정체성 인식 예측‑탐색(ID‑PaS)으로 일반 혼합정수선형프로그램을 빠르게 풀다

초록

ID‑PaS는 기존 이진 전용 Predict‑and‑Search(PaS) 기법을 일반 정수 변수와 파라메트릭 MIP에 적용한다. 변수의 정체성을 이진 위치 벡터로 인코딩한 그래프 신경망(GAT)으로 “0값 변수”를 예측하고, 이를 기반으로 이웃 탐색 영역을 제한한다. 실험 결과, 전력·물류·철도 등 대규모 실제 벤치마크에서 Gurobi와 기존 PaS보다 프라임 갭과 프라임 적분 모두 크게 개선되었다.

상세 분석

본 논문은 MIP 분야에서 최근 각광받고 있는 머신러닝 기반 휴리스틱인 Predict‑and‑Search(PaS)를 일반 혼합정수선형프로그램(MIP)으로 확장하는 새로운 프레임워크인 ID‑PaS를 제안한다. 기존 PaS는 이진 변수에만 적용 가능했으며, 변수 간 정체성(예: “변수 1”이 모든 인스턴스에서 동일한 의미를 갖는다)을 고려하지 못해 파라메트릭 환경에서의 일반화 능력이 제한적이었다. 이를 해결하기 위해 저자들은 두 가지 핵심 아이디어를 도입한다. 첫째, 대부분의 실세계 MIP에서 정수 변수는 희소하게 사용되며, 최적해에서 0값을 차지하는 비율이 높다는 점에 착안해 변수의 정확한 정수값을 예측하는 대신 “0인지 여부”만을 예측하도록 학습 목표를 단순화하였다. 이 접근은 학습 난이도를 크게 낮추고, 이진화된 목표 벡터(y)와 예측 확률(ŷ) 사이의 이진 교차 엔트로피 손실을 사용해 효율적으로 모델을 훈련시킬 수 있게 한다. 둘째, 변수 정체성을 명시적으로 표현하기 위해 각 변수의 인덱스를 이진 위치 벡터 형태로 피처에 추가하였다. 기존의 순열 불변(bipartite) 그래프 표현은 변수 순서가 바뀌어도 동일하게 처리하지만, 파라메트릭 MIP에서는 동일 변수 ID가 여러 인스턴스에 걸쳐 일관되게 존재한다. 따라서 정체성‑인식 피처를 도입함으로써 그래프 신경망이 “변수 1”과 “변수 2”를 구분하고, 학습된 패턴을 새로운 인스턴스에 효과적으로 전이할 수 있다. 모델 아키텍처는 변수·제약 노드와 엣지 피처를 64차원 임베딩으로 매핑한 뒤, 두 라운드의 메시지 패싱을 수행하는 Graph Attention Network(GAT)를 사용한다. 첫 번째 라운드에서는 제약 노드가 인접 변수 노드에 주의를 집중하고, 두 번째 라운드에서는 변수 노드가 제약 노드에 다시 주의를 돌려 양방향 정보를 교환한다. 최종적으로 각 정수 변수에 대해 시그모이드 출력으로 0값 확률을 산출한다.
예측된 확률이 가장 낮은 k₀개의 변수를 0으로 고정하고, 허용된 플립 수 Δ만큼만 자유롭게 바꾸는 방식으로 PaS의 이웃 영역 B(X₀,Δ)를 정의한다. 이렇게 제한된 서브‑MIP를 기존 상용 솔버(Gurobi)로 해결함으로써 탐색 공간을 크게 축소하고, 초기 해의 품질을 빠르게 끌어올릴 수 있다.
실험에서는 두 개의 실제 대규모 파라메트릭 MIP인 중간거리 통합망 설계(MMCNP)와 전략적 기관차 배치(SLAP) 문제를 각각 ‘Large’와 ‘Hard’ 두 규모로 설정해 총 4개의 벤치마크를 구축하였다. 각 벤치마크마다 480개의 학습 인스턴스와 120개의 검증 인스턴스를 사용해 모델을 학습하고, 100개의 테스트 인스턴스에 대해 프라임 갭(PG)과 프라임 적분(PI)을 측정하였다. 결과는 다음과 같다. 모든 경우에서 ID‑PaS가 Gurobi와 기존 PaS보다 평균 PG와 PI가 현저히 낮았으며, 특히 Hard 설정에서는 PG가 88.6%까지 감소하고 PI도 67.9%까지 개선되었다. 통계적 검증을 위해 Wilcoxon signed‑rank test(p < 0.01)를 수행했으며, 모든 차이가 유의미함을 확인하였다.
이러한 성과는 두 가지 관점에서 의미가 크다. 첫째, 변수 정체성을 고려한 그래프 학습이 파라메트릭 MIP에서의 교차‑인스턴스 일반화를 크게 향상시킨다는 점을 실증적으로 보여준다. 둘째, ‘0값 변수 예측’이라는 간단한 목표 설정만으로도 복잡한 정수 변수 공간을 효과적으로 축소할 수 있음을 입증한다. 따라서 ID‑PaS는 대규모 산업 현장에서 반복적으로 발생하는 파라메트릭 MIP를 빠르게 해결하고, 기존 상용 솔버와 결합해 실시간 의사결정 지원 시스템에 바로 적용 가능한 실용적인 프레임워크라 할 수 있다.