A* 탐색은 인공지능에서 기본적인 경로 탐색 알고리리즘이다. 허용 가능하고 일관적인 휴리스틱은 각 상태를 최대 한 번만 확장함으로써 효율적인 성능을 보장하지만, 현대 탐색 응용에서는 기계 학습, 무작위 평가 등에서 유도된 강력하지만 비일관적인 휴리스틱을 자주 사용한다. 이러한 비일관적 휴리스틱 사용에 대한 오랜 이론적 장벽은 치명적인 노드 재확장(re-expansion) 위험이며, 이는 최악의 경우 $\Omega(2^n)$의 지수적 시간 복잡도를 초래한다. 그러나 경험적 관찰은 이 비관적 상한과 모순되며, 비일관적 A*가 실제로는 매우 효율적으로 동작함을 보여 준다. 이론과 실무 사이의 이 큰 격차를 메우기 위해, 본 논문은 비일관적 휴리스틱을 사용하는 A* 알고리리즘에 대한 최초의 평활 분석(smoothed analysis)을 제시한다. 우리는 최악 경우 탐색 그래프의 간선 가중치에 미세한 무작위 perturbation을 적용하여 전형적인 실세계 노이즈를 모델링한다. 주요 결과는 비일관적 A*의 기대 평활 시간 복잡도가 다항식으로 bounded됨을 증명하며, 구체적으로 총 반복 횟수가 $O(n^2 m \kappa)$임을 보인다. 여기서 $n$은 노드 수, $m$은 간선 수, $\kappa$는 무작위 perturbation의 규모를 조절한다. 또한 이 결과가 음수 가중치 그래프에서의 Dijkstra 알고리리즘과 기능적으로 동등한 문제로 자연스럽게 확장됨을 보인다.
가중 그래프에서의 최단 경로를 효율적으로 계산하는 것은 다양한 응용 분야를 가진 근본적인 문제다. 뉴로모픽(neuromorphic) 하드웨어 플랫폼은 대규모 병렬 및 효율적인 연산을 제공하여 병렬성 트레이드오프를 변화시킬 것으로 기대된다. 본 연구에서는 뉴로모픽 시스템에서 활용 가능한 로컬 연산과 네트워크 통신을 활용하도록 설계된 분산 최단 경로 알고리즘인 NEURO-MAPP(Neuromorphic-based Min-Add Parallel Propagation)을 제안한다. SpiNNaker 2 플랫폼에 최적화된 알고리즘 구현을 제공하고, 다양한 합성 그래프 및 실세계 그래프를 대상으로 성능을 평가한다. 평가 결과는 최신 CPU에서의 Dijkstra 알고리즘과 비교된다. NEURO-MAPP 구현은 대부분의 그래프 유형에서 실행 시간 측면의 확장성이 우수하며, 거의 모든 경우에서 최단 경로 쿼리당 에너지 소비가 CPU 구현보다 적음을 확인하였다. 이러한 결과는 희소하고 스파이크(spike) 기반 통신을 특징으로 하는 뉴로모픽 하드웨어가 그래프 탐색 및 관련 작업에서 확장 가능하고 에너지 효율적인 연산 플랫폼으로서의 잠재력을 지님을 보여준다.
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.
최단 경로 알고리즘 벤치마킹에 그래프를 저비용 구조적 특징 공간에 임베딩해 클러스터링하는 인스턴스 랜드스케이프 관점을 적용하고, Erdős–Rényi·기하학적·도로망 벤치마크에서 Dijkstra·양방향 Dijkstra·A*·DEQ 네 솔버를 평가한다. 생성기 매개변수는 안정적인 구조 영역을 형성하지만 특징 공간 유사성이 성능 유사성을 보장하지 않으며, 서로 다른 벤치마크 패밀리는 대체로 분리된 영역을 차지해 구조 인식 벤치마킹에서 랜드스케이프 접근의 잠재력과 한계를 함께 드러낸다.