[논문 리뷰] Implicit Decision Diagrams

Isaac Rudich, Louis-Martin Rousseau|arXiv (Cornell University)|2026. 02. 24.

Constraint Satisfaction and Optimization인용 수 0

한 줄 요약

이 논문은 per-layer 구축 비용을 줄이기 위한 암시적 결정 다이어그램을 도입하고, 블랙박스 프레임워크 내에서 최적성을 증명하며, Subset Sum에서 Gurobi보다 우수한 Julia 솔버 ImplicitDDs.jl을 공개한다.

ABSTRACT

Decision Diagrams (DDs) have emerged as a powerful tool for discrete optimization, with rapidly growing adoption. DDs are directed acyclic layered graphs; restricted DDs are a generalized greedy heuristic for finding feasible solutions, and relaxed DDs compute combinatorial relaxed bounds. There is substantial theory that leverages DD-based bounding, yet the complexity of constructing the DDs themselves has received little attention. Standard restricted DD construction requires $O(w \log(w))$ per layer; standard relaxed DD construction requires $O(w^2)$, where $w$ is the width of the DD. Increasing $w$ improves bound quality at the cost of more time and memory. We introduce implicit Decision Diagrams, storing arcs implicitly rather than explicitly, and reducing per-layer complexity to $O(w)$ for restricted and relaxed DDs. We prove this is optimal: any framework treating state-update and merge operations as black boxes cannot do better. Optimal complexity shifts the challenge from algorithmic overhead to low-level engineering. We show how implicit DDs can drive a MIP solver, and release ImplicitDDs, an open-source Julia solver exploiting the implementation refinements our theory enables. Experiments demonstrate the solver outperforms Gurobi on Subset Sum. Code (https://github.com/IsaacRudich/ImplicitDDs.jl)

연구 동기 및 목표

• DD 구축의 복잡도를 분석하고 문제 특유의 비용과 고유 비용을 분리한다.
• 아크를 암시적으로 저장하여 매-layer 비용을 줄이는 암시적 제약 DDs를 개발한다.
• 블랙박스 상태 업데이트 및 병합 연산 하에서 암시적 DD 구축의 최적성을 입증한다.
• 암시적 DD 프레임워크를 정수 프로그래밍에 적용하고 MEC 솔버를 구동하는 방식을 보여준다.
• 오픈 소스 솔버(ImplicitDDs.jl)를 공개하고 벤치마크 문제에서 성능을 검증한다.

제안 방법

• DD 구축에서 고유 비용과 문제-specific 비용을 정의한다.
• O(width) 매_layers 복잡도를 갖는 암시적 제약 DDs와 암시적 완화 DDs를 제시한다.
• 상태 업데이트와 병합을 블랙박스 프레임워크로 다룰 때 O(width) 요인보다 우수한 방법이 불가능하다고 최적성을 증명한다.
• 정수 프로그래밍에 접근 방식을 특화시켜 문제 특정 비용이 고유 비용에 의해 지배됨을 보인다.
• JuMP와의 인터페이스를 갖춘 Julia 기반 솔버 ImplicitDDs.jl을 제공하고 실용적 성능을 시연한다.

Figure 1 : Exact decision diagram for $\mathcal{P}_{ex}$ . X indicates a constraint violation.

실험 결과

연구 질문

• RQ1 암시적 DD가 전통적인 O(width log width) (제약 DD) 및 O(width^2) (완화 DD)에서 매-layer 계산 비용을 O(width)로 감소시키면서 정확성을 유지할 수 있는가?
• RQ2 상태 업데이트와 병합을 블랙 박스로 취급할 때 DD 구축의 이론적 한계(최적성)는 무엇인가?
• RQ3 암시적 DD를 MIP/IP 솔버에 어떻게 통합하고 JuMP를 통해 활용할 수 있는가?
• RQ4 부분합집합(Subset Sum)과 같은 전형적 조합 문제에서 암시적 DD가 실용적인 성능 향상을 제공하는가?
• RQ5 암시적 DD 프레임워크에서 문제 특유의 비용과 고유 비용은 IP 설정에서 어떻게 비교되는가?

주요 결과

• 암시적 제약 DDs와 암시적 완화 DDs는 매-layer 복잡도를 O(width)로 달성하여 O(width log width) 및 O(width^2) 대신으로 만든다.
• 블랙박스 프레임워크에서 상태 업데이트 및 병합에 대한 O(width) 구성 한계가 최적이다.
• 정수 프로그래밍의 경우 문제 특정 비용이 고유 비용에 의해 흡수되며 이론적 보장을 보존한다.
• 저자들은 JuMP와 인터페이스를 갖춘 최적화된 오픈 소스 Julia 솔버인 ImplicitDDs.jl을 발표했다.
• 실험에서 솔버가 Subset Sum에서 Gurobi보다 우수한 성능을 보임을 확인했다.

Figure 2 : Restricted DD for $\mathcal{P}_{ex}$ , $0pt=3$ . X marks infeasible or trimmed nodes.