다목적 탐색에서 다중값 휴리스틱과 차원 축소의 통합
Bridging Multi-Valued Heuristics and Dimensionality Reduction in Multi-Objective Search
다목적 최단경로(MOSP) 알고리즘은 전통적으로 각 상태에 허용 가능한 단일 비용 벡터를 연결하는 단일값 휴리스틱(SVH)에 의존한다. SVH는 안전한 하한을 제공하지만, 파레토 프론트(Pareto frontier)의 트레이드오프 구조를 포착하지 못하고 종종 약한 탐색 가이던스를 제공한다. 다중값 휴리스틱(MVH)은 상태를 비용 추정치 집합에 매핑함으로써 이 한계를 해결하여, 가능한 트레이드오프의 더 풍부한 근사를 가능하게 한다. 현대 MOSP 알고리즘은 지배성(dominance) 검사를 효율적으로 수행하기 위해 차원 축소(DR) 기법에 크게 의존한다. 그러나 MVH와 DR을 통합하면 미묘한 정확성 문제가 발생한다. 우리는 DR과 MVH를 단순히 결합하면 DR에 필요한 순서 불변성(ordering invariants)이 파괴되어 부정확하고 불완전한 탐색으로 이어짐을 보인다. 이 문제를 해결하기 위해, 우리는 MVH와 DR을 안전하게 통합하기 위한 최초의 이론적 프레임워크를 개발한다. 먼저 휴리스틱 일관성(heuristic consistency)을 강제함으로써 탐색 정확성을 복원하는 이론적 기준선인 $\text{NAMOA}^*{\text{dr}\text{-}\text{mvh}}$를 제안한다. 이 접근법의 실용적 한계를 인식하여, 우리는 주요 기여인 $\text{L}\text{-}\text{NAMOA}^*{\text{dr}\text{-}\text{mvh}}$를 소개한다. 이 알고리즘은 DR에 대한 "게으른(lazy)" 낙관적 접근을 사용하여, 국소적 순서 위반을 동적으로 감지하고 수정함으로써 허용 가능한 MVH만으로도 엄밀한 정확성을 유지한다. 다양한 벤치마크(benchmark)에서 $\text{L}\text{-}\text{NAMOA}^*{\text{dr}\text{-}\text{mvh}}$는 최첨단 MOSP 알고리즘과 동등하거나 그보다 나은 성능을 보이며, MVH가 제공하는 추가 가이던스가 더 강한 가지치기로 이어지는 경우 10배 이상의 속도 향상을 달성한다.