[논문 리뷰] Simulated Annealing Algorithm for Graph Coloring

Alper Köse, Berke Aral Sonmez외 1명|arXiv (Cornell University)|2017. 12. 03.

Scheduling and Timetabling Solutions참고 문헌 2인용 수 4

한 줄 요약

이 논문은 그래프 색칠 문제를 해결하기 위해 마르코프 체인 몬테카를로(MCMC)를 사용하는 시뮬레이티드 어닐링 알고리즘을 제안한다. 에너지 함수 H를 최소화하여 잘못 칠해진 간선의 수를 세며, 국소 최솟값을 벗어나기 위해 온도(β)를 동적으로 낮춘다. 충분한 색상 수와 반복 횟수로 인해 특히 1000개 정점의 에르되시-레니 그래프에서 q=5 및 q=7일 때는 적절한 색칠(H=0)을 달성한다.

ABSTRACT

The goal of this Random Walks project is to code and experiment the Markov Chain Monte Carlo (MCMC) method for the problem of graph coloring. In this report, we present the plots of cost function \(\mathbf{H}\) by varying the parameters like \(\mathbf{q}\) (Number of colors that can be used in coloring) and \(\mathbf{c}\) (Average node degree). The results are obtained by using simulated annealing scheme, where the temperature (inverse of \(\mathbfβ\)) parameter in the MCMC is lowered progressively.

연구 동기 및 목표

• MCMC를 사용하여 그래프 색칠 문제의 비용 함수 H를 최소화하는 시뮬레이티드 어닐링 방법을 개발하고 테스트한다.
• 사용 가능한 색상 수(q)와 평균 노드 차수(c)가 최소 달성 가능한 에너지 H_min에 미치는 영향을 조사한다.
• 반복 횟수와 β 냉각 스케줄이 저에너지 상태 또는 적절한 색칠 상태로의 수렴에 미치는 영향을 평가한다.
• 대규모 그래프 색칠 문제에서 MATLAB과 C++ 구현 간 성능 및 효율성을 비교한다.
• 다중 독립 실행 및 병렬 처리 전략을 통해 해 품질을 향상시키는 방법을 탐색한다.

제안 방법

• 정점 색상을 무작위로 갱신하기 위해 수용 확률 exp(−βΔH)를 사용하는 메트로폴리스 알고리즘을 적용한다.
• 동적 β 스케줄을 사용: β는 (0.2 + N/n)/0.2로 증가하며, 여기서 N은 정점 수이고 n은 반복 횟수이다.
• 초기 색상은 균일하게 무작위로 설정되며, 각 단계에서 랜덤하게 선택된 정점의 색상을 다른 색상으로 재할당한다.
• 에너지 함수 H는 같은 색상으로 칠해진 정점 간의 간선 수를 세며, H(x) = Σ_{(v,w)∈E} 1_{x_v = x_w}로 정의된다.
• 시뮬레이티드 어닐링은 점진적으로 온도를 낮추어(β를 증가시켜) 저에너지 상태로의 수렴을 유도한다.
• C++ 구현은 1000개 정점의 그래프에서 10^6회 반복 시 MATLAB 대비 런타임을 크게 향상시켜 0.04초 대비 50초를 기록한다.

실험 결과

연구 질문

• RQ1 사용 가능한 색상 수(q)가 그래프 색칠 문제에서 최소 달성 가능한 에너지 H_min에 어떤 영향을 미치는가?
• RQ2 평균 노드 차수(c)가 증가할수록 적절한 색칠(H=0)을 달성하는 데 어려움이 증가하는가?
• RQ3 수렴 속도와 해 품질의 균형을 고려할 때 최적의 β 냉각 스케줄은 무엇인가?
• RQ4 다중 독립 실행은 전역 최솟값 H=0을 찾을 확률을 높일 수 있는가?
• RQ5 구현 효율성(MATLAB 대비 C++)이 대규모 시뮬레이션의 실현 가능성에 어떤 영향을 미치는가?

주요 결과

• 1000개 정점, c=5인 에르되시-레니 그래프에서 q=5 및 q=7는 H_min=0(적절한 색칠)을 달성했고, q=3는 H_min=34를 기록했다.
• c=20일 경우, 오직 q=7만 H_min=5를 기록했으며, q=5는 H_min=302, q=3는 H_min=1510을 기록해 색상 수가 적을수록 난이도가 증가함을 시사한다.
• 모든 q 값에 대해 H_min은 c에 대해 선형적으로 증가하지만, q가 작을수록 기울기가 더 급해져 색상 선택의 다양성이 감소함을 반영한다.
• 반복 횟수를 늘일수록 수렴이 향상되었으며, 각 β 값에서 더 오래 머무를수록 H_min이 감소했다.
• 최종 β 값은 체인을 동결시켜 열 진동을 제한함으로써 수렴을 보장하기 위해 충분히 크도록 설정되어야 한다.
• 다중 독립 실행은 H=0을 찾을 확률을 크게 향상시켰으며, 실행 간 상호 의존성이 없어 병렬 처리가 용이했다.