[論文レビュー] Apply Local Clustering Method to Improve the Running Speed of Ant Colony Optimization

Chao-Yang Pang, Wei Hu+2 more|ArXiv.org|Jul 6, 2009

Metaheuristic Optimization Algorithms Research参考文献 31被引用数 3

ひとこと要約

本論文は、巡回セールスマン問題（TSP）におけるアンチコロニー最適化（ACO）の高速化を図るため、画期的なローカルクラスタリング手法「スペシャルローカルクラスタリング（SLC）」を提案する。都市をコンパクトで密なクラスタにグループ化することで、ACOはより小さな部分問題で動作し、都市数（N）と反復回数（t_max）を削減する。その結果、標準ACOと比較して最大10,736倍の高速化を達成しながら、解の品質は2%以内に保たれる。

ABSTRACT

Ant Colony Optimization (ACO) has time complexity O(t*m*N*N), and its typical application is to solve Traveling Salesman Problem (TSP), where t, m, and N denotes the iteration number, number of ants, number of cities respectively. Cutting down running time is one of study focuses, and one way is to decrease parameter t and N, especially N. For this focus, the following method is presented in this paper. Firstly, design a novel clustering algorithm named Special Local Clustering algorithm (SLC), then apply it to classify all cities into compact classes, where compact class is the class that all cities in this class cluster tightly in a small region. Secondly, let ACO act on every class to get a local TSP route. Thirdly, all local TSP routes are jointed to form solution. Fourthly, the inaccuracy of solution caused by clustering is eliminated. Simulation shows that the presented method improves the running speed of ACO by 200 factors at least. And this high speed is benefit from two factors. One is that class has small size and parameter N is cut down. The route length at every iteration step is convergent when ACO acts on compact class. The other factor is that, using the convergence of route length as termination criterion of ACO and parameter t is cut down.

研究の動機と目的

• ACOの計算コストがO(t_max * M * N²)と高くなる問題を軽減すること。特に大規模なNに起因する計算コストの増大を対処する。
• ACOの主なボトル neck である、問題サイズ（N）が大きく、反復回数（t_max）が多すぎることによる長時間実行を是正すること。
• コンパクトで密な都市クラスタを生成するクラスタリング手法を開発し、局所最適化を高速化すること。
• クラスタリングによって生じる誤差（特にクロスエッジと分布の不一致）を是正することで、解の品質を維持すること。
• 高速性と正確性のバランスを取る新たなACO変種（ACO-SLC-LWCR および ACO-SLC-Mixture）を提案・評価すること。

提案手法

• 収束する歪みを示すクラスタを繰り返し特定・削除することで、コンパクト性を保証する新しいクラスタリングアルゴリズム「スペシャルローカルクラスタリング（SLC）」を導入する。
• ACOの終了基準として、経路長の収束（|L_t - L_{t+1}| / L_t → 0）を用い、固定のt_maxに代えて反復回数を削減する。
• 各コンパクトなクラスタに対してACOを独立して適用し、局所TSPを解くことで、各部分問題におけるNを顕著に削減する。
• 局所TSPの経路を統合してグローバルな解を得るが、解の品質を低下させるクロスエッジを除去するための後処理を実施する。
• クロスエッジを局所再接続で処理するACO-SLC-LWCRを導入し、非一様な都市分布に対応するACO-SLC-Mixtureを提案する。
• 初期重心を視覚的検査で選択することで、初期化に依存する感度を低減し、クラスタリングの安定性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 都市をコンパクトで密なクラスタにグループ化することで、ACOのTSP処理における実行時間を顕著に短縮できるか？
• RQ2 経路長の収束をACOの終了基準として用いることで、解の品質を損なわずに反復回数（t_max）を削減できるか？
• RQ3 SLCクラスタリング手法は、標準ACOおよびACO-K-Meansと比較して、どれほどACOの性能を向上させるか？
• RQ4 クラスタリングによって生じる解の不正確さ（特にクロスエッジと分布の不一致）を効果的に是正できるか？
• RQ5 提案されたACO-SLC変種は、多様なTSPインスタンスにおいて、高速性と高い解の品質の両立を達成できるか？

主な発見

• ACO-SLCは、標準ACOと比較して415〜10,736倍の高速化を達成しており、主にNとt_maxの削減に起因する。
• ACO-SLC-LWCRは、390〜10,192倍の高速化を達成し、クロスエッジの処理が改善されている。
• ACO-SLC-Mixtureは、257〜9,419倍の高速化を達成し、解の品質を維持している。不正確さ比はほとんどの場合ACO未満であり、最大で2%の劣化にとどまる。
• 経路長の収束（|L_t - L_{t+1}| / L_t → 0）は、適応的で効果的な終了基準として機能し、t_maxを顕著に削減できる。
• クラスタリングの品質は初期重心に敏感であるが、シミュレーションで視覚的重心選択を実施することで、この問題が緩和される。
• 都市が自然にコンパクトなクラスタを形成する場合に特に効果的であり、SLCアルゴリズムはK-Meansに比べてよりコンパクトなクラスを生成する。