다차원 배낭 문제를 위한 진화형 최적화 알고리즘

초록

본 논문은 0/1 다차원 배낭 문제를 해결하기 위해 라그랑지안 승수를 이용한 가중치 기반 탐욕적 교차와 다양한 하이퍼파라미터 조정을 결합한 유전 알고리즘을 제안한다. Java와 C++ 구현을 통해 공개된 벤치마크 인스턴스를 짧은 시간 안에 최적 혹은 근접 최적 해에 도달함을 실험적으로 입증하였다. 기존 Chu·Beasley 알고리즘 대비 수렴 속도가 크게 향상되었다.

상세 분석

0/1 다차원 배낭 문제는 물품 선택 변수 x_i∈{0,1}와 m개의 용량 제약 Σ_j a_{ij}x_i ≤ b_j 로 정의되며, 목표는 총 가치를 최대화하는 것이다. 제약이 다중인 경우 전통적인 동적 계획법이나 분기한계법은 상태 공간이 급격히 폭발해 실용적인 해법이 되기 어렵다. 논문은 이러한 난점을 극복하기 위해 라그랑지안 이중화 기법을 활용한다. 구체적으로, 각 제약 j에 대해 라그랑지안 승수 λ_j를 반복적으로 업데이트하면서 제약 위반 정도를 가중치로 전환한다. 이 가중치는 탐욕적 선택 단계에서 물품의 효용비(가치/가중치)를 재조정하는 데 사용되어, 제약이 강하게 작용하는 차원에 대해 보다 보수적인 선택을 유도한다.

유전 알고리즘의 핵심은 ‘그리디 크로스오버(greedy crossover)’이다. 두 부모 해를 결합할 때, 라그랑지안 가중치를 반영한 물품 순위를 기준으로 높은 순위의 물품을 먼저 자식에게 할당한다. 할당 과정에서 현재 자식의 제약 잔량을 초과하면 해당 물품을 제외하고 다음 순위로 넘어가며, 이렇게 하면 교차 연산 자체가 이미 제약을 만족하는 후보 해를 생성한다. 이는 전통적인 단순 교차가 종종 비실현 해를 만들고, 이후 복구 단계에서 큰 연산 비용을 초래하는 문제를 회피한다.

또한 논문은 여러 하이퍼파라미터—예를 들어 인구 규모, 변이 확률, 라그랑지안 승수 업데이트 비율, 교차 시 선택되는 부모 수—를 코드 내부에 옵션으로 제공한다. 사용자는 실험적 튜닝을 통해 문제 규모와 특성에 맞는 설정을 쉽게 적용할 수 있다. 특히 변이 연산은 ‘스위치 변이(switch mutation)’와 ‘플립 변이(flip mutation)’를 혼합해, 해의 다양성을 유지하면서도 라그랑지안 가중치와의 일관성을 보장한다.

성능 평가에서는 OR-Library에 포함된 0/1 다차원 배낭 인스턴스(예: m=5, n=250500)를 대상으로 평균 실행 시간과 최적도(gap)를 측정했다. 제안 알고리즘은 동일한 하드웨어 환경에서 Chu·Beasley(1998) 방식보다 평균 35배 빠르게 수렴했으며, 최적 해와의 GAP은 0.0%~0.5% 수준으로 매우 근접했다. 특히 큰 규모( n>400, m≥10)에서는 기존 방법이 수십 분 이상 걸리는 반면, 제안 방법은 몇 초 내에 만족스러운 해를 제공했다.

이러한 결과는 라그랑지안 기반 가중치가 탐색 공간을 효과적으로 축소하고, 그리디 크로스오버가 제약을 내재화함으로써 진화 연산의 효율성을 크게 높였음을 시사한다. 또한 Java와 C++ 두 가지 구현을 제공함으로써, 연구자와 실무자가 플랫폼에 구애받지 않고 바로 적용할 수 있는 실용성을 갖춘다. 향후 연구에서는 라그랑지안 승수의 적응적 초기화, 다중 목표 확장, 그리고 병렬 GPU 구현 등을 통해 더욱 높은 스케일링을 기대할 수 있다.