네트워크 동질성 극대화를 위한 지능형 하이브리드 교차엔트로피 알고리즘

초록

본 논문은 소프트 해피 컬러링(SHC) 문제를 해결하기 위해 교차엔트로피(CE) 방법과 구조 인식 로컬 서치(LS)를 결합한 CE+LS 하이브리드 알고리즘을 제안한다. 28,000개의 확률 블록 모델(SBM) 그래프를 대상으로 실험한 결과, 특히 ρ가 높은 ‘타이트’ 영역에서 기존 휴리스틱·메메틱 기법들을 능가하는 해밀턴성 및 확장성을 보였다.

상세 분석

본 연구는 SHC 문제를 “ρ‑행복 정점”의 최대화를 목표로 하는 그래프 컬러링 문제로 정의하고, 이 문제의 NP‑hard 특성을 강조한다. 저자는 문제의 해 공간이 이산적이며, 각 정점이 가질 색상의 확률 분포를 학습하는 교차엔트로피(Cross‑Entropy, CE) 방법이 탐색‑활용 균형을 자동으로 조절할 수 있음을 지적한다. 그러나 순수 CE는 색상 확률이 수렴하는 데 시간이 오래 걸리는 단점이 있어, 이를 보완하기 위해 선형 시간 복잡도 O(m)를 갖는 구조‑인식 로컬 서치(LS)를 하이브리드한다. LS는 현재 색 배정에서 ρ‑불행 정점을 무작위 순서로 스캔하며, 다수 색을 가진 이웃 색으로 교체하는 단일 패스 알고리즘으로, 매 반복마다 새로운 지역 최적해를 생성한다. 이 과정은 CE가 생성한 엘리트 샘플 집합을 더욱 빠르게 개선시키며, 확률 모델의 업데이트 주기를 크게 줄인다.

알고리즘 설계는 크게 네 단계로 구성된다. (1) 초기 색 배정은 무작위 혹은 LMC(지역 최대 색상) 휴리스틱을 이용해 다양성을 확보한다. (2) CE는 현재 확률 벡터를 기반으로 배치 샘플을 생성하고, 목표 함수인 ρ‑행복 정점 수를 평가한다. (3) 상위 ρ% 샘플을 엘리트 집합으로 선정하고, 이들의 색 배정 빈도를 통계적으로 집계해 확률 벡터를 스무딩 파라미터 α와 함께 업데이트한다. (4) 업데이트된 확률 벡터를 이용해 새로운 샘플을 만들고, 각 샘플에 LS를 적용해 지역 최적화를 수행한다. 이 순환을 사전 정의된 반복 횟수 혹은 수렴 기준에 도달할 때까지 반복한다.

이론적 배경으로는 SBM에서 정의된 두 임계값 µ와 ξ(=˜ξ)를 활용한다. µ는 ρ가 낮을 때(‘마일드’ 영역) 색상과 커뮤니티 구조가 약하게 연관되는 구간을, ˜ξ는 ρ가 높을 때(‘타이트’ 영역) 커뮤니티와 색상 간 강한 일치를 요구하는 구간을 나타낸다. 저자는 실험 설계 시 ρ를 세 구간(마일드, 인터미디엇, 타이트)으로 나누어 각각에 대해 알고리즘 성능을 평가하였다.

실험 결과는 크게 두 가지 측면에서 의미 있다. 첫째, CE+LS는 동일 시간 제한 하에 기존 GA‑LS, MA‑RLS(LS) 등 메메틱 기법 대비 평균 ρ‑행복 정점 비율을 5~12% 향상시켰으며, 특히 ˜ξ > ρ 구간에서 다른 기법이 수렴하지 못하는 경우에도 안정적인 해를 제공한다. 둘째, 알고리즘의 실행 시간은 O(m·T) (T는 CE 반복 횟수) 수준으로, 그래프 규모가 10⁴ 정점까지 확장해도 실시간 수준의 응답을 유지한다. 이는 LS가 선형 시간에 지역 최적화를 수행하고, CE가 확률 모델을 점진적으로 수렴시키는 구조적 시너지 덕분이다.

한계점으로는 (i) 확률 모델 초기화에 따라 수렴 속도가 변동될 수 있어, 파라미터 α와 엘리트 비율 β의 자동 튜닝 메커니즘이 필요하고, (ii) 현재는 단일 색상 집합(k)만을 고려했으며, 다중 색상·다중 레이어 네트워크에 대한 확장 연구가 부족하다는 점을 들 수 있다. 향후 연구에서는 적응형 스무딩 스케줄링과 다층 SBM에 대한 적용을 통해 알고리즘의 일반성을 높일 수 있을 것으로 기대된다.