라 정의하고, E₁과 E−E₁이 모두 부분 순서이면 강한 의사전이성이라 부른다. 저자는 일반 의사전이성 그래프에서 O(n·m) 시간으로 최장 체인 길이를 구하고, 강한 의사전이성 그래프에서는 가중치가 있는 체인에 대해 동적 프로그래밍으로 O(n·m) 혹은 O(n³) 시간 알고리즘을 설계한다. 이러한 이론은 평면상의 사각형·선분·원 그래프 등 다양한 기하학적 객체의 교차·불교차 관계를 모델링하는 데 활용되어, 기존 알고리즘을 통합·개선한다.

상세 분석

이 논문은 전통적인 부분 순서(poset) 이론이 다루기 어려운 “약한 전이성” 구조를 포착하기 위해 새로운 그래프 모델인 의사전이성(pseudo‑transitive) 그래프를 도입한다. 정의에 따르면, 주어진 부분 집합 E₁⊆E에 대해 모든 a→b∈E₁와 b→c∈E에 대해 a→c∈E가 보장되면 (V,E₁,E)는 의사전이성이다. 이때 E₁을 비워두면 모든 DAG가 의사전이성이 되지만 의미가 없으며, E₁=E이면 완전 전이성을 만족하는 전통적 포셋이 된다. 논문은 특히 E₁과 E−E₁이 각각 자체적으로 부분 순서를 이루는 경우를 “강한 의사전이성”이라 명명하고, 이 구조가 체인(완전 순서 경로)과 안티체인(독립 집합) 사이의 관계를 명확히 해준다는 점을 강조한다.

주요 알고리즘적 기여는 두 가지이다. 첫째, 일반 의사전이성 그래프에서 최장 체인의 길이 ω(G)를 O(n·m) 시간에 구한다. 이는 그래프를 두 서브그래프 G₁(E₁)와 G₂(E−E₁)로 분리하고, G₂에 대해 전통적인 DP(위상 정렬 기반)로 최장 체인을 구한 뒤, 의사전이성 규칙을 이용해 G₁과의 연결을 효율적으로 확장하는 방식이다. 둘째, 강한 의사전이성 그래프에서는 가중치가 부여된 체인(최대 비용 체인)을 동적 프로그래밍으로 해결한다. 여기서는 체인을 “분할 가능(splitable)”과 “퇴화(degenerate)” 두 종류로 구분하고, 각각에 대해 재귀적 비용 함수를 정의한다. 핵심은 4개의 n×n 행렬(ωₓ,ᵧ, ω̄ₓ,ᵧ 등)을 사용해 모든 가능한 시작‑끝 쌍에 대한 최적값을 위상 순서에 따라 한 번씩만 업데이트함으로써 전체 복잡도를 O(n·m) 혹은 O(n³)으로 제한한다는 점이다.

기하학적 응용 부분에서는, 평면상의 객체 집합 P와 기준 평면 h를 이용해 P의 교차 그래프의 보완과 동형인 의사전이성 그래프 G(P,h)를 구성한다. 여기서 E₁은 “왼쪽에 있는” 객체 쌍을, E는 “불교차” 관계를 나타낸다. 이 모델을 통해 (1) 축에 평행한 단위 높이 사각형들의 최대 독립 집합, (2) 한 점에 고정된 선분들의 최대 비교차 집합, (3) 원 그래프에서의 최대 독립 집합 등을 기존 알고리즘보다 약간 빠른 O(n³) 시간에 해결한다. 특히, 선분이 공통선 l에 한 끝점을 공유하고 l에 대해 예각을 이루는 경우 O(n³) 정확 알고리즘을 제공하고, 임의 각도를 허용할 때는 1/2‑근사 해를 동일한 복잡도로 얻는다.

논문의 한계는 증명과 알고리즘 설명이 다소 조잡하고, 일부 단계(예: E의 완전한 구성, 매트릭스 초기화)의 구현 세부사항이 누락돼 실제 코딩 시 추가적인 설계가 필요하다는 점이다. 또한 O(n·m) 알고리즘은 최악의 경우 O(n³)에 해당하므로, 밀집 그래프에서는 여전히 비효율적일 수 있다. 그럼에도 불구하고, 의사전이성이라는 새로운 구조적 관점을 도입해 여러 기하학적 최적화 문제를 통합적으로 다룰 수 있게 만든 점은 학술적 가치가 크다.