[논문 리뷰] GRASP for the Coalition Structure Formation Problem

Nicola Di Mauro, Teresa M. A. Basile외 2명|arXiv (Cornell University)|2010. 04. 16.

Game Theory and Voting Systems참고 문헌 9인용 수 3

한 줄 요약

이 논문은 다중 에이전트 시스템에서 near-optimal 협동 집단을 효율적으로 찾는 그레디티브 적응적 탐색 절차인 GRASP-CSF를 제안한다. 구성 및 국소 탐색 단계를 조합함으로써, 특히 시간 제약 조건이 엄격하고 차원이 높은 문제에서 IDP와 같은 정확한 알고리즘보다 최대 1,000배 빠르게 near-optimal 해를 달성한다.

ABSTRACT

The coalition structure formation problem represents an active research area in multi-agent systems. A coalition structure is defined as a partition of the agents involved in a system into disjoint coalitions. The problem of finding the optimal coalition structure is NP-complete. In order to find the optimal solution in a combinatorial optimization problem it is theoretically possible to enumerate the solutions and evaluate each. But this approach is infeasible since the number of solutions often grows exponentially with the size of the problem. In this paper we present a greedy adaptive search procedure (GRASP) to efficiently search the space of coalition structures in order to find an optimal one. Experiments and comparisons to other algorithms prove the validity of the proposed method in solving this hard combinatorial problem.

연구 동기 및 목표

• 해결 공간의 지수적 증가로 인해 전수 탐색이 비현실적인 다중 에이전트 시스템에서 NP-완전 문제인 협동 집단 형성(CSF) 문제를 해결하기 위해.
• 시간 제약 조건 하에서도 높은 품질의 해를 반환할 수 있는 빠르고, anytime 동작이 가능한 알고리즘 개발을 위해. 이는 반응형 에이전트 시스템에 매우 중요하다.
• 대규모 CSF 문제에 대해 기존의 정확한 알고리즘과 히우리스틱 알고리즘보다 해 품질과 계산 시간 측면에서 모두 뛰어나도록 하기 위해.
• GRASP가 조합 최적화 문제에 대한 확률적 국소 탐색 방법으로 협동 형성에 효과적으로 적용될 수 있는지 평가하기 위해.

제안 방법

• GRASP-CSF는 두 단계 접근 방식을 사용한다: 초기 협동 집단을 구성하는 그리디 랜덤 적응적 절차를 사용하는 구성 단계와, 해를 향상시키는 국소 탐색 단계.
• 구성 단계에서 높은 가치를 가진 협동 집단을 우선시하는 랜덤화된 그리디 선택 전략을 사용함으로써, 열악한 분할에 대한 편향을 줄인다.
• 국소 탐색은 분할, 병합, 추출, 교환 등의 이웃 연산자를 사용하여 인접한 협동 집단 형상을 탐색하고 局부 최적해에서 벗어나도록 한다.
• 알고리즘은 최대 반복 횟수 제한(예: 20)으로 설정되어 있어 종료 보장을 하며, 필요 시 최적 해 복원이 가능하다.
• 해 품질은 상대적 품질 V(C)/V(C*)로 측정되며, 여기서 C*는 최적 협동 집단 형상이다.
• 실험은 14~20명의 에이전트에 대해 각 에이전트 수당 10개의 문제 인스턴스에서 균일 및 비균일 가치 분포를 사용하며, 시간과 품질은 런에 대해 평균화된다.

실험 결과

연구 질문

• RQ1 GRASP는 시간 제약 조건 하에서도 점진적으로 향상되는 해를 제공하는 anytime 알고리즘으로 협동 집단 형성 문제에 효과적으로 적용될 수 있는가?
• RQ2 GRASP-CSF는 IDP 및 IP와 같은 최신 정확한 알고리즘보다 최적의 협동 집단 형상을 더 빨리 찾을 수 있는가?
• RQ3 GRASP-CSF는 시뮬레이티드 어닐링 및 샌홀름 등에 의한 알고리즘과 비교해 해 품질과 속도 측면에서 어떻게 다른가?
• RQ4 에이전트 수 증가에 따라 알고리즘 성능이 얼마나 확장되는가?

주요 결과

• 20명의 에이전트에 대해 GRASP-CSF는 평균 0.05초 이내에 최적 해를 찾았고, IDP는 최대 47.8초가 소요되어 GRASP-CSF가 최대 1,000배 더 빠르게 작동했다.
• 20명의 에이전트에 대해 GRASP-CSF는 평균 0.0499초 내에 최적 해를 달성했으며, IDP는 47.8초가 소요되었다.
• 첫 3회 반복 이내에 near-optimal 해(상대적 품질 > 0.99)를 확보했고, 10회 반복 후 평균 해 품질은 0.995를 초과했다.
• GRASP-CSF는 해 품질 측면에서 시뮬레이티드 어닐링 및 샌홀름 등에 의한 알고리즘을 일관되게 뛰어넘었으며, 모든 테스트된 문제 크기(14~20명의 에이전트)에서 상대 오차가 낮았다.
• 문제 크기가 커질수록 GRASP-CSF와 IDP 간의 성능 격차가 더욱 벌어져, 제안된 방법의 우수한 확장성 잠재력을 보여주었다.
• 고정된 maxiter 값 20조차도 18~20명의 에이전트에 대해 모든 10개 인스턴스에서 최적 해 복원률 100%를 달성하여, 알고리즘의 강건성과 신뢰성을 입증했다.