기술 요약: 다항 시간의 외연적 분석적 완화 기법을 이용한 외판원 문제(TSP) 해결

문제 정의

외판원 문제(Travelling Salesman Problem, TSP)는 전형적인 NP-난해(NP-hard) 조합 최적화 과제로 식별된다. 정수 선형 계획법(ILP) 및 홀드-카프(Held-Karp) 동적 계획법과 같은 전통적인 정확해 방식은 가중치 그래프의 해밀턴 순환 공간을 평가해야 한다. 이러한 방법들은 $O(N!)$ 또는 $O(N^2 2^N)$의 계승적 또는 지수적 계산 복잡도에 묶여 있어, 문제 규모가 약 $N \le 25$를 초과하는 실제 응용 분야에서는 실행이 불가능하다.

방법론

본 논문은 이산적인 순열 공간을 연속적인 확률 흐름 텐서 다양체(continuous probability-flow tensor manifold)로 매핑하는 새로운 연속-분석적 프레임워크를 제안한다. 이 방법은 이산적인 탐색 트리를 순회하는 대신, 최적화 과제를 대수적 텐서 전파 문제로 재정의한다. 이 접근 방식은 세 가지 핵심 가설에 의해 제어된다:

1. 연속 다양체 임베딩(Continuous Manifold Embedding): 이산 순열은 연속적인 확률 흐로 텐서 공간 $P \in \mathbb{R}^{N \times N}$에 임베딩된다. 전이 가능성은 역 비용 거듭제곱 법칙(inverse cost power-laws)에 의해 정의되며, 여기서 확률 $P_{ij}$는 스케일링 파라미터 $\alpha$에 대해 에지 가중치 기울기에 반비례한다.
2. 이력 의존적 누적 및 초월적 정규화(History-Dependent Cumulative & Transcendental Normalization): 지수적인 부분 집합 마스킹 없이 해밀턴 제약 조건을 강제하기 위해 경로 확률에 동적 가중치를 부여한다. 본 논문은 세 가지 분석적 공식을 도입한다:
   • 접근법 1 (표준 확률 흐름): 확률과 에지 비용의 비율을 기준으로 전이를 점수화한다.
   • 접근법 2 (파이-지수 휴리스틱): 확률 값에 $\pi$를 사용하는 초월적 스케일링을 적용한다.
   • 접근법 3 (초월적 HK 완화): 정적 사전 계산된 배열 인자 $\gamma(N) = \pi^{(N^2 / 2^N)}$를 활용한다.
3. 스펙트럼 급수 절단(Spectral Series Truncation): 순환 피복(cycle covers)의 다루기 힘든 퍼머넌트(permanent)를 행렬 지수 생성 함수 $e^{tW}$의 절단된 매클로린 급수 전개를 사용하여 근사한다. 이를 통해 계수 추출을 $O(N)$의 다항식 행렬 곱셈 경계 내로 축소한다.

결과적으로 알고리즘은 텐서 초기화, 전이 텐서 구축, 순차적 상태 전파의 세 단계로 작동한다. 방문하지 않은 노드를 평가하기 위해 $N$ 단계를 실행하며, 최소 비용-확률 점수를 선택함으로써 엄격한 결정론적 실행 시간 $O(N^3)$을 달성한다.

주요 기여

• 알고리즘의 전환: 확률 행렬, 초월적 스케일링 인자, 절단된 매클로린 급수를 활용하여 지수적인 부분 집합 열거를 우회하는 결정론적 알고리즘을 제시한다.
• 복잡도 감소: TSP 투어 생성을 지수 시간에서 엄격한 $O(N^3)$ 다항식 시간으로 이론적으로 단축시킨다.
• 구현: 제안된 텐서 전파 방식의 타당성을 입증하기 위해 Python(NumPy) 및 Java를 이용한 코드 구현을 제공한다.
• 확장성: 기업 규모의 그래프 토폴로지에 대한 안정적인 확장성을 입증하며, $N$이 증가하더라도 실행 시간이 낮게 유지됨을 보여준다.

결과

본 논문은 $N = 1$부터 $100$까지의 문제 크기에 대해 제안된 분석적 접근법을 정확한 홀드-카프(Held-Karp) 베이스라인과 비교한 종합적인 벤치마크 결과를 제시한다.

• 실행 시간: 제안된 $O(N^3)$ 방식은 홀드-카프에 비해 현저히 빠른 실행 시간을 보여준다. $N=20$일 때, 제안된 방식은 0.205 ms가 소요되는 반면, 홀드-카프는 870,000 ms가 소요된다. $N=100$일 때, 제안된 방식은 15.80 ms 내에 완료되지만, 홀드-카프는 "정적 배열(Static-Array)" 조회가 필요함(이는 지수적 방식이 실행 불가능함을 암시)을 명시한다.
• 해의 품질: 제안된 접근법들이 생성한 투어 비용은 알려진 최적 베이스라인과 경험적으로 일치하는 것으로 보고되었다.
  • 접근법 1 및 접근법 3: 이 방법들은 테스트된 모든 인스턴스($N=1$ ~ $100$)에서 정확한 홀드-카프 베이스라인과 동일한 비용을 산출한다.
  • 접근법 2: 이 방법은 미세한 편차를 보이지만(예: $N=6$에서 비용은 399.10이며, 최적값은 398.50임), 최적 베이스라인에 근접한 수치를 유지한다.
• 대규모 확장성: 본 논문은 $N=10,000$에 이르는 초거대 그래프에 대한 투영치를 포함한다. $N=10,000$일 경우, 알고리즘은 약 $1.00 \times 10^{12}$ FLOPs, 800 MB의 메모리, 그리고 약 15.80분의 실행 시간이 필요할 것으로 추정한다.

의의 및 주장

본 논문은 연속적 대수 텐서, 초월적 스케일링, 다항식 급수 근사를 통해 조합 최적화를 재구성함으로써, TSP 투어 생성을 결정론적 다항 시간 내에 실행할 수 있다고 주장한다. 저자는 이 프레임워크가 지수적인 부분 집합 열거를 우회하면서도 최적해와 경험적 일치성을 유지할 수 있게 해준다고 단언한다.

본 연구의 의의는 현재의 TSP 솔버의 확장성 한계를 해결하여, 기존에는 작은 규모의 인스턴스로 제한되었던 기업 규모의 그래프 토폴로지를 처리할 수 있게 하는 잠재적 솔루션으로 제시된다. 논문은 결론에서 거대 희소 그래프 인스턴스($N > 10,000$)의 성능을 더욱 최적화하기 위해 GPU 텐서 코어를 통한 하드웨어 가속을 탐구할 것임을 밝히고 있다.