대규모 선형계획을 위한 실용적 1차 방법 PDLP

초록

PDLP는 프라임‑듀얼 하이브리드 그라디언트(PDHG)를 기반으로, 대규모 희소 LP를 해결하기 위해 대각 사전조건화, 사전처리, 적응형 스텝 크기·재시작, 그리고 새로운 가용성 연마 기법을 추가한 실용적인 1차 최적화 알고리즘이다. C++ 구현이 OR‑Tools에 공개되어 멀티스레드 지원이 가능하며, 125 백만~6.3 십억 비제로 규모의 11개 테스트 인스턴스 중 8개를 1 % 최적성 갭과 10⁻⁸ 이하의 프라임·듀얼 위배율로 6일 이내에 해결한다. 전통적인 Gurobi 바리어·프라임·듀얼 심플렉스와 비교했을 때 메모리 사용량과 실행 시간에서 경쟁력을 보인다.

상세 분석

본 논문은 선형계획(LP) 문제에 특화된 프라임‑듀얼 하이브리드 그라디언트(PDHG) 알고리즘을 확장한 PDLP를 제안한다. 기존 PDHG는 행렬‑벡터 곱만을 요구하는 메모리 효율적인 구조이지만, LP에 적용할 경우 수렴 속도가 느리고, 특히 프라임·듀얼 제약 위반이 허용되지 않는 실무 환경에서 신뢰성이 부족했다. 이를 해결하기 위해 저자들은 네 가지 핵심 개선을 도입하였다. 첫째, 대각 사전조건화는 각 변수와 제약에 대한 스케일 차이를 자동으로 보정하여 스텝 크기의 선택을 안정화한다. 둘째, 사전처리 단계에서는 불필요한 변수·제약을 제거하고, 고정 변수와 중복 행/열을 정리함으로써 문제 차원을 실질적으로 감소시킨다. 셋째, 적응형 스텝 크기와 재시작 메커니즘은 초기 스텝이 과도하게 크거나 작을 경우 자동으로 조정하고, 수렴이 정체되는 구간에서 재시작을 수행해 선형 수렴률을 유지한다. 넷째, 논문에서 새롭게 제안된 ‘가용성 연마(feasibility polishing)’ 단계는 현재 얻은 근사 최적해를 기반으로 작은 라그랑주 승수를 이용해 프라임·듀얼 제약을 거의 정확히 만족하도록 빠르게 보정한다. 이 단계는 기존 PDHG가 1 % 수준의 최적성 갭은 달성했지만 제약 위반이 10⁻⁴ 수준에 머물던 문제들을 10⁻⁸ 이하로 끌어내는 데 결정적 역할을 한다.

알고리즘 구현은 C++로 작성되어 Google OR‑Tools에 오픈소스로 제공되며, 멀티스레드 병렬화를 통해 행렬‑벡터 곱 연산을 다중 코어에서 동시에 수행한다. 메모리 사용량은 기본 PDHG와 동일하게 희소 행렬을 압축 저장하고, 추가적인 프라임·듀얼 변수는 별도 벡터에 저장함으로써 1 TB 이하의 RAM으로도 6.3 십억 비제로 규모의 인스턴스를 처리할 수 있다.

실험에서는 11개의 초대형 LP 인스턴스를 새롭게 구축했으며, 이들 중 8개는 1 % 최적성 갭과 10⁻⁸ 이하의 프라임·듀얼 위배율을 만족하면서 6일 이내에 해결되었다. 비교 대상인 Gurobi 바리어는 메모리 제한으로 3개만 해결했으며, 프라임·듀얼 심플렉스는 실행 시간이 더 길어 3개만 성공했다. 특히 가용성 연마를 적용하지 않으면 11개 중 2개만 해결되는 점에서, 이 기법의 실용적 가치를 확인할 수 있다.

이론적 측면에서도 저자들은 기존 연구와 연결하여 PDHG가 LP에 대해 선형 수렴률을 보이며, 재시작과 사전조건화가 최악 경우 복잡도 경계에 근접한 수렴 속도를 제공함을 언급한다. 또한, 최근 연구에서 제시된 중앙경로 기반 사전조건화와 Halpern 반복을 PDLP에 통합하는 방향도 제시되어, 향후 가속화 가능성을 시사한다.

요약하면, PDLP는 대규모 희소 LP에 대해 메모리 효율성과 병렬성을 유지하면서, 적응형 스텝·재시작·사전조건화·가용성 연마라는 네 가지 실용적 기법을 결합해 기존 2차 기반 솔버와 경쟁할 수 있는 1차 방법을 구현하였다. 이는 학계·산업 모두에서 초대형 LP 해결에 새로운 선택지를 제공한다.