정수계획의 새로운 알고리즘 이론

초록

저자들은 제약 행렬 A의 수치적 크기 a와 비제로 구조를 나타내는 트리깊이 d를 파라미터로 삼아, 일반 정수계획(IP)을 g(a,d)·poly(n,L) 시간에 해결할 수 있음을 보였다. 특히 a와 d가 고정이면 다항시간, 선형 목적식에 대해서는 입력 크기와 무관한 강다항시간 알고리즘도 제시한다. 핵심 기법은 그레이버 기저를 이용한 반복 증강(augmentation)이며, 새로운 근접성 정리, 스케일링 기법, 목표 함수 축소 등을 결합해 n‑fold, tree‑fold, 다단계 확률적 IP 등에 거의 선형 시간 알고리즘을 얻는다. 또한 파라미터 d를 트리폭이 아닌 트리깊이로 제한해야 하는 이유와 a를 제외하면 문제는 W

상세 분석

이 논문은 정수선형계획(IP)의 복잡도 이론에 새로운 패러다임을 제시한다. 기존에는 변수 개수 n 또는 행·열 수에 대한 고정 파라미터화가 주된 접근법이었지만, 저자들은 행렬 A의 두 가지 자연스러운 파라미터—수치적 최대 절댓값 a와 비제로 구조를 포착하는 트리깊이 d—를 도입한다. 트리깊이는 프루얼·프라임 그래프 G_P(A)와 G_D(A) 의 최소 트리깊이로 정의되며, 이는 행·열 간 상호작용을 계층적으로 제한한다.

핵심 알고리즘은 ‘반복 증강(Iterative Augmentation)’ 프레임워크이다. 초기 허용해를 구한 뒤, 그레이버 기저(Graver basis) 원소를 증강 단계로 사용한다. 그레이버 기저는 A·x=0을 만족하는 최소·비분해 가능한 정수 벡터들의 집합으로, 모든 최적해는 이들 원소의 선형 결합으로 표현될 수 있다. 논문은 기존에 알려진 그레이버 기저의 크기·값에 대한 상한을 크게 개선하고, 특히 트리깊이가 d일 때 그 크기가 g(a,d) 에만 의존함을 보인다.

또한 저자들은 새로운 근접성 정리(Proximity Theorem)를 증명한다. 이는 최적 실수해와 최적 정수해 사이의 L∞ 거리가 O(a·d) 이하라는 결과로, 이를 이용해 입력 범위를 로그 스케일로 축소하는 ‘근접성‑스케일링(Proximity‑Scaling)’ 알고리즘을 설계한다. 스케일링 단계마다 변수 상한·하한을 log ‖u−l‖∞ 번만 조정하면 되므로 전체 복잡도는 g(a,d)·poly(n) 에 수렴한다.

선형 목적식에 대해서는 목표 함수 w 를 ‘동등 변환(equivalent) w̄ 로 축소’하는 절차를 제시한다. Frank‑Tardos 기법을 확장해, w̄의 최대 절댓값을 poly(a,d) 이하로 만들면서 순위(ordering)를 보존한다. 이와 결합하면 강다항시간 알고리즘이 가능해진다.

실제 응용으로는 n‑fold, tree‑fold, 2‑단계·다단계 확률적 IP가 있다. 저자들은 각각에 대해 기존 최선 알고리즘보다 매개변수 의존도가 낮고, n에 대한 거의 선형 시간 복잡도 Õ(n) 을 달성한다. 특히 n‑fold IP의 경우, 매개변수 k₁,…,k_τ (블록 크기)와 a에 대한 함수 g 가 이중 지수 수준이지만, n에 대한 의존도는 로그 팩터만 남는다.

마지막으로 복잡도 하한을 다룬다. 트리깊이 대신 트리폭을 파라미터로 잡으면 NP‑hard가 되며, a를 제외하고는 문제 자체가 W