이 질문 뒤에 면접관이 확인하려는 것은 따로 있습니다.
졸업 프로젝트에서 배달 경로 최적화 문제를 다뤘습니다. 10개 거점을 최단 시간으로 방문하는 순서를 구하는 문제였는데, 경우의 수가 너무 많아서 완전 탐색이 현실적이지 않았습니다. 처음엔 그리디 방식으로 가장 가까운 다음 노드를 선택하는 방법을 썼는데, 최적해와 거리가 멀었습니다. 그래서 Simulated Annealing을 적용해봤는데, 초기 온도와 냉각 속도 파라미터에 따라 결과가 크게 달라지는 걸 반복 실험으로 확인했습니다. 약 200회 반복 조정 끝에 그리디 방식 대비 약 18% 경로가 단축됐습니다. 배운 점은 최적화 알고리즘은 "잘 구현"하는 것보다 "파라미터를 어떻게 조정하는가"가 결과를 좌우한다는 것이었고, 그래서 실험 로그를 꼼꼼히 남기는 습관이 생겼습니다. 이 경험이 수치 기반으로 결정을 바꾸는 방식을 연습한 시간이었습니다.
알고리즘 수업에서 동적 계획법으로 배낭 문제를 구현했습니다. 무게 제한 안에서 가치를 최대화하는 문제였는데, 그리디 방식으로는 최적해를 항상 보장하지 못한다는 걸 반례를 만들어 확인했습니다. DP로 전환하니 부분 문제 결과를 테이블에 저장해 중복 계산을 없앨 수 있었습니다. 문제는 아이템 수와 무게 한도가 커질수록 메모리가 폭발적으로 늘어나는 것이었습니다. 1차원 배열로 재설계해 시간 복잡도는 유지하면서 공간은 절반으로 줄였습니다. 최적화 알고리즘 구현에서 정확성과 효율성은 동시에 고민해야 하는 트레이드오프라는 걸 배웠습니다.
DP가 최적해를 보장하지만 공간 최적화도 함께 고민해야 합니다. 그리디와 DP의 차이를 반례로 직접 확인하는 것이 가장 빠른 이해였습니다. 공간 복잡도 최적화가 대규모 입력에서 더 중요해집니다.
팀 프로젝트에서 시간표 자동 배정 문제를 다뤘습니다. 교수·강의실·시간이 충돌하지 않게 배정하는 제약 충족 최적화 문제였는데, 유전 알고리즘으로 해법을 탐색했습니다. 초반에는 교배와 돌연변이 확률을 낮게 설정해 지역 최적해에 갇히는 문제가 반복됐습니다.
교배율을 높이고 적응도 함수 설계를 바꾸자 수렴 속도가 눈에 띄게 빨라졌습니다. 최종적으로 충돌 없는 시간표 배정을 300세대 내에 안정적으로 달성했습니다. 실험 결과를 기록하지 않으면 어떤 설정이 개선을 만들었는지 알 수 없다는 교훈이 남았습니다.
실험 로그 없이는 파라미터 효과를 알 수 없습니다. 교배율 조정이 지역 최적해 탈출의 핵심이었습니다. 적응도 함수 설계가 알고리즘 수렴 방향을 결정합니다.
답변에서 흔히 빠지는 것들 — 빠져 있으면 꼬리질문이 깊어집니다.
이 질문에 이어 HL그룹 SW·IT 일반 면접관이 던질 가능성이 높은 후속 질문.
이 페이지의 질문·답변·꼬리질문은 유사 직군 채용 시장의 공개된 면접 후기·커뮤니티 게시물을 분석해 구성한 학습 자료입니다. 특정 회사가 실제로 이 질문을 출제했다는 것을 보장하지 않으며, 모든 예시는 우문현답이 직접 작성한 창작물입니다. 해당 회사의 공식 입장과는 무관합니다. 회사 측의 정정 요청이 있을 경우 24시간 이내에 응답·수정합니다.