[論文レビュー] Euclidean Capacitated Vehicle Routing in Random Setting: A $1.55$-Approximation Algorithm

Zipei Nie, Hang Zhou|arXiv (Cornell University)|Apr 22, 2023

Vehicle Routing Optimization Methods被引用数 1

ひとこと要約

本稿は、ランダムな設定下でのユークリッド容量制約付き巡回セールスマン問題（CVRP）に対して、スイープヒューリスティクスとアローラのTSP近似フレームワークを組み合わせた、新たな多項式時間アルゴリズムを提示する。このアルゴリズムは、漸近的にほとんど確実に1.55-近似比を達成し、以前の1.995および1.915という上限を著しく改善する。また、同様の条件下で任意のε>0に対して(1+ε)-近似が達成可能であると予想している。

ABSTRACT

We study the unit-demand capacitated vehicle routing problem in the random setting of the Euclidean plane. The objective is to visit $n$ random terminals in a square using a set of tours of minimum total length, such that each tour visits the depot and at most $k$ terminals. We design an elegant algorithm combining the classical sweep heuristic and Arora's framework for the Euclidean traveling salesman problem [Journal of the ACM 1998]. We show that our algorithm is a polynomial-time approximation of ratio at most $1.55$ asymptotically almost surely. This improves on previous approximation ratios of $1.995$ due to Bompadre, Dror, and Orlin [Journal of Applied Probability 2007] and $1.915$ due to Mathieu and Zhou [Random Structures and Algorithms 2022]. In addition, we conjecture that, for any $\varepsilon>0$, our algorithm is a $(1+\varepsilon)$-approximation asymptotically almost surely.

研究の動機と目的

• ランダムな入力分布下でのユークリッド平面上におけるユニット・デマンド容量制約付き巡回セールスマン問題（CVRP）に対する新しい近似アルゴリズムの設計。
• ランダム設定下のユークリッドCVRPにおいて、これまでに得られた最高の近似比1.915を改善すること。
• アルゴリズムが任意のε>0に対して、漸近的にほとんど確実に(1+ε)-近似を達成できるかどうかの探求。
• 古典的なコスト枠組みを拡張するための新規概念——R-径方向コストとR-局所コスト——の導入と分析。

提案手法

• 端末を拠点の周りの極座標角でソートし、サイズMkの順序付き部分列に分割する。
• 各部分列に対して、ユークリッドTSPのアローラの(1+1/M)-近似フレームワークを用いて解き、各グループ内でのルーティングをほぼ最適化する。
• 全体の解は、これらの部分解を組み合わせることで得られ、ランダムな端末配置の幾何的構造を活用する。
• 総ルーティング長の上限を求めるために、R-径方向コストとR-局所コストを導入し、古典的コスト測度の一般化を実現する。
• 単位正方形および単位円領域上での幾何的期待値（例：g1(O)、g2(O)、g3(O)）の閉形式積分を導出することで、期待距離をモデル化する。
• 確率的解析と幾何的積分を用いて理論的境界を確立し、i.i.d.一様配置の下で、総コストが最適解の1.55倍以内であることを示した。

実験結果

リサーチクエスチョン

• RQ1 新しいアルゴリズムは、ランダム設定下のユークリッドCVRPに対して、1.915より良い近似比を達成できるか？
• RQ2 スイープヒューリスティクスとアローラのTSPフレームワークを組み合わせることで、期待値においてより良い近似が保証されるか？
• RQ3 任意の固定されたM≥105に対して、アルゴリズムの性能が1.55に漸近的にほとんど確実に抑えられるか？
• RQ4 予想されているように、任意のε>0に対して、ランダム設定下で(1+ε)-近似が達成可能か？
• RQ5 R-径方向コストとR-局所コストという新規コスト概念は、ランダム幾何的設定下でのルーティングコストの tighter 分析をどのように可能にするか？

主な発見

• 提案されたアルゴリズムは、M≥105の条件下で、ランダム設定下のユークリッドCVRPに対して、漸近的にほとんど確実に1.55-近似比を達成する。
• これは、マティエとゾウ（2022年）が得た1.915というこれまでの最高の比およびボンパドレ、ドロア、オルリン（2007年）の1.995という比を著しく上回る。
• アルゴリズムは多項式時間であり、スイープヒューリスティクスとアローラのTSP近似フレームワークを統合しており、反復的ツアー分割（ITP）手法とは根本的に異なる。
• 著者らは、R-径方向コストとR-局所コストを導入し、古典的コスト測度の一般化を実現することで、期待ルーティング長のより緊密な分析が可能になった。
• 単位正方形および単位円領域上での主要な幾何的積分（g1(O)、g2(O)、g3(O)）の閉形式表現が導出され、理論的分析を支援した。
• 本稿では、任意のε>0に対して、十分に大きなMが存在するため、アルゴリズムが漸近的にほとんど確実に(1+ε)-近似を達成すると予想している。