[論文レビュー] A Better-Than-1.6-Approximation for Prize-Collecting TSP

Jannis Blauth, Nathan Klein+1 more|arXiv (Cornell University)|Aug 11, 2023

Vehicle Routing Optimization MethodsEngineering被引用数 3

ひとこと要約

この論文は、近似比1.599の多項式時間近似アルゴリズムを提示し、以前の最良の1.774を改善した。アプローチは、LP解の根付き木への分解に依存し、頂点の訪問確率に基づいた剪定ステップを適用し、最小コストマッチングによる偶奇補正を実施することで、黄金比（1.618）に近い上限を達成した。

ABSTRACT

Prize-Collecting TSP is a variant of the traveling salesperson problem where one may drop vertices from the tour at the cost of vertex-dependent penalties. The quality of a solution is then measured by adding the length of the tour and the sum of all penalties of vertices that are not visited. We present a polynomial-time approximation algorithm with an approximation guarantee slightly below $1.6$, where the guarantee is with respect to the natural linear programming relaxation of the problem. This improves upon the previous best-known approximation ratio of $1.774$. Our approach is based on a known decomposition for solutions of this linear relaxation into rooted trees. Our algorithm takes a tree from this decomposition and then performs a pruning step before doing parity correction on the remainder. Using a simple analysis, we bound the approximation guarantee of the proposed algorithm by $(1+\sqrt{5})/2 \approx 1.618$, the golden ratio. With some additional technical care we further improve it to $1.599$. Furthermore, we show that for the path version of Prize-Collecting TSP (known as Prize-Collecting Stroll) our approach yields an approximation guarantee of 1.6662, improving upon the previous best-known guarantee of 1.926.

研究の動機と目的

• 近似比が1.6未満であるPCTSPの多項式時間近似アルゴリズムを開発すること。
• この問題における以前の最良の近似比1.774を改善すること。
• PCTSPの自然なLP緩和の構造を、木分解技術を用いて活用すること。
• 新規の剪定およびマッチング戦略により、黄金比（1.618）に近いタイトな近似保証を達成すること。
• LP緩和に対する解の期待コストを制限する確率的分析フレームワークを提供すること。

提案手法

• 分数LP解を根付き木の分布に分解する既知の手法を適用し、期待コストと頂点の訪問確率を保持する。
• 構造的剪定を可能にするために、頂点の訪問レベルを0または≥δに固定するようにLP解を変更する。
• 分解された各木に対して、訪問確率がγ以上である頂点をカバーする最小部分木のみを保持する剪定ステップを実施する。
• 剪定済み部分木の奇数次数頂点に対して最小コスト完全マッチングを適用し、偶奇を補正して有効なTSP巡回路を形成する。
• 分布μから木と閾値γをサンプリングし、確率的境界を用いて期待コストを分析する。
• 確率的分析フレームワークを用いて、近似比を(1+√5)/2 ≈ 1.618で上限付けるが、追加の技術的調整により1.599に改善する。

実験結果

リサーチクエスチョン

• RQ1 LPベースの手法を用いて、PCTSPの近似比を1.774を超えて改善できるか？
• RQ2 LP解の木分解を用いて、近似保証を1.6未満に達成することは可能か？
• RQ3 分解された木に対して剪定とマッチング戦略を適用することで、従来手法よりもタイトな近似境界が得られるか？
• RQ4 LP相対近似の文脈において、剪定閾値の選択と偶奇補正コストの最適なトレードオフは何か？
• RQ5 黄金比（1.618）はPCTSPにおける自然な近似の壁として機能するか、それ以上に超えることは可能か？

主な発見

• 提案されたアルゴリズムは、LP相対近似比1.599を達成し、以前の最良の1.774を改善した。
• 分析により、近似比が(1+√5)/2 ≈ 1.618（黄金比）で上限付けることが、洗練された確率的議論により示された。
• アルゴリズムは多項式時間で実行可能であり、根付き木の分布へのLP解の分解に基づいている。
• 剪定ステップは、高確率の頂点をカバーする最小部分木を選択し、不要な巡回路長を削減する。
• 最小コストマッチングによる偶奇補正により、有効なTSP巡回路が保証されつつ、コスト増加は制限される。
• 最終的な1.599の境界は、初期の1.618の境界を改善するための洗練された技術的分析によって達成された。