[論文レビュー] Improving the Asymmetric TSP by Considering Graph Structure

Jean-Guillaume Fages, Xavier Lorca|arXiv (Cornell University)|Jun 15, 2012

Vehicle Routing Optimization Methods参考文献 24被引用数 8

ひとこと要約

本稿では、強連結成分（SCC）や支配木（dominators）といったグラフ構造的性質を組み込んだ暗示的制約伝播機構を統合することで、非対称TSP（ATSP）の制約プログラミング（CP）モデルを改善している。低減グラフと構造的フィルタリングを活用することで、著者らは、150ノードまでのすべてのインスタンスを1分未塔で解ける強固なモデルを構築した。また、kroB150 や gil262 のような大規模で困難なインスタンスにおいても、探索の負荷を顕著に低減した。

ABSTRACT

Recent works on cost based relaxations have improved Constraint Programming (CP) models for the Traveling Salesman Problem (TSP). We provide a short survey over solving asymmetric TSP with CP. Then, we suggest new implied propagators based on general graph properties. We experimentally show that such implied propagators bring robustness to pathological instances and highlight the fact that graph structure can significantly improve search heuristics behavior. Finally, we show that our approach outperforms current state of the art results.

研究の動機と目的

• 構造的グラフ性質を統合することで、非対称TSPのCPモデルのロバスト性と効率性を向上させること。
• 低減グラフ表現（例：SCC）が、CPにおける探索ヒューリスティクスと pruning にどのように寄与するかを調査すること。
• 支配木や到達可能性といったグラフ理論的概念に基づく新しい暗示的制約伝播機構を開発・評価すること。
• 構造的フィルタリングとコストベースの緩和を組み合わせることで、CP におけるTSPの性能限界を押し広げること。
• グラフ構造がコストベースの pruning のみに比べて、探索行動に顕著な向上効果をもたらすかどうかを示すこと。

提案手法

• 著者らは、強連結成分（SCC）を収縮することで得られる有向グラフの低減グラフを用い、構造的制約を抽出してフィルタリングに活用する。
• SCC および支配木に基づく暗示的制約伝播機構を導入し、非妥当なアークの削除と連結性の強制を実現する。
• 探索空間を効率化するために、スパースな解を優先する EnforceSparse ヒューリスティックを提案する。
• ホールド＝カープ緩和を有向グラフに適応し、実装最適化を施した上でCPフレームワークに統合する。
• グラフ変数を用いて解空間をモデル化し、潜在的・必須アークを維持し、構造的制約によるフィルタリングを適用する。
• コストベースの緩和と構造的フィルタリングを組み合わせることで、整合性の向上と探索木のサイズ削減を実現する。

実験結果

リサーチクエスチョン

• RQ1 SCC や支配木といったグラフ構造が、ATSP の CP モデル向上に有効に利用可能か？
• RQ2 低減グラフに基づく構造的フィルタリングが、探索木のサイズと解法時間に与える影響は？
• RQ3 スパースな解を優先する EnforceSparse ヒューリスティックは、困難な ATSP インスタンスにおいてより優れた性能を発揮するか？
• RQ4 コストベースの pruning のみに比べ、構造的フィルタリングがどれほどロバスト性を向上させるか？
• RQ5 グラフ構造の統合により、CPベースのTSP解法におけるラグランジュ緩和の収束性が向上するか？

主な発見

• EnforceSparse ヒューリスティックは、150ノードまでのすべてのATSPインスタンスを1分未塔で解けるが、最先端のCPモデルでは30分以内にほとんど解けない。
• kroB150（200ノード）においては、提案手法が668.73秒で解を発見したのに対し、SOTAモデルは1,800秒でタイムアウトとなった。
• gil262 インスタンス（262ノード）において、本手法は500ノードのうち460個を時間制限内に解いたが、SOTAモデルは完全に解けなかった。
• バックトラック数と探索ノード数が顕著に削減され、eil76 や eil101 においてSOTAと比べてノード数が100倍以上減少した。
• 病理的インスタンス（例：gr229 や ts225）においても、構造的フィルタリングによりロバスト性が向上し、SOTAモデルがタイムアウトするのに対し、新規モデルは解を発見できた。
• 中規模インスタンスにおいて、グラフ構造の統合により探索負荷が50〜100倍まで削減され、顕著な性能向上が確認された。