이진 변수 MIP 해결을 위한 하이브리드 완화‑휴리스틱 프레임워크

초록

**
본 논문은 이진 변수를 포함한 혼합정수 2차계획(MIQP) 문제를 해결하기 위해, 선형·듀얼·증강 완화 모델을 이용해 다양한 초기 해 집합을 생성하고, 이를 유전 알고리즘과 변수 이웃 탐색(VNS)으로 정제하는 두 단계 하이브리드 프레임워크를 제안한다. 포트폴리오 최적화 벤치마크에서 기존 방법들을 능가하는 성능을 보이며, 큰 규모의 MIP 문제에도 효율성을 입증한다.

**

상세 분석

**
이 논문은 이진 변수와 카디널리티 제약을 포함하는 MIQP(혼합정수 2차계획) 문제를 다루면서, 기존 연구가 주로 단일 휴리스틱이나 단일 완화 기법에 머물렀던 점을 보완한다는 점에서 의의가 크다. 저자는 먼저 원문제(Prim Model)를 세 가지 정확 완화 모델—선형 완화(Line Model), 듀얼 완화(Dual Model), 증강 완화(Augm Model)—로 변환한다. 선형 완화는 이진 변수 b를 연속 변수 bᴿ로 풀어 연속 해를 얻은 뒤, 상위 k개의 변수만 1로 고정하는 단순 이산화 절차를 사용한다. 듀얼 완화는 라그랑주 승수를 도입해 제약을 목적함수에 내재화하고, 양의 정부호 Q 행렬을 가정해 최적 연속 해 ˆx를 닫힌 형태로 도출한다. 증강 완화는 듀얼 모델에 ‖A x − cₐ‖² 항을 추가해 제약 위반을 페널티화함으로써 해의 품질을 향상시키려는 시도이다.

이 세 모델은 각각 서로 다른 하한/상한을 제공하며, 논문은 이들 사이의 “갭”(gap)을 정량적으로 정의하고, 이를 통해 완화 모델들의 품질을 평가한다. 특히, 듀얼·증강 모델에서 라그랑주 승수의 부호에 따라 이진 변수 b를 선택하는 규칙(bᵢ=1 iff λᵀb B + λᵀl L − λᵀu U < 0)을 제시함으로써, 완화 해를 직접 이산화하는 새로운 메커니즘을 제공한다.

프레임워크의 두 번째 단계는 휴리스틱 최적화이다. 초기 해 풀(pool)은 위 세 완화 모델에서 얻은 연속 해와 무작위 이진 벡터(M = M_Relax + M_Random)로 구성된다. 이 풀에 대해 적합도 함수 f(b)=v (여기서 v는 해당 이진 선택을 고정하고 풀어낸 QP의 분산) 를 사용해 평가한다. 이후 상위 p % 해를 유지하고, 적합도 차이가 일정 임계값(l) 이하일 경우 최우수 해를 선택한다. 차이가 클 경우 두 부모 해를 교차(crossover)하여 새로운 후보를 생성하고, 변수 이웃 탐색(VNS)으로 지역 최적화를 수행한다. VNS는 선택된 변수 집합을 작은 규모의 교환·삽입 연산으로 변형해, 목표 함수값을 지속적으로 개선한다.

실험은 OR‑Library의 포트폴리오 최적화 데이터셋을 사용해 수행되었다. 비교 대상은 Gurobi 기반의 직접 MIQP 해결, 전통적인 유전 알고리즘, 그리고 최신 메타휴리스틱(예: ABC, 파라렐 VNS)이다. 결과는 제안 프레임워크가 평균 12 %~18 % 정도의 목표 함수(분산) 감소를 달성했으며, 특히 변수 수가 500 이상인 대규모 인스턴스에서 시간 제한 내에 더 높은 품질의 해를 제공함을 보여준다. 또한, 완화 단계에서 얻은 해의 다양성이 휴리스틱 단계의 탐색 효율을 크게 높인다는 점을 실험적으로 확인한다.

한계점으로는 네트워크 흐름 최적화와 같은 다른 도메인에 대한 실험이 부재하고, 파라미터(예: M, p, l, λᵍ)의 민감도 분석이 충분히 이루어지지 않았다는 점을 들 수 있다. 또한, 듀얼·증강 모델에서 라그랑주 승수의 초기값 선택이 최종 성능에 미치는 영향이 명시되지 않아, 실제 적용 시 튜닝 비용이 발생할 가능성이 있다. 그럼에도 불구하고, 완화와 휴리스틱을 체계적으로 결합한 구조는 향후 다양한 MIP 변형에 적용 가능한 일반적인 설계 패턴을 제시한다는 점에서 학술적·실무적 가치가 크다.

**