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