initial commit

2026-03-02 20:55:36 +09:00
commit f224644b49
86 changed files with 1065250 additions and 0 deletions
@@ -0,0 +1,166 @@
+python -V
+Python 3.12.12
+
+
+pip -V
+pip 26.0.1 from /root/dijkstra/src/.venv/lib/python3.12/site-packages/pip (python 3.12)
+
+
+python -c "import platform; print(platform.platform())"
+Linux-6.8.12-17-pve-x86_64-with-glibc2.41
+
+
+lscpu | head
+Architecture:                         x86_64
+CPU op-mode(s):                       32-bit, 64-bit
+Address sizes:                        48 bits physical, 48 bits virtual
+Byte Order:                           Little Endian
+CPU(s):                               16
+On-line CPU(s) list:                  1-3,8
+Off-line CPU(s) list:                 0,4-7,9-15
+Vendor ID:                            AuthenticAMD
+Model name:                           AMD Ryzen 7 7700 8-Core Processor
+CPU family:                           25
+
+
+
+## I. Introduction
+	•	이론적 복잡도 vs 실제 성능 문제 제기
+	•	기존 연구 간략 언급
+	•	RQ 제시
+	•	핵심 주장 요약
+
+## II. Theoretical Background
+이 부분이 추가되어야 한다.
+
+### 2.1 Dijkstra 시간복잡도 구조
+Binary:
+T_B = c_1 E \log V
+
+Fibonacci:
+T_F = c_2 E + c_3 V \log V
+
+### 2.2 decrease-key의 역할
+	•	relax_success = decrease_key 발생 빈도
+	•	입력 분포와 그래프 밀도가 이를 결정
+
+→ 여기서 “역전 조건의 이론적 형태”를 먼저 제시
+
+예:
+
+c_{dec}^{F} \cdot D < c_{dec}^{B} \cdot D \log V
+
+이게 논문의 수학적 중심이 된다.
+
+⸻
+
+III. Methodology
+
+이건 반드시 독립 섹션으로.
+
+3.1 실제 데이터 분석 방법
+	•	USA-road 기반 분포 추정
+	•	mean, std 계산
+	•	lognormal 변환 공식
+
+3.2 가상 그래프 생성 방법
+	•	outdegree 기반 생성
+	•	density 정의
+	•	std 범위 정당화
+
+3.3 측정 지표
+	•	relax_attempts
+	•	relax_success
+	•	relax_ratio
+	•	speedup 정의
+
+3.4 연산 단위 비용 모델
+
+선형 모델:
+
+T = \beta_0 + \beta_1 extract + \beta_2 relax + \beta_3 decrease
+
+이걸 명확히 수식으로 써야 함.
+
+⸻
+
+IV. Empirical Analysis
+
+이제 네가 말한 흐름을 그대로 쓰면 된다.
+
+⸻
+
+4.1 실제 데이터 분포 분석
+	•	mean ≈ 3000
+	•	std ≈ 4000
+	•	lognormal 적합성
+
+→ 실험 파라미터의 정당화
+
+⸻
+
+4.2 변수 간 관계 분석 (가상 데이터)
+
+4.2.1 Density ↔ Relax_attempts
+
+→ 거의 선형 관계
+
+4.2.2 Sigma ↔ Relax_success_ratio
+
+→ 양의 상관관계
+
+4.2.3 Decrease_key ↔ Speedup
+
+→ 거의 무관
+
+⸻
+
+4.3 런타임 다중 선형 회귀 분석
+	•	단위 연산 비용 추정
+	•	Binary vs Fibonacci 비교
+	•	R² 제시
+
+이 부분이 핵심 증거.
+
+⸻
+
+V. Deriving the Crossover Condition
+
+여기가 논문의 “기여”다.
+
+회귀 계수를 이용해:
+
+Binary:
+T_B = a_1 extract\log V + a_2 decrease\log V + ...
+
+Fibonacci:
+T_F = b_1 extract\log V + b_2 decrease + ...
+
+역전 조건:
+
+T_F < T_B
+
+정리하면:
+
+(b_2 - a_2 \log V) D + (b_1 - a_1)\log V + ... < 0
+
+여기서:
+	•	실제 계수 대입
+	•	부등식이 성립하는 V, D 범위 계산
+
+이게 논문의 가장 강력한 부분.
+
+⸻
+
+VI. Feasibility Analysis
+	•	Python 환경에서는 성립 불가
+	•	상수항이 지배
+	•	C++ 가능성 언급
+
+⸻
+
+VII. Conclusion
+	•	RQ에 대한 명확한 답
+	•	이론과 실제의 간극 강조
+	•	실무적 함의
+	•	한계 및 향후 연구