축정렬 완화 기법을 이용한 혼합정수비선형 프로그램 최적화

본 논문은 축정렬(축에 평행) 영역을 기반으로 한 새로운 다각형 완화 프레임워크를 제시한다. 기존 Factorable Programming(FP)은 표현 트리를 이용해 각 연산을 독립적으로 하이퍼큐브 상에서 완화하지만, 이는 변수 간 상호 의존성을 무시해 과도하게 보수적인 해집합을 만든다. 이를 개선하기 위해 저자들은 두 단계의 기하학적 근사를 도입한다. 첫 번째 단계는 각 비선형 함수를 piecewise linear(다각형) 형태로 외삽한다. 특히, 함수 f_i(x_i)의 그래프를 펜타곤 형태의 다각형 P_i로 근사하고, 이때 P_i는 함수값의 하한·상한과 중간값을 포함하는 5개의 코너 포인트(v_i0 … v_i4)로 정의된다. 이러한 외삽은 함수 곱 f_1·f_2에 대해 새로운 부등식 집합을 도출하는데, 이는 P_1×P_2 위에서 t_1·t_2의 볼록 포락을 6개의 선형 부등식으로 정확히 기술한다. 이 부등식은 기존 복합 완화가 차원 증가에 따라 필요 부등식 수가 급증하는 문제를 해결하고, 근사 정확도가 향상될수록 실제 볼록 껍질에 수렴함을 보장한다. 두 번째 단계는 feasible region 자체를 voxelization을 통해 축정렬 영역(H)으로 근사한다. voxelization은 연속적인 도메인을 격자 형태의 voxel(입방체)로 이산화하고, 각 voxel이 feasible인지 여부를 판단해 H를 구성한다. 이때 H는 단순한 하이퍼큐브가 아니라, 문제 특성에 맞게 조정된 축정렬 영역으로, 변수 간 상호 작용을 보다 정확히 반영한다. 이 두 단계에서 얻어진 다각형 집합과 축정렬 영역을 결합하면, 다변수 다중선형 함수의 그래프와 feasible region을 동시에 다각형 형태로 표현할 수 있다. 저자들은 이를 “동시 볼록 껍질”이라 부르며, 핵심 정리로 “축정렬 영역 위의 다중선형 함수의 동시 볼록 껍질은 해당 영역의 코너 포인트만으로 완전히 결정된다”는 것을 증명한다. 이는 기존 연구가 하이퍼큐브에 한정됐던 결과를 일반적인 축정렬 영역으로 일반화한 것으로, 함수값이 정의된 모든 코너 포인트를 고차원 공간에 리프팅(lift)하면, 그 유한 집합의 볼록 껍질이 원래 함수들의 동시 볼록 껍질과 일치한다는 의미이다. 구현 측면에서 저자들은 Julia 기반 JuMP 환경 위에 프레임워크를 구축하고, QuickHull 알고리즘을 이용해 다각형 집합의 볼록 껍질을 효율적으로 계산한다. QuickHull은 2·3차원에서 매우 빠른 성능을 보이며, voxel 해상도를 조절함으로써 근사 정확도와 계산 비용 사이의 트레이드오프를 제어한다. 실험은 두 가지 베치로 진행된다. 첫 번째는 무작위 다항식 최적화 문제(다항식 차수와 변수 수를 다양하게 변형)이며, 두 번째는 MINLPLib에 포함된 619개 MINLP 인스턴스이다. 다항식 테스트에서는 절반 이상의 인스턴스에서 기존 FP 및 복합 완화 대비 최적성 갭을 평균 20‑25% 추가 감소시켰다. MINLPLib에서는 약 30% 인스턴스에서 더 강력한 듀얼 바운드를 제공했으며, 특히 10% 정도에서는 갭이 50% 이상 감소했다. 또한, 6개의 어려운 미해결 인스턴스에 대해서는 기존 상용 솔버가 수십만 노드까지 탐색한 뒤에도 도달하지 못한 바운드보다 더 좋은 바운드를 얻었다. 계산 시간 측면에서는 voxel화와 부등식 생성 단계가 추가되지만, 보조 변수 수가 늘어나지 않아 전체 MILP 해결 시간은 기존 FP 대비 크게 악화되지 않았다. 실제로 대부분의 인스턴스에서 전체 실행 시간이 1.5배 이하로 유지되었으며, 고해상도 voxel을 사용할 경우에도 QuickHull의 효율성 덕분에 병목이 되지 않았다. 결론적으로, 축정렬 영역과 기하학적 도구를 활용한 이 프레임워크는 (1) 변수 간 상호 의존성을 포착해 더 타이트한 완화를 제공하고, (2) 코너 포인트만으로 동시 볼록 껍질을 정확히 기술함으로써 이론적 수렴성을 보장하며, (3) 구현이 비교적 간단하고 기존 솔버와 연계가 용이하다는 장점을 가진다. 향후 연구에서는 고차원 voxel화 효율화, 비선형 제약(예: 지표 함수, 절대값) 확대, 그리고 분산/병렬 구현을 통해 더욱 큰 규모의 MINLP 문제에 적용할 가능성을 제시한다.